交易反欺诈方法、装置及系统.pdf

《交易反欺诈方法、装置及系统.pdf》由会员分享，可在线阅读，更多相关《交易反欺诈方法、装置及系统.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910675300.2 (22)申请日 2019.07.25 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 张莹朱佳栋高峰李文豪 (74)专利代理机构 北京三友知识产权代理有限 公司 11127 代理人 王涛任默闻 (51)Int.Cl. G06Q 20/40(2012.01) G06Q 40/04(2012.01) G06Q 10/06(2012.01) G06K 9/62(2006.01) (54)发明名。

2、称 一种交易反欺诈方法、 装置及系统 (57)摘要 本说明书实施例公开了一种交易反欺诈方 法、 装置及系统， 所述方法获取待识别交易数据， 提取所述待识别交易数据的交易特征数据； 利用 预设判定规则对所述待识别交易数据进行判定， 获得所述待识别交易数据的判定结果； 将所述交 易特征数据输入预先构建的交易评估模型中， 获 得所述待识别交易数据的评估结果， 所述交易评 估模型根据确认为欺诈交易的样本数据、 确认为 非欺诈交易的样本数据以及未进行确认的样本 数据构建获得； 利用预设决策规则对所述待识别 交易数据的评估结果及判定结果进行决策处理， 获得所述待识别交易的反欺诈决策结果。 利用本 说明书各。

3、个实施例， 可以实现对实时交易的高 效、 稳定的风险防控。 权利要求书3页 说明书13页 附图5页 CN 110378699 A 2019.10.25 CN 110378699 A 1.一种交易反欺诈方法， 其特征在于， 包括： 获取待识别交易数据， 提取所述待识别交易数据的交易特征数据； 利用预设判定规则确定所述交易特征数据进行判定， 获得所述待识别交易数据的判定 结果； 将所述交易特征数据输入预先构建的交易评估模型中， 获得所述待识别交易数据的评 估结果， 所述交易评估模型根据确认为欺诈交易的样本数据、 确认为非欺诈交易的样本数 据以及未进行确认的样本数据构建获得； 利用预设决策规则对所述。

4、待识别交易数据的评估结果及判定结果进行决策处理， 获得 所述待识别交易的反欺诈决策结果。 2.根据权利要求1所述的方法， 其特征在于， 所述交易特征数据包括交易基础特征数 据， 所述交易基础特征数据包括所述待识别交易数据中的交易金额特征、 交易时间特征、 转 账类型特征、 卡特征、 客户特征、 账户特征中的一种或者多种组合形成的特征数据。 3.根据权利要求1所述的方法， 其特征在于， 所述交易特征数据包括时序行为特征数 据， 所述时序特征数据包括所述待识别交易数据的交易金额与历史交易的比对特征、 所述 待识别交易数据的MAC/IP下的历史交易记录特征、 所述待识别交易数据的转出/转入账号 下的。

5、历史交易记录特征、 所述待识别交易数据的地理位置特征。 4.根据权利要求1-3任一项所述的方法， 其特征在于， 所述交易评估模型采用下述方式 构建： 获取历史交易数据， 提取各历史交易数据的交易特征数据， 获得初始样本集； 将所述初始样本集中的样本数据划分为黑样本数据、 白样本数据、 灰样本数据， 所述黑 样本数据包括确认为欺诈交易的样本数据， 所述白样本数据包括确认为非欺诈交易的样本 数据， 所述灰样本数据包括未进行确认的样本数据； 将黑样本数据标记为欺诈， 将白样本数据、 灰样本数据标记为非欺诈， 构建获得第一样 本集， 利用所述第一样本集进行模型构建， 获得第一交易评估模型； 将黑样本数。

6、据及灰样本数据标记为欺诈， 将白样本数据标记为非欺诈， 构建获得第二 样本集， 利用所述第二样本集对所述第一交易评估模型进行更新处理， 获得交易评估模型。 5.根据权利要求4所述的方法， 其特征在于， 根据LR算法对所述交易评估模型进行构 建。 6.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 基于预设时间间隔获取已确认为欺诈交易或非欺诈交易的第一交易数据； 提取所述第一交易数据的交易特征数据， 获得第一训练集， 利用所述第一训练集对所 述交易评估模型进行更新处理。 7.一种交易反欺诈装置， 其特征在于， 所述装置包括： 特征提取模块， 用于获取待识别交易数据， 提取所述待识别交。

