[發明專利]一種操作請求處理系統

有效

• 申請號: 201811058711.9
• 申請日: 2018-09-11
• 公開（公告）號: CN109272398B
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 郭豪;孫善萍;陳雨濛;蔡準;孫悅;郭曉鵬
• 申請（專利權）人: 北京芯盾時代科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 徐麗

本申請提供了一種操作請求處理系統，其中，操作請求處理系統能夠獲取操作請求、所述操作請求對應的操作特征數據和所述操作請求對應的用戶特征數據；根據所述用戶特征數據確定用戶特征參數；根據操作特征數據與用戶特征參數得到第一特征數據；將操作特征數據映射到對應的第一特征數據的向量空間，得到第三特征數據；根據第一特征數據與對應的所述第三特征數據得到第四特征數據，根據第四特征數據確定所述操作請求是欺詐請求的概率值，在所述操作請求是欺詐請求的概率大于預定閾值時，判定所述操作請求為欺詐操作請求。本申請的一種操作請求處理系統能夠很好的利用用戶特征數據，大幅度地提高欺詐用戶識別率，降低正常用戶誤判率。

技術領域

本申請涉及計算機信息技術領域，尤其是涉及一種操作請求處理系統。

背景技術

互聯網的快速發展以及智能終端的普及，使得人們在使用電子銀行辦理查詢余額、轉賬、購物支付、理財等業務時獲得了極大的便捷，但同時伴隨的則是電子銀行面臨的安全隱患和遭到惡意侵害帶來的風險。

目前業內的操作請求處理系統防控策略一般使用兩種實現方案：一是基于專家規則的方法，單純的專家規則難以適應現在的操作請求處理系統的需求，二是采用機器學習算法對業務全流程的風險特征進行機器學習以及對歷史數據進行離線分析。

現有的基于機器學習的方法是把機器學習算法模型不加改造的直接應用到當前的場景中來，雖然相對于專家規則在一定程度上避免了人為的主觀性，但其在訓練模型的時候使用的是方式是直接把所有用戶的行為特征數據進行混合訓練，雖然相對于專家規則在一定程度上避免了人為的主觀性，但是現有技術中的機器學習算法沒有考慮到電子銀行的用戶特征，并沒有很好的對用戶特征數據進行建模，而是把所有用戶的操作特征數據混合使用訓練反欺詐模型，因此，現有的反欺詐模型對欺詐操作行為的識別準確率較低。

發明內容

本申請提出了一種操作請求處理系統，能夠很好的利用用戶特征數據，提高欺詐用戶識別率，降低正常用戶誤判率。

第一方面，本申請實施例提供了一種操作請求處理系統，包括：

獲取模塊用于獲取操作請求、所述操作請求對應的操作特征數據和所述操作請求對應的用戶特征數據；

第一計算模塊用于根據所述用戶特征數據以及每個用戶特征數據的權重，確定用戶特征參數；

第二計算模塊用于根據所述操作特征數據與所述用戶特征參數，確定所述操作請求是欺詐請求的概率值，在所述操作請求是欺詐請求的概率大于預定閾值時，判定所述操作請求為欺詐操作請求。

結合第一方面，本申請實施例提供了第一方面的第一種可能的實施方式，包括：

第一計算模塊具體用于將每個所述用戶特征數據進行加權處理，并將加權處理后的用戶特征數據相加，得到用戶特征參數；

所述第一計算模塊還用于將所述用戶特征參數映射到預定數值范圍內。

結合第一方面，本申請實施例提供了第一方面的第二種可能的實施方式，其中第二計算模塊具體用于執行：

將每個所述操作特征數據分別與所述用戶特征參數相乘，得到多個第一特征數據；

根據所有的所述第一特征數據確定所述操作請求是欺詐請求的概率值。

結合第一方面，本申請實施例提供了第一方面的第三種可能的實施方式，其中還包括：

獲取模塊還用于獲取所述操作請求對應的操作類型；

第三計算模塊用于根據所述操作類型，對所述操作特征數據進行分類；

第四計算模塊用于將每種操作類型的操作特征數據對應的第一特征數據進行拼接，得到第二特征數據；