一种交易处理方法及相关产品与流程
本技术涉及数据处理领域,特别是涉及一种交易处理方法及相关产品。
背景技术:
1、随着电子支付与线上银行业务的迅猛发展,金融机构每日需处理海量的交易请求,其中不可避免地混杂着盗刷、洗钱、电信诈骗等各类欺诈行为。
2、在相关技术中,金融机构往往借助模型进行欺诈行为的拦截,但是模型在适用过程中十分僵化,无法匹配实时数据的变化,同时不具备良好的反馈机制,使得模型无法基于反馈信息进行适应性的迭代更新,导致对于欺诈行为的误判。
3、由此可以看出,在相关技术中提供的对于欺诈行为进行拦截的方式,无法达到理想的效果,当前亟须一种能够灵活且准确地进行欺诈行为拦截的交易处理方法。
技术实现思路
1、基于上述问题,本技术提供了一种交易处理方法及相关产品。
2、本技术实施例公开了如下技术方案:
3、第一方面,本技术实施例提供一种交易处理方法,可以包括:
4、基于第一成本和第二成本构建目标损失函数,利用所述目标损失函数对初始模型进行训练得到目标模型,其中,所述第一成本用于指示对于欺诈行为产生漏判的成本,所述第二成本用于指示人力审核误判的成本,且所述第二成本是根据审核人员的忙闲状态动态调整的,所述目标模型用于对实时的交易订单进行识别并输出所述交易订单的交易欺诈概率;
5、实时获取审核队列的积压度与在线审核人力,基于所述积压度与所述在线审核人力,动态确定分层决策阈值,所述审核队列中包括所述实时的交易订单,所述积压度用于指示所 述审核队列的待处理的所述交易订单数量;
6、利用所述分层决策阈值,以及所述目标模型输出的所述交易欺诈概率,对所述交易欺诈概率对应的交易订单进行队列的分流,所述队列包括人力审核队列;
7、在所述人力审核队列中对所述交易订单进行审核,当确定所述交易订单是误判为交易欺诈时,为所述交易订单设置标签,所述标签显示误判的原因;
8、基于所述标签及所述交易订单对所述目标模型进行调整,以实现对所述交易订单的交易处理。
9、可选的,所述基于第一成本和第二成本构建目标损失函数,包括:
10、基于历史欺诈资损数据确定所述第一成本,所述历史欺诈资损数据用于指示历史的交易欺诈造成的资金损失;
11、基于审核人员单次人力审核的平均工时及人力单价确定所述第二成本;
12、根据所述审核人员的所述忙闲状态确定所述第二成本的缩放档位,并基于所述缩放档位更新所述第二成本,以得到所述第二成本动态调整后的目标损失函数。
13、可选的,所述分层决策阈值包括动态高阈值和动态低阈值,所述在线审核人力用于指示在线审核人员的数量,所述基于所述积压度与所述在线审核人力,动态确定分层决策阈值,包括:
14、基于单位固定处理产能、所述待处理的所述交易订单数量和所述在线审核人员数量计算审核负载比;
15、根据所述审核负载比查询预设的阈值映射表,得到对应的所述动态高阈值与所述动态低阈值;
16、其中,所述阈值映射表中的所述动态高阈值和所述动态低阈值均随所述审核负载比的增大而增大。
17、可选的,所述队列还包括自动拦截队列及直接放行队列,所述对所述交易欺诈概率对应的交易订单进行队列的分流,包括:
18、若所述交易欺诈概率大于所述动态高阈值,则将所述交易订单分流至所述自动拦截队列;
19、若所述交易欺诈概率介于所述动态低阈值与所述动态高阈值之间,则将所述交易订单分流至所述人力审核队列并按所述交易欺诈概率降序排列;
20、若所述交易欺诈概率小于或等于所述动态低阈值,则将所述交易订单分流至所述直接放行队列。
21、可选的,所述标签显示误判的原因包括规则误触、特征漂移和新正常模式中的至少一种;所述基于所述标签及所述交易订单对所述目标模型进行调整,包括:
22、当所述标签显示误判的原因为新正常模式时,将对应的所述交易订单作为样本加权回流至模型训练集,以基于所述模型训练集调整所述目标模型;