7、易数据的交易特征数据； 交易判定模块， 用于利用预设判定规则对所述待识别交易数据进行判定， 获得所述待 识别交易数据的判定结果； 交易评估模块， 用于将所述交易特征数据输入预先构建的交易评估模型中， 获得所述 待识别交易数据的评估结果， 所述交易评估模型根据确认为欺诈交易的样本数据、 确认为 非欺诈交易的样本数据以及未进行确认的样本数据构建获得； 权利要求书 1/3 页 2 CN 110378699 A 2 决策结果确定模块， 用于利用预设决策规则对所述待识别交易数据的评估结果及判定 结果进行决策处理， 获得所述待识别交易的反欺诈决策结果。 8.根据权利要求7所述的装置， 其特征在于， 所述交。

8、易评估模块包括模型构建单元， 所 述模型构建单元包括： 特征提取单元， 用于获取历史交易数据， 提取各历史交易数据的交易特征数据， 获得初 始样本集； 样本数据划分单元， 用于将所述初始样本集中的样本数据划分为黑样本数据、 白样本 数据、 灰样本数据， 所述黑样本数据包括确认为欺诈交易的样本数据， 所述白样本数据包括 确认为非欺诈交易的样本数据， 所述灰样本数据包括未进行确认的样本数据； 第一模型构建单元， 用于将黑样本数据标记为欺诈， 将白样本数据、 灰样本数据标记为 非欺诈， 构建获得第一样本集， 利用所述第一样本集进行模型构建， 获得第一交易评估模 型； 第二模型构建单元， 用于将黑样本。

9、数据及灰样本数据标记为欺诈， 将白样本数据标记 为非欺诈， 构建获得第二样本集， 利用所述第二样本集对所述第一交易评估模型进行更新 处理， 获得交易评估模型。 9.一种交易反欺诈设备， 其特征在于， 所述设备包括交易数据接收单元、 特征加工单 元、 规则引擎单元、 模型预估服务单元、 决策引擎单元、 交易反馈单元、 核实结果汇总单元、 模型自学习单元以及模型训练单元； 所述模型训练单元根据确认为欺诈交易的样本数据、 确认为非欺诈交易的样本数据以 及未进行确认的样本数据构建交易评估模型， 并将构建的交易评估模型发布至所述模型预 估服务单元； 所述交易数据接收单元接收平台发送的待识别交易数据； 所。

10、述特征加工单元接收交易数据接收单元发送的所述待识别交易数据， 并提取所述待 识别交易数据的交易特征数据； 所述特征加工单元将所述交易特征数据分别发送给所述规则引擎单元以及模型预估 服务单元； 所述规则引擎单元基于预设判定规则对所述交易特征数据进行处理， 获得所述待识别 的交易数据判定结果； 所述模型预估服务单元根据交易评估模型对所述交易特征数据进行处理， 获得所述待 识别交易数据的评估结果； 所述规则引擎单元以及模型预估服务单元分别将所述判定结果及评估结果发送至决 策引擎单元， 所述决策引擎单元基于预设决策规则对所述评估结果及判定结果进行决策处 理， 获得所述待识别交易的反欺诈决策结果； 所述。

11、交易反馈单元将所述反欺诈决策结果反馈至所述平台进行交易干预处理； 所述核实结果汇总单元基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第 一交易数据； 所述模型自学习单元提取所述第一交易数据的交易特征数据， 获得第一训练集， 利用 所述第一训练集对所述交易评估模型进行更新处理， 并将更新处理后的交易评估模型发布 至所述模型预估服务单元。 权利要求书 2/3 页 3 CN 110378699 A 3 10.一种交易反欺诈系统， 其特征在于， 所述系统包括至少一个处理器以及存储计算机 可执行指令的存储器， 所述处理器执行所述指令时实现所述权利要求1-6任一项所述方法 的步骤。 权利要求书 3/3。

12、 页 4 CN 110378699 A 4 一种交易反欺诈方法、 装置及系统 技术领域 0001 本发明涉及计算机数据处理技术领域， 特别地， 涉及一种交易反欺诈方法、 装置及 系统。 背景技术 0002 传统的交易反欺诈系统通常采用专家规则识别欺诈风险。 专家规则往往仅针对一 个风险事件制定， 需要凭专家经验在事后数据分析， 有滞后性。 同时， 专家规则也不易更新 迭代， 部署一段时间后防控效果逐渐变差， 需要重新制定， 专家规则一旦被欺诈分子破解， 会完全失效。 因此， 本技术领域亟需一种可以更加高效、 稳定的交易反欺诈方法。 发明内容 0003 本说明书实施例的目的在于提供一种交易反欺诈。

