一种异常消费模式判定方法技术

本发明专利技术公开了一种异常消费模式判定方法。该方法首先获取客户的消费行为习惯模式A

【技术实现步骤摘要】
一种异常消费模式判定方法
本专利技术涉及消费安全管理的
，尤其涉及一种异常消费模式判定方法。
技术介绍
随着无现金支付方式的普及，如何判别消费者并非用户本人而是非法使用者，是非常困难的事。目前针对消费安全的措施主要是通过限制高额消费或者向用户本人发送短信验证等方式来防止盗用，这些传统方式给用户本人正常的消费造成困扰，经常是“狼”来了，但“狼”又没有来，久而久之用户本人丧失了警惕性。更为重要的是技术层次低，容易被歹徒采用预先策划的方式进行躲避。因此，有必要提供一种能够更直接判断消费者是否为用户本人的方法，来真正实现和保证消费安全。
技术实现思路
专利技术目的：为了克服现有方式中存在的不足，本专利技术提供一种异常消费模式判定方法，该专利技术通过对消费者的消费行为模式进行分析，从而判断当前使用者是否为客户本人，并在出现较大概率当前使用者并非客户本人时，对正在消费的账户进行冻结，避免可能的损失。技术方案：为了实现上述专利技术目的，本专利技术提供了一种异常消费模式判定方法，包括以下步骤：步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式序号；步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号。进一步的，在本专利技术中：参数包括，密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。进一步的，在本专利技术中所述判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；步骤22：依次计算并判断参数是否异常，并统计异常参数的个数。进一步的，在本专利技术中：所述对消费行为模式进行分类还包括以下步骤：步骤211：获取当前使用者的消费行为数据；步骤212：通过K-means算法对当前使用者的消费行为模式进行归类；步骤213：根据分类后的行为模式，对应每个类的行为模式的样本数以及行为模式异常数计算出每个行为模式异常的概率P(Ai)。进一步的，在本专利技术中：所述异常参数的计算和判断还包括以下步骤：步骤221：消费者使用的各种消费模式总和，构成消费者的整体消费行为，这个整体消费行为用B表示，P(Ai)表示客户的消费行为习惯模式Ai发生异常的概率，在客户的消费行为习惯模式Ai发生异常的条件下，当前使用者的消费异常的概率值为P(B|Ai)，P(Ai)P(B|Ai)定义为当前使用者的消费异常和Ai消费模式均出现的概率，定义为当前使用者的消费异常的全概率，P(Ai|B)表示在当前使用者异常的情况下，消费行为习惯模式Ai显示异常的概率，P(Ai|B)的计算公式为：步骤222：对于每一种模式Ai，当P(Ai|B)大于常规值时，判定此消费账号受到威胁，如果发现一个消费模式对应值不符合常规值，则继续提供下一个消费模式对应值。有益效果：本专利技术与现有技术相比，其有益效果是：(1)本专利技术通过对当前实际使用者的消费模式进行分析，能够在无需向用户进行确认的情况下及时判断当前实际使用者是否异常，并及时制止可能的异常消费行为，保护用户的财产安全。(2)本专利技术通过对消费模式中的多个参数进行统计，并根据不同参数的异常概率综合判断当前使用者的消费模式是否异常，增加了判断的准确性。附图说明图1为本专利技术异常消费模式判定方法的整体流程示意图；图2为本专利技术中基于机器学习算法对消费行为模式进行判断的流程示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：本专利技术可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本专利技术的范围。如图1所示的一种异常消费模式判定方法的整体流程示意图，该方法包括以下步骤：步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式中的序号；步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号，此时可以判定当前的消费者属于不法分子，应当采取报警等措施。具体的，在步骤1中，客户代表被消费的账户的实际持有者，即能够合法消费的客户，当前使用者为当前实际使用账户进行消费的人，对于当前使用者不确定其是否为能够合法消费的客户，因此需要进行判断。进一步的，i表示消费行为模式对应的参数序号，且i＝7，参数包括密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。而具体的模数数据格式与模式种类相关，例如，消费地址可以是一个包括门牌号的准确定位地址，购买商品种类可以为实际的商品名称，例如：手表、手机等。对于步骤2中判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；步骤22：依次计算并判断参数是否异常，并统计异常参数的个数。进一步的，对于消费行为模式进行分类可以参照图2的示意，示意为机器学习算法的工作流程图，具体还包括以下步骤:步骤211：获取当前使用者的消费行为数据；步骤212：通过K-means算法对当前使用者的消费行为模式进行归类；K-means算法的核心思想是将含有多个元素的数据集划分为簇，让每个簇的聚类中心与其内部所有元素的距离和最小，达到类内紧凑、类间独立的目的。在本实施例中的类对应为一种消费行为模式。进一步的，在归类时首先需要选择初始聚类中心，并计算各样本数据到每个聚类中心的距离，并依据距离大小重新分配所属的簇。然后依据以下公式计算新簇的样本均值Ci，以更新聚类中心，公式如下：公式中，k表示划分的簇的个数，ni为第i类中对象的总数，xk表示第k个样本值。若迭代次数达到设定的阈值或者准则函数E收敛，则表示K-means聚类完成，此时在同一类别中样本对象之间相似性最大，不同类别的样本对象差异最明显，否则需要不断重复上述过程，直至满足条件而结束。准则函数E的表达式如下：其中，x表示第k个类Ci的值，表示第k类Ci的平均值，E为所有数据样本平方误差的总和。步骤213：根据分类后的行为模式，对应每个类的行为模式的样本数以及行为模式异常数计算出每个行为模式异常的概率P(Ai)。对行为模式分类进行后，对应每个类的行为模式的样本数以及行为模式异常数都为已知数。每个行为模式异常的概率P(Ai)可以通过统计概率本文档来自技高网...

【技术保护点】
1.一种异常消费模式判定方法，其特征在于：包括以下步骤：/n步骤1：获取客户的消费行为习惯模式A

【技术特征摘要】
1.一种异常消费模式判定方法，其特征在于：包括以下步骤：
步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式中的序号。
步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；
步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号。


2.如权利要求1所述的异常消费模式判定方法，其特征在于：参数包括密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。


3.如权利要求1或2所述的异常消费模式判定方法，其特征在于：所述判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：
步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；
步骤22：依次计算并判断参数是否异常，并统计异常参数的个数。


4.如权利要求3所述的异常消费模式判定方法，其特征在于：所述对消费行为模式进行分类还包括以下步骤：
...

【专利技术属性】
技术研发人员：田锦，林尚静，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32