23、当所述标签显示误判的原因为规则误触时,将对应的所述交易订单作为样本用于触发规则库更新;
24、当所述标签显示误判的原因为特征漂移时,将对应的所述交易订单作为样本用于触发特征监测告警。
25、可选的,所述当所述标签显示误判的原因为新正常模式时,将对应的所述交易订单作为样本加权回流至模型训练集,以基于所述模型训练集调整所述目标模型,包括:
26、将所述样本标记为负样本并赋予加权系数得到目标负样本,以使所述目标负样本在下一轮模型训练中的样本权重高于所述模型训练集中的普通负样本,所述模型训练集中包含周期性产生的历史样本;
27、基于所述模型训练集对所述目标模型进行训练,以调整所述目标模型。
28、可选的,所述基于所述模型训练集对所述目标模型进行训练,以调整所述目标模型,包括:
29、在预设时段,基于更新后的所述模型训练集以及同当日审核人员的忙闲状态相匹配的所述第二成本,对所述目标模型进行模型重训,并将所述重训得到的新版模型作为所述目标模型。
30、第二方面,本技术实施例提供一种交易处理装置,可以包括:训练模块、确定模块、分流模块、设置模块以及调整模块;
31、所述训练模块,用于基于第一成本和第二成本构建目标损失函数,利用所述目标损失函数对初始模型进行训练得到目标模型,其中,所述第一成本用于指示对于欺诈行为产生漏判的成本,所述第二成本用于指示人力审核误判的成本,且所述第二成本是根据审核人员的忙闲状态动态调整的,所述目标模型用于对实时的交易订单进行识别并输出所述交易订单的交易欺诈概率;
32、所述确定模块,用于实时获取审核队列的积压度与在线审核人力,基于所述积压度与所述在线审核人力,动态确定分层决策阈值,所述审核队列中包括所述实时的交易订单,所述积压度用于指示所述审核队列的待处理的所述交易订单数量;
33、所述分流模块,用于利用所述分层决策阈值,以及所述目标模型输出的所述交易欺诈概率,对所述交易欺诈概率对应的交易订单进行队列的分流,所述队列包括人力审核队列;
34、所述设置模块,用于在所述人力审核队列中对所述交易订单进行审核,当确定所述交易订单是误判为交易欺诈时,为所述交易订单设置标签,所述标签显示误判的原因;
35、所述调整模块,用于基于所述标签及所述交易订单对所述目标模型进行调整,以实现对所述交易订单的交易处理。
36、第三方面,本技术实施例提供一种控制装置,包括处理器和存储器,所述存储器用于存储程序、指令或代码,所述处理器用于执行所述存储器中的程序、指令或代码,以完成如第一方面所述的交易处理方法。
37、第四方面,本技术实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序通过处理器进行加载来执行如第一方面所述的交易处理方法。
38、由上述技术方案可以看出,在对于交易欺诈进行识别的过程中所采用的目标模型,是基于第一成本以及可动态调整的第二成本构建的目标损失函数进行训练得到的,如此能够保证目标模型的训练以及识别过程中,目标损失函数可以灵活动态的贴近应用场景,并基于情况的变化进行适应性改变,进而提高识别效率。同时采用了实时获取审核队列积压度与在线审核人力,并基于两者的比值动态确定分层决策阈值的方式,使分层决策阈值能够随审核队列积压度与在线审核人力的实际波动进行自适应调整,放大交易处理能力。利用动态确定的分层决策阈值与目标模型输出的交易欺诈概率进行队列分流,实现对交易风险的分级处置,避免人力审核资源的无效消耗,提升识别过程的分流效率与处置精准度。对于产生误判的交易订单进行标注且用于调整目标模型,能够实现提升识别交易欺诈的闭环迭代效率并减少重复性误报的发生。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com