13、方法、 装置及系统， 可以实现对 实时交易的高效、 稳定的风险防控。 0004 本说明书提供一种交易反欺诈方法、 装置及系统是包括如下方式实现的： 0005 一种交易反欺诈方法， 包括： 0006 获取待识别交易数据， 提取所述待识别交易数据的交易特征数据； 0007 利用预设判定规则确定所述交易特征数据进行判定， 获得所述待识别交易数据的 判定结果； 0008 将所述交易特征数据输入预先构建的交易评估模型中， 获得所述待识别交易数据 的评估结果， 所述交易评估模型根据确认为欺诈交易的样本数据、 确认为非欺诈交易的样 本数据以及未进行确认的样本数据构建获得； 0009 利用预设决策规则对所述待。

14、识别交易数据的评估结果及判定结果进行决策处理， 获得所述待识别交易的反欺诈决策结果。 0010 本说明书提供的所述方法的另一个实施例中， 所述交易特征数据包括交易基础特 征数据， 所述交易基础特征数据包括所述待识别交易数据中的交易金额特征、 交易时间特 征、 转账类型特征、 卡特征、 客户特征、 账户特征中的一种或者多种组合形成的特征数据。 0011 本说明书提供的所述方法的另一个实施例中， 所述交易特征数据包括时序行为特 征数据， 所述时序特征数据包括所述待识别交易数据的交易金额与历史交易的比对特征、 所述待识别交易数据的MAC/IP下的历史交易记录特征、 所述待识别交易数据的转出/转入 账。

15、号下的历史交易记录特征、 所述待识别交易数据的地理位置特征。 0012 本说明书提供的所述方法的另一个实施例中， 所述交易评估模型采用下述方式构 建： 0013 获取历史交易数据， 提取各历史交易数据的交易特征数据， 获得初始样本集； 0014 将所述初始样本集中的样本数据划分为黑样本数据、 白样本数据、 灰样本数据， 所 述黑样本数据包括确认为欺诈交易的样本数据， 所述白样本数据包括确认为非欺诈交易的 样本数据， 所述灰样本数据包括未进行确认的样本数据； 说明书 1/13 页 5 CN 110378699 A 5 0015 将黑样本数据标记为欺诈， 将白样本数据、 灰样本数据标记为非欺诈， 。

16、构建获得第 一样本集， 利用所述第一样本集进行模型构建， 获得第一交易评估模型； 0016 将黑样本数据及灰样本数据标记为欺诈， 将白样本数据标记为非欺诈， 构建获得 第二样本集， 利用所述第二样本集对所述第一交易评估模型进行更新处理， 获得交易评估 模型。 0017 本说明书提供的所述方法的另一个实施例中， 根据LR算法对所述交易评估模型进 行构建。 0018 本说明书提供的所述方法的另一个实施例中， 所述方法还包括： 0019 基于预设时间间隔获取已确认为欺诈交易或非欺诈交易的第一交易数据； 0020 提取所述第一交易数据的交易特征数据， 获得第一训练集， 利用所述第一训练集 对所述交易评。

17、估模型进行更新处理。 0021 另一方面， 本说明书实施例还提供一种交易反欺诈装置， 所述装置包括： 0022 特征提取模块， 用于获取待识别交易数据， 提取所述待识别交易数据的交易特征 数据； 0023 交易判定模块， 用于利用预设判定规则对所述待识别交易数据进行判定， 获得所 述待识别交易数据的判定结果； 0024 交易评估模块， 用于将所述交易特征数据输入预先构建的交易评估模型中， 获得 所述待识别交易数据的评估结果， 所述交易评估模型根据确认为欺诈交易的样本数据、 确 认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得； 0025 决策结果确定模块， 用于利用预设决策规则对所述待。

18、识别交易数据的评估结果及 判定结果进行决策处理， 获得所述待识别交易的反欺诈决策结果。 0026 本说明书提供的所述装置的另一个实施例中， 所述交易评估模块包括模型构建单 元， 所述模型构建单元包括： 0027 特征提取单元， 用于获取历史交易数据， 提取各历史交易数据的交易特征数据， 获 得初始样本集； 0028 样本数据划分单元， 用于将所述初始样本集中的样本数据划分为黑样本数据、 白 样本数据、 灰样本数据， 所述黑样本数据包括确认为欺诈交易的样本数据， 所述白样本数据 包括确认为非欺诈交易的样本数据， 所述灰样本数据包括未进行确认的样本数据； 0029 第一模型构建单元， 用于将黑样本。

