[發明專利]一種賬戶交易風險判斷方法、裝置及電子設備

在審

• 申請號: 202010020719.7
• 申請日: 2020-01-08
• 公開（公告）號: CN111260368A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 范豐麟;孫傳亮;朱通
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 劉立升

1.一種賬戶交易風險判斷方法，所述方法包括：

獲取由預定平臺產生的一個或多個賬戶，以及與所述賬戶分別對應的第一特征數據，所述第一特征數據包括該賬戶的基本特征數據，所述基本特征數據用于表示所述賬戶的活躍度；

根據所述賬戶以及與所述賬戶對應的第一特征數據，利用預設的分類模型對所述賬戶進行分類得到分類結果，所述分類結果中包含該賬號所對應的賬戶群組：

當所述賬戶基于商戶平臺進行交易時，從所述商戶平臺中獲取所述賬戶的交易信息，并根據預設的所述賬戶群組對應的判斷規則和所述交易信息，對所述賬戶的交易風險進行判斷。

2.如權利要求1所述的方法，所述預定平臺包括用于所述賬戶基于商戶平臺進行交易時的支付平臺，所述獲取由預定平臺產生的一個或多個賬戶，包括：

獲取歷史時間內的一個或多個用戶在所述支付平臺中進行注冊時，生成的與所述用戶相關聯的賬戶。

3.如權利要求1所述的方法，所述基本特征數據包括：

與所述賬戶對應的歷史交易數據、簽約數據、賬戶開戶時間、賬戶登錄數據、賬戶留存資產數據、綁定銀行卡數據、歷史充值數據、歷史提現數據中的一種或幾種。

4.如權利要求1所述的方法，所述分類模型包括機器學習模型，所述根據所述賬戶以及與所述賬戶對應的第一特征數據，利用預設的分類模型對所述賬戶進行分類得到分類結果，包括：

將所述賬戶以及與所述賬戶對應的第一特征數據輸入到所述機器學習模型中，以便利用所述機器學習模型對所述賬戶進行預測，得到所述賬戶的活躍度分值，并根據所述活躍度分值以及預設的活躍度閾值確定所述賬戶所對應的賬戶群組，所述賬戶群組至少包括第一賬戶群組和第二賬戶群組；其中，所述第一賬戶群組下的賬戶對應的活躍度分值低于所述活躍度閾值，所述第二賬戶群組下的賬戶對應的活躍度分值高于所述活躍度閾值。

5.如權利要求4所述的方法，所述交易信息包括交易金額，所述根據預設的所述賬戶群組對應的判斷規則和所述交易信息，對所述賬戶的交易風險進行判斷，包括：

當所述賬戶所對應的賬戶群組為第一賬戶群組時，且所述賬戶的交易金額大于預設交易金額時，則判斷該賬戶的交易為高風險交易，否則判斷為低風險交易；

當所述賬戶所對應的賬戶群組為第二賬戶群組時，且所述賬戶的交易金額小于預設交易金額時，則判斷該賬戶的交易為低風險交易。

6.如權利要求4所述的方法，還包括利用組內綜合評價方法對所述第二賬戶群組下的賬戶的風險進行評分，具體地，

獲取所述第二賬戶群組下的賬戶分別對應的第二特征數據，所述第二特征數據包括該賬戶的風險特征數據；

根據所述第二賬戶群組下的賬戶以及該賬戶對應的第二特征數據所構建的原始數據集，利用所述組內綜合評價方法對所述原始數據集進行處理，得到所述第二賬戶群組下的賬戶對應的風險評分。

7.如權利要求6所述的方法，所述風險特征數據包括：

歷史轉賬數據、不同交易場景下的歷史交易數據、特定商戶支付簽約次數中的一種或幾種。

8.如權利要求6所述的方法，所述組內綜合評價方法包括TOPSIS評價方法，利用TOPSIS評價方法對所述第二賬戶群組下的賬戶的風險進行評分，包括：

根據所述第二賬戶群組下的賬戶以及該賬戶對應的第二特征數據構建初始風險矩陣，并對所述初始風險矩陣進行歸一化處理得到標準化矩陣；

根據所述標準化矩陣確定出正理想解和負理想解，并計算所述第二賬戶群組下的賬戶分別與所述正理想解及負理想解之間的歐氏距離；

根據所述歐氏距離計算所述第二賬戶群組下的賬戶對應的相對接近度，并將所述相對接近度作為所述第二賬戶群組下的賬戶所對應的風險評分。