[發明專利]商戶風險巡檢方法、裝置、電子設備及存儲介質

有效

• 申請號: 202010632364.7
• 申請日: 2020-07-03
• 公開（公告）號: CN111523832B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 高睿哲;李超;汲小溪
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/00;G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 張桂蓉

1.一種商戶風險巡檢方法，包括：

獲取線上商戶的多模態風險數據，所述多模態風險數據包括：所述線上商戶的商戶網頁內容、商戶交易數據以及對所述線上商戶的投訴信息,所述多模態風險數據中每種模態的風險數據均是序列化數據，所述序列化數據是指數據存在時序信息；

將各種數據模態的線上商戶的商戶網頁內容、各種數據模態的商戶交易數據以及各種數據模態的投訴信息進行兩兩模態風險數據的組合，得到多組模態風險數據，每組模態風險數據是由兩種不同的序列化風險數據構成或者是由不同數據模態的兩種序列化風險數據；

通過多模態融合模型分別處理各組模態風險數據，得到用于識別線上商戶是否存在非法平臺風險的風險特征向量，其中，針對每組模態風險數據，通過多模態融合模型的詞表征層、上下文內容表征層和匹配融合層的順序處理，以根據該組模態風險數據的時序信息對該組模態風險數據進行雙向匹配融合，得到該組模態風險數據對應的第一雙向匹配融合序列和第二雙向匹配融合序列，通過所述多模態融合模型的聚合層，將所述多模態風險數據對應得到的第一雙向匹配融合序列和第二雙向匹配融合序列進行聚合，得到所述風險特征向量；

通過所述多模態融合模型的預測層,根據所述風險特征向量預測所述線上商戶是否存在非法平臺風險，如果預測結果表征所述線上商戶存在非法平臺風險，對所述線上商戶進行懲戒處理，和/或向目標平臺發送預警信息。

2.如權利要求1所述的方法，所述商戶網頁內容、所述商戶交易數據以及對所述線上商戶的投訴信息中每種序列化風險數據的數據模態包含音頻模態、文本模態以及視頻模態中的一種或者多種。

3.如權利要求1所述的方法，每組模態風險數據包含第一模態風險數據和第二模態風險數據；所述根據該組模態風險數據的時序信息對該組模態風險數據進行雙向匹配融合，得到該組模態風險數據對應的第一雙向匹配融合序列和第二雙向匹配融合序列，包括：

針對所述第一模態風險數據中每維單元風險數據進行向量表征，得到所述第一模態風險數據對應的第一表征序列；

針對所述第二模態風險數據中每維單元風險數據進行向量表征，得到所述第二模態風險數據對應的第二表征序列；

將所述第一表征序列和所述第二表征序列分別輸入到對應的時序信息提取模型，得到所述第一表征序列對應的第一雙向上下文序列和所述第二表征序列對應的第二雙向上下文序列；

將所述第一雙向上下文序列與所述第二雙向上下文序列進行信息交互，生成所述第一雙向上下文序列對應的第一雙向匹配融合序列，以及所述第二雙向上下文序列對應的第二雙向匹配融合序列。

4.如權利要求3所述的方法，所述將所述第一雙向上下文序列與所述第二雙向上下文序列進行信息交互，生成所述第一雙向上下文序列對應的第一雙向匹配融合序列，以及所述第二雙向上下文序列對應的第二雙向匹配融合序列，包括：

針對所述第一雙向上下文序列中每i時間步的上下文向量，將第i時間步的上下文向量融合到所述第二雙向上下文序列中，得到所述第i時間步對應的匹配融合向量表征，i依次取1至M，M為所述第一雙向上下文序列的序列長度；

根據所述第一雙向上下文序列中第1至M時間步對應得到的M個匹配融合向量表征，形成所述第一雙向匹配融合序列；

針對所述第二雙向上下文序列中第j時間步的上下文向量，將所述第j時間步的上下文向量融合到所述第一雙向上下文序列中，得到所述第j時間步對應的匹配融合向量表征，j依次取1至N，N為所述第二雙向上下文序列的序列長度；

根據所述第二雙向上下文序列中第1至N時間步對應得到的N個匹配融合向量表征，形成所述第二雙向匹配融合序列。

5.如權利要求1所述的方法，所述將所述多模態風險數據對應得到的第一雙向匹配融合序列和第二雙向匹配融合序列進行聚合，得到風險特征向量，包括：

針對所述多模態風險數據中第k組模態風險數據，提取所述第k組模態風險數據對應得到的第一雙向匹配融合序列中末時間步的匹配融合向量表征、以及所述第k組模態風險數據對應得到的第二雙向匹配融合序列中末時間步的匹配融合向量表征，k取1至G，G為所述多模態風險數據的組數；

將第1至G組模態風險數據對應得到的每個末時間步的匹配融合向量表征進行連接，得到所述風險特征向量。