19、数据标记为欺诈， 将白样本数据、 灰样本数据标 记为非欺诈， 构建获得第一样本集， 利用所述第一样本集进行模型构建， 获得第一交易评估 模型； 0030 第二模型构建单元， 用于将黑样本数据及灰样本数据标记为欺诈， 将白样本数据 标记为非欺诈， 构建获得第二样本集， 利用所述第二样本集对所述第一交易评估模型进行 更新处理， 获得交易评估模型。 0031 另一方面， 本说明书实施例还提供一种交易反欺诈设备， 所述设备包括交易数据 接收单元、 特征加工单元、 规则引擎单元、 模型预估服务单元、 决策引擎单元、 交易反馈单 元、 核实结果汇总单元、 模型自学习单元以及模型训练单元； 0032 所述模。

20、型训练单元根据确认为欺诈交易的样本数据、 确认为非欺诈交易的样本数 据以及未进行确认的样本数据构建交易评估模型， 并将构建的交易评估模型发布至所述模 说明书 2/13 页 6 CN 110378699 A 6 型预估服务单元； 0033 所述交易数据接收单元接收平台发送的待识别交易数据； 0034 所述特征加工单元接收交易数据接收单元发送的所述待识别交易数据， 并提取所 述待识别交易数据的交易特征数据； 0035 所述特征加工单元将所述交易特征数据分别发送给所述规则引擎单元以及模型 预估服务单元； 0036 所述规则引擎单元基于预设判定规则对所述交易特征数据进行处理， 获得所述待 识别的交易数。

21、据判定结果； 0037 所述模型预估服务单元根据交易评估模型对所述交易特征数据进行处理， 获得所 述待识别交易数据的评估结果； 0038 所述规则引擎单元以及模型预估服务单元分别将所述判定结果及评估结果发送 至决策引擎单元， 所述决策引擎单元基于预设决策规则对所述评估结果及判定结果进行决 策处理， 获得所述待识别交易的反欺诈决策结果； 0039 所述交易反馈单元将所述反欺诈决策结果反馈至所述平台进行交易干预处理； 0040 所述核实结果汇总单元基于预设时间间隔获取已确认为欺诈交易及非欺诈交易 的第一交易数据； 0041 所述模型自学习单元提取所述第一交易数据的交易特征数据， 获得第一训练集， 。

22、利用所述第一训练集对所述交易评估模型进行更新处理， 并将更新处理后的交易评估模型 发布至所述模型预估服务单元。 0042 另一方面， 本说明书实施例还提供一种交易反欺诈系统， 所述系统包括至少一个 处理器以及存储计算机可执行指令的存储器， 所述处理器执行所述指令时实现上述任意一 个实施例所述方法的步骤。 0043 本说明书一个或多个实施例提供的交易反欺诈方法、 装置及系统， 可以通过结合 人工智能模型和规则模型对待识别交易进行风险分析， 以根据分析结果确定待识别交易对 应的干预措施， 进而实现对实时交易的高效、 稳定的风险防控。 同时， 在人工智能模型构建 时， 可以通过先从历史交易数据中将已。

23、确认为欺诈或者非欺诈的数据以及未进行确认的交 易数据分别提取出来， 利用分别提取的三类交易数据来构建样本集， 进而构建模型， 可以进 一步降低误伤率， 提高欺诈交易识别的准确性。 附图说明 0044 为了更清楚地说明本说明书实施例或现有技术中的技术方案， 下面将对实施例或 现有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是 本说明书中记载的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动性的 前提下， 还可以根据这些附图获得其他的附图。 在附图中： 0045 图1为本说明书提供的一种交易反欺诈方法实施例的流程示意图； 0046 图2为本说明书提供的。

24、一个实施例中的交易评估模型构建流程示意图； 0047 图3为本说明书提供另一个实施例中的交易评估模型更新流程示意图； 0048 图4为本说明书提供的一种交易反欺诈装置实施例的模块结构示意图； 0049 图5为本说明书提供的另一个实施例中的交易反欺诈设备的模块结构示意图； 说明书 3/13 页 7 CN 110378699 A 7 0050 图6为本说明书提供的另一个实施例中的交易评估模型构建流程示意图； 0051 图7为本说明书提供另一个实施例中的交易评估模型更新流程示意图。 具体实施方式 0052 为了使本技术领域的人员更好地理解本说明书中的技术方案， 下面将结合本说明 书一个或多个实施例中。

25、的附图， 对本说明书一个或多个实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅是说明书一部分实施例， 而不是全部的实施例。 基于说 明书一个或多个实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其他实施例， 都应当属于本说明书实施例方案保护的范围。 0053 传统的交易反欺诈系统通常采用专家规则识别欺诈风险。 专家规则往往仅针对一 个风险事件制定， 需要凭专家经验在事后数据分析， 有滞后性。 同时， 专家规则也不易更新 迭代， 部署一段时间后防控效果逐渐变差， 需要重新制定， 专家规则一旦被欺诈分子破解， 会完全失效。 因此， 本技术领域亟需一种可以更。

26、加高效、 稳定的交易反欺诈方法。 0054 相应的， 本说明书实施例提供了一种交易反欺诈方法， 可以通过结合人工智能模 型和规则模型对待识别交易进行风险分析， 以根据分析结果确定待识别交易对应的干预措 施， 进而实现对实时交易的高效、 稳定的风险防控。 同时， 在人工智能模型构建时， 可以通过 先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别 提取出来， 利用分别提取的三类交易数据来构建样本集， 进而构建模型， 可以进一步降低误 伤率， 提高欺诈交易识别的准确性。 0055 图1是本说明书提供的所述一种交易反欺诈方法实施例流程示意图。 虽然本说明 书提供了如下述实施。

27、例或附图所示的方法操作步骤或装置结构， 但基于常规或者无需创造 性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。 在逻辑性上不存在必要因果关系的步骤或结构中， 这些步骤的执行顺序或装置的模块结构 不限于本说明书实施例或附图所示的执行顺序或模块结构。 所述的方法或模块结构的在实 际中的装置、 服务器或终端产品应用时， 可以按照实施例或者附图所示的方法或模块结构 进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、 甚至包括分布式处 理、 服务器集群的实施环境)。 0056 具体的一个实施例如图1所示， 本说明书提供的交易反欺诈方法的一个实施例中， 所述方法。

28、可以包括： 0057 S0： 获取待识别交易数据， 提取所述待识别交易数据的交易特征数据。 0058 获取各平台发送的实时交易数据， 将待识别的实时交易数据作为待识别交易数 据。 然后， 可以提取待识别交易数据的特征， 获得待识别交易数据的交易特征数据。 一些实 施方式中， 可以先对待识别交易数据进行格式转换等预处理， 以提高特征提取的准确性和 高效性， 如可以先将表现为字符型但含义为数值的数据做格式转换， 转换为数据格式等。 0059 一些实施例中， 所述交易特征数据可以包括交易基础特征和/或时序行为特征数 据。 优选的， 本说明书的一个实施例中， 所述交易基础特征数据可以包括待识别交易数据。

29、的 交易金额特征、 交易时间特征、 卡特征、 客户特征、 账户特征中的一种或者多种组合形成的 特征。 所述交易金额特征可以包括分桶、 是否有小数、 位数、 0/9出现的次数以及占比等特 征； 转账类型特征可以包括是否行内转账、 是否通过第三方平台转账等； 卡特征可以包括转 说明书 4/13 页 8 CN 110378699 A 8 入、 转出卡的卡号长度、 发卡天数、 比率等； 账户特征可以包括转入、 转出客户的开户时间、 账户类型等； 客户特征可以包括年龄、 性别、 种族、 出生地、 教育、 婚姻、 职业等。 0060 组合原则可以包括重要字段优先组合， 有物理意义缺失率低的字段优先组合。 。

30、一 些实施方式中， 可以预先对大量历史交易数据的各基础特征对应的字段进行分析， 如可以 结合算法及专家规则等优选出对评估交易是否为欺诈影响较为明显的字段、 以及物理意义 缺失率低的字段， 然后， 将优选出的字段按照一定的拼接规则进行拼接， 形成特征向量， 获 得交易基础特征数据。 0061 利用上述实施例优选的交易基础特征数据可以更加全面准确的表征欺诈交易及 非欺诈交易， 从而能够提高欺诈交易识别的准确性。 0062 一些实施方式中， 所述时序行为特征可以包括交易数据在时间域动态变化过程中 所表现出的特征， 可以按照时间序列对交易报文中的客户、 卡、 账户等属性字段序列进行分 析以及组合， 从。

31、而准确刻画交易的复杂模式和风险。 其中， 组合时可以通过分析各属性字段 的聚集性， 将聚集性强的字段优先进行组合， 聚集性强的字段更能突出某一类交易的特征， 从而更能凸显欺诈交易和正常交易的区别， 提高最终构建的模型的准确性。 本说明书的一 个实施例中， 优选出的所述时序行为特征可以包括所述待识别交易数据的交易金额与历史 交易的比对特征、 所述待识别交易数据的MAC/IP下的历史交易记录特征、 所述待识别交易 数据的转出/转入账号下的历史交易记录特征、 所述待识别交易数据的地理位置特征。 0063 所述交易金额与历史交易的比对特征可以包括交易金额与历史交易的最小值、 最 大值、 平均值等比对特。

32、征。 所述MAC/IP与历史交易的比对特征可以包括所述待识别交易数 据的MAC(Media Access Control， 介质访问控制)/IP(Internet Protocol Address， 互联 网协议地址)下发生的交易的时间、 卡属性、 客户属性的次数、 种类、 是否高频、 是否一致等 交易特征。 所述转出/转入账号下的历史交易记录特征可以包括同一转出/转入账号下客户 年龄和开卡天数对应历史交易记录的统计特征、 连续行为类特征(如最近7天内近5次交易 额的值、 是否与当前交易额相等、 累加值、 累加值与当前交易额的比值、 交易间隔的变化) 等。 所述地理位置特征可以包括交易地点、 。

33、转出账号开户地、 转入账号开户地相互之间如果 相同/不同， 是否同历史一致等。 0064 通过分析交易金额与历史数据的比对特征、 同一MAC/IP发生的交易特征、 同一转 出/转入账户下的交易特征、 以及交易的地理位置分布特征， 可以更加准确确定待识别交易 存在的潜在风险性， 从而可以进一步提高欺诈交易识别的准确性。 0065 S2： 利用预设判定规则对所述交易特征数据进行判定， 获得所述待识别交易数据 的判定结果。 0066 可以利用预设判定规则对所述交易特征数据进行判定， 确定所述待识别交易数据 命中的规则。 所述预设判定规则可以包括预先构建的专家规则库等， 规则库中可以包括不 同的规则，。

34、 各规则所对应的风险大小不同。 可以将待识别交易命中的规则作为判定结果输 出。 0067 S4： 将所述交易特征数据输入预先构建的交易评估模型中， 获得所述待识别交易 数据的评估结果， 所述交易评估模型根据确认为欺诈交易的样本数据、 确认为非欺诈交易 的样本数据以及未进行确认的样本数据构建获得。 0068 将步骤S0获取的交易特征数据输入预先构建的交易评估模型中， 对所述交易特征 说明书 5/13 页 9 CN 110378699 A 9 数据进行评估分析， 获得所述待识别交易数据的评估结果。 所述评估结果可以包括所述待 识别交易数据的属于欺诈类交易的概率评分等。 所述交易评估模型可以根据确认。

35、为欺诈交 易的样本数据、 确认为正常交易的样本数据以及未进行确认的样本数据构建获得。 通过先 从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别提 取出来， 利用分别提取的三类交易数据来构建样本集， 进行模型的构建， 可以进一步降低误 伤率， 提高欺诈交易识别的准确性。 0069 图2表示本说明书提供的另一种交易反欺诈方法实施例流程示意图。 如图2所示， 本说明书的一个实施例中， 所述交易评估模型可以根据下述方式构建获得： 0070 S402： 获取历史交易数据， 提取各历史交易数据的交易特征数据， 获得初始样本 集； 0071 S404： 将所述初始样本集中的样本数据。

36、划分为黑样本数据、 白样本数据、 灰样本数 据， 所述黑样本数据包括确认为欺诈交易的样本数据， 所述白样本数据包括确认为非欺诈 交易的样本数据， 所述灰样本数据包括未进行确认的样本数据； 0072 S406： 将黑样本数据标记为欺诈， 将白样本数据、 灰样本数据标记为非欺诈， 构建 获得第一样本集， 利用所述第一样本集进行模型构建， 获得第一交易评估模型； 0073 S408： 将黑样本数据及灰样本数据标记为欺诈， 将白样本数据标记为非欺诈， 构建 获得第二样本集， 利用所述第二样本集对所述第一交易评估模型进行更新处理， 获得交易 评估模型。 0074 可以获取大量的历史交易数据， 然后， 对。

37、历史交易数据进行特征提取。 可以提取各 历史交易数据的交易基础特征与时序行为特征， 获得初始样本集。 其中， 特征提取的方法可 以参考步骤S0进行。 0075 可以将初始样本集中的样本数据划分为黑样本、 白样本及灰样本， 所述黑样本可 以包括确认为欺诈交易的样本数据， 所述白样本可以包括确认为非欺诈交易的样本数据， 所述灰样本可以包括未进行确认的交易的样本数据。 实际应用中， 存在部分已通过电话等 方式确认是否为欺诈的交易数据， 可以先将该部分数据捞取出来， 根据确认的结果进行划 分， 将确认为欺诈交易的交易数据划归为黑样本数据， 将确认为非欺诈交易的交易数据划 归为白样本数据。 对于未进行过。

38、实际确认的交易数据， 可以划归为灰样本数据。 0076 可以先将黑样本数据标记为欺诈， 将白样本数据、 灰样本数据标记为非欺诈， 构建 获得第一样本集， 利用所述第一样本集进行模型构建， 获得第一交易评估模型。 然后， 可以 再将黑样本及灰样本数据标记为欺诈， 将白样本数据标记为非欺诈， 构建获得第二样本集， 利用所述第二样本集对所述第一交易评估模型进行更新处理， 获得交易评估模型。 将历史 交易数据进行精细划分， 先利用已经确定的欺诈交易数据进行初步的构建模型， 然后， 再利 用已确定的非欺诈交易数据对模型进行修正， 将不能确认为欺诈还是非欺诈的交易数据进 行进一步区分， 可以降低误伤率， 。

39、提高利用模型进行欺诈交易数据的准确性。 0077 一些实施方式中， 可以利用分类算法对上述模型进行构建。 优选的， 本说明书的一 个或者多个实施例中， 可以利用LR(Logistic Regression， 逻辑回归)算法进行模型构建。 可以将上述特征作为模型的变量输入模型， 选定大规模离散LR进行训练； 对LR模型的迭代 轮数、 步长、 L1正则、 L2正则不断调优， 得到初始模型。 模训练完成后， 可以验证模型效果， 判 断验证模型效果是否达标， 如达标则投入使用； 如不达标则对训练数据进行更新或者对算 说明书 6/13 页 10 CN 110378699 A 10 法参数进行调整后重新训。

40、练模型。 交易反欺诈场景多涉及离散变量， LR算法拥有很强的稳 定性， 利用LR算法进行模型构建， 可以进一步提高模型的稳定性。 0078 图3表示本说明书提供的另一种交易反欺诈方法实施例流程示意图。 如图3所示， 本说明书的另一个实施例中， 所述方法还可以包括： 0079 S410： 基于预设时间间隔获取已确认为欺诈交易及非欺诈交易的第一交易数据； 0080 S412： 提取所述第一交易数据的交易特征数据， 获得第一训练集， 利用所述第一训 练集对所述交易评估模型进行更新处理。 0081 实际应用场景中， 还可以对部分交易数据进行结果核实， 确认交易数据为欺诈交 易还是正常交易。 相应的， 。

41、可以基于预设时间间隔获取已完成结果核实的交易数据， 作为第 一交易数据， 然后， 对第一交易数据进行预处理以及特征提取， 预处理与特征提取的方式可 以参考上述实施例进行， 这里不做赘述。 然后， 可以根据第一交易数据中各交易数据的核实 结果对各交易数据进行打标处理， 如， 将核实结果为正常交易的交易数据打标为非欺诈， 将 核实结果为欺诈交易的交易数据打标为欺诈， 从而构建获得第一训练集。 然后， 可以基于第 一训练集对已构建好的交易评估模型进行更新处理， 以提高交易评估模型的准确性。 0082 还可以验证更新后的交易评估模型的准确度， 当准确度满足预设要求时， 则将更 新后的交易评估模型投入实。

42、际应用中进行欺诈识别； 若准确度不满足预设要求， 则将继续 使用原交易评估模型进行欺诈识别， 等待至下个自学习时间点， 根据最新样本数据重新对 模型进行更新训练。 通过利用已确认的交易数据对模型进行实时更新处理， 可以进一步提 高交易欺诈识别的准确性。 0083 S6： 利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策处 理， 获得所述待识别交易的反欺诈决策结果。 0084 可以利用预设决策规则对所述待识别交易数据的评估结果及判定结果进行决策 处理， 决策出一个对待识别交易的干预措施。 可以通过对大量历史数据的分析确定不同的 规则以及风险评估概率值所对应的干预措施。 例如， 如。

43、果判定结果命中高风险规则并且评 估结果对应的风险评估概率值较高， 则可以直接拒绝该交易； 如果判定结果命中高风险规 则或者评估结果对应的风险评估概率值较高， 则先报警， 以进行人工介入核查。 一些实施方 式中， 所述预设决策规则还可以进一步结合业务类型进行预先设定， 不同的业务类型下， 对 高风险交易的干预措施通常会存在一定的差异， 通过集合业务类型进行决策规则的确定， 可以使得干预措施更符合实际应用需要。 0085 本说明书中的各个实施例均采用递进的方式描述， 各个实施例之间相同相似的部 分互相参见即可， 每个实施例重点说明的都是与其他实施例的不同之处。 具体的可以参照 前述相关处理相关实施。

44、例的描述， 在此不做一一赘述。 0086 上述对本说明书特定实施例进行了描述。 其它实施例在所附权利要求书的范围 内。 在一些情况下， 在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来 执行并且仍然可以实现期望的结果。 另外， 在附图中描绘的过程不一定要求示出的特定顺 序或者连续顺序才能实现期望的结果。 在某些实施方式中， 多任务处理和并行处理也是可 以的或者可能是有利的。 0087 本说明书一个或多个实施例提供的交易反欺诈方法， 可以通过结合人工智能模型 和规则模型对待识别交易进行风险分析， 以根据分析结果确定待识别交易对应的干预措 说明书 7/13 页 11 CN 110378。

45、699 A 11 施， 进而实现对实时交易的高效、 稳定的风险防控。 同时， 在人工智能模型构建时， 可以通过 先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别 提取出来， 利用分别提取的三类交易数据来构建样本集， 进而构建模型， 可以进一步降低误 伤率， 提高欺诈交易识别的准确性。 0088 基于上述所述的交易反欺诈方法， 本说明书一个或多个实施例还提供一种交易反 欺诈装置。 所述的装置可以包括使用了本说明书实施例所述方法的系统、 软件(应用)、 模 块、 组件、 服务器等并结合必要的实施硬件的装置。 基于同一创新构思， 本说明书实施例提 供的一个或多个实施例中的。

46、装置如下面的实施例所述。 由于装置解决问题的实现方案与方 法相似， 因此本说明书实施例具体的装置的实施可以参见前述方法的实施， 重复之处不再 赘述。 以下所使用的， 术语 “单元” 或者 “模块” 可以实现预定功能的软件和/或硬件的组合。 尽管以下实施例所描述的装置较佳地以软件来实现， 但是硬件， 或者软件和硬件的组合的 实现也是可能并被构想的。 具体的， 图4表示说明书提供的一种交易反欺诈装置实施例的模 块结构示意图， 如图4所示， 所述装置可以包括： 0089 特征提取模块102， 可以用于获取待识别交易数据， 提取所述待识别交易数据的交 易特征数据； 0090 交易判定模块104， 可以。

47、用于利用预设判定规则对所述待识别交易数据进行判定， 获得所述待识别交易数据的判定结果； 0091 交易评估模块106， 可以用于将所述交易特征数据输入预先构建的交易评估模型 中， 获得所述待识别交易数据的评估结果， 所述交易评估模型根据确认为欺诈交易的样本 数据、 确认为非欺诈交易的样本数据以及未进行确认的样本数据构建获得； 0092 决策结果确定模块108， 可以用于利用预设决策规则对所述待识别交易数据的评 估结果及判定结果进行决策处理， 获得所述待识别交易的反欺诈决策结果。 0093 本说明书的另一个实施例中， 所述交易评估模块106可以包括模型构建单元， 所述 模型构建单元可以包括： 0。

48、094 特征提取单元， 可以用于获取历史交易数据， 提取各历史交易数据的交易特征数 据， 获得初始样本集； 0095 样本数据划分单元， 可以用于将所述初始样本集中的样本数据划分为黑样本数 据、 白样本数据、 灰样本数据， 所述黑样本数据包括确认为欺诈交易的样本数据， 所述白样 本数据包括确认为非欺诈交易的样本数据， 所述灰样本数据包括未进行确认的样本数据； 0096 第一模型构建单元， 可以用于将黑样本数据标记为欺诈， 将白样本数据、 灰样本数 据标记为非欺诈， 构建获得第一样本集， 利用所述第一样本集进行模型构建， 获得第一交易 评估模型； 0097 第二模型构建单元， 可以用于将黑样本数。

49、据及灰样本数据标记为欺诈， 将白样本 数据标记为非欺诈， 构建获得第二样本集， 利用所述第二样本集对所述第一交易评估模型 进行更新处理， 获得交易评估模型。 0098 需要说明的， 上述所述的装置根据方法实施例的描述还可以包括其他的实施方 式。 具体的实现方式可以参照相关方法实施例的描述， 在此不作一一赘述。 0099 本说明书一个或多个实施例提供的交易反欺诈装置， 可以通过结合人工智能模型 和规则模型对待识别交易进行风险分析， 以根据分析结果确定待识别交易对应的干预措 说明书 8/13 页 12 CN 110378699 A 12 施， 进而实现对实时交易的高效、 稳定的风险防控。 同时， 。

50、在人工智能模型构建时， 可以通过 先从历史交易数据中将已确认为欺诈或者非欺诈的数据以及未进行确认的交易数据分别 提取出来， 利用分别提取的三类交易数据来构建样本集， 进而构建模型， 可以进一步降低误 伤率， 提高欺诈交易识别的准确性。 0100 本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻 辑并记录在存储介质上， 所述的存储介质可以计算机读取并执行， 实现本说明书实施例所 描述方案的效果。 因此， 本说明书还提供一种交易反欺诈设备， 包括处理器及存储处理器可 执行指令的存储器， 所述指令被所述处理器执行时实现包括上述任意一个实施例所述方法 的步骤。 0101 所述存储介。