交易处理方法、装置、计算机可读存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种交易处理方法、装置、计算机可读存储介质及电子设备，涉及人工智能技术领域。其中，该方法包括：获取待校验数据，其中，待校验数据为目标对象在目标交易过程中生成的交易信息；将待校验数据输入目标校验模型中，输出校验结果，其中，目标校验模型是通过语言表征模型和支持向量机模型相结合得到的；基于校验结果，判断目标交易是否为异常交易。本发明专利技术解决了现有技术中采用人工设置固定条件、阈值方式检测交易是否异常，存在由于检测方式不够全面，导致交易异常的检测准确性低的技术问题。问题。问题。

【技术实现步骤摘要】
交易处理方法、装置、计算机可读存储介质及电子设备


[0001]本专利技术涉及人工智能
，具体而言，涉及一种交易处理方法、装置、计算机可读存储介质及电子设备。

技术介绍

[0002]目前，在用户进行交易的过程中，金融机构会对交易进行验签，验签通过的交易才可以继续进行。金融机构在对交易进行验签的过程中，对于存在潜在风险的交易行为，会予以告警或采取一定的安全防控措施，以保证用户交易安全。通常，在现有技术中，金融机构采用传统的人工设置条件、阈值等方式，来检测交易是否异常，这种基于历史经验人为设置的方式，对交易异常的检测准确性有待提高，存在一定的局限性，不够合理、全面。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种交易处理方法、装置、计算机可读存储介质及电子设备，以至少解决现有技术中采用人工设置固定条件、阈值方式检测交易是否异常，存在由于检测方式不够全面，导致交易异常的检测准确性低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种交易处理方法，包括：获取待校验数据，其中，待校验数据为目标对象在目标交易过程中生成的交易信息；将待校验数据输入目标校验模型中，输出校验结果，其中，目标校验模型是通过语言表征模型和支持向量机模型相结合得到的；基于校验结果，判断目标交易是否为异常交易。
[0006]进一步地，通过以下方法生成目标校验模型：获取样本数据集；根据样本数据集对语言表征模型和支持向量机模型进行训练，得到目标校验模型。
[0007]进一步地，交易处理方法还包括：将样本数据集输入语言表征模型进行数据转换处理，得到目标向量；将目标向量输入支持向量机模型进行分类处理，得到目标校验模型。
[0008]进一步地，交易处理方法还包括：基于语言表征模型的第一网络层，将样本数据集中的文本信息转换为向量，得到第一向量；基于语言表征模型的第二网络层，对第一向量进行编码处理，得到目标向量。
[0009]进一步地，交易处理方法还包括：基于第一网络层的第一子网络层，对文本信息中的语句进行切分处理，得到第一子向量，其中，第一子向量用于表征语句中的每个字；基于第一网络层的第二子网络层，对文本信息中的语句对进行分类处理和拼接处理，得到第二子向量，其中，语句对由两个不同语义的语句构成，第二子向量用于表示拼接后的两个不同语义的语句；基于第一网络层的第三子网络层，对语句中每个字进行编号处理，得到第三子向量，其中，第三子向量表征语句中每个字的位置关系；对第一子向量、第二子向量以及第三子向量进行求和，得到第一向量。
[0010]进一步地，交易处理方法还包括：在校验结果对应的数值为正数的情况下，确定目标交易为正常交易；在校验结果对应的数值为负数的情况下，确定目标交易为异常交易。
[0011]进一步地，交易处理方法还包括：对目标交易进行风险控制处理，得到处理结果，其中，处理结果表征目标交易是否交易成功。
[0012]根据本专利技术实施例的另一方面，还提供了一种交易处理装置，包括：获取模块，用于获取待校验数据，其中，待校验数据为目标对象在目标交易过程中生成的交易信息；校验模块，用于将待校验数据输入目标校验模型中，输出校验结果，其中，目标校验模型是通过语言表征模型和支持向量机模型相结合得到的；判断模块，用于基于校验结果，判断目标交易是否为异常交易。
[0013]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的交易处理方法。
[0014]根据本专利技术实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的交易处理方法。
[0015]在本专利技术实施例中，采用将语言表征模型和支持向量机模型相结合的方式，首先获取待校验数据，然后将待校验数据输入目标校验模型中，输出校验结果，然后基于校验结果，判断目标交易是否为异常交易。其中，待校验数据为目标对象在目标交易过程中生成的交易信息，目标校验模型是通过语言表征模型和支持向量机模型相结合得到的。
[0016]在上述过程中，通过获取待校验数据，为后续校验交易是否异常提供了准确的数据基础；通过将语言表征模型和支持向量机模型相结合，可以得到目标校验模型，从而可以通过目标校验模型，得到对待校验数据的校验结果，然后基于校验结果，能够判断目标交易是否为异常交易，相比于人工设置固定的条件、阈值方式去判断交易是否异常，更加合理、全面，提高了交易异常的检测准确性，且节省了人力成本和时间成本。
[0017]由此可见，通过本专利技术的技术方案，达到了对交易是否异常进行准确判断的目的，从而实现了提高交易异常的检测准确性的技术效果，进而解决了现有技术中采用人工设置固定条件、阈值方式检测交易是否异常，存在由于检测方式不够全面，导致交易异常的检测准确性低的技术问题。
附图说明
[0018]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0019]图1是根据本专利技术实施例的一种可选的交易处理方法的流程图；
[0020]图2是根据本专利技术实施例的一种可选的交易处理的流程图；
[0021]图3是根据本专利技术实施例的一种可选的第一子网络层进行切分处理的示意图；
[0022]图4是根据本专利技术实施例的一种可选的第二子网络层进行分类和拼接处理的示意图；
[0023]图5是根据本专利技术实施例的一种可选的目标向量的结构示意图；
[0024]图6是根据本专利技术实施例的一种可选的交易处理装置的示意图；
[0025]图7是根据本专利技术实施例的一种可选的电子设备的示意图。
Machine,SVM)是对数据进行二元分类的广义线性分类器，也可以通过核方法进行非线性分类。在本实施例中，通过SVM模型在N维空间中求解，将样本数据集进行二元分类，得到最大几何间隔的分离超平面，从而将正常交易与异常交易分隔开。
[0037]可选的，在本实施例中，基于BERT模型与SVM模型构建分类器即目标校验模型以实现检测转账汇款交易是否异常的目的。可选的，校验结果可以是一个大于0或者小于0的数。
[0038]需要说明的是，目标校验模型可以是通过无感知采集用户在进行转账汇款交易时的行为特征，构建得到的正常转账汇款交易的用户画像，当用户下次进行转账汇款交易时，通过目标校验模型可以更加灵活、高效检测用户是否存在异常行为，从而判断出当前交易是否为异常交易。
[0039]步骤S103，基于校验结果，判断目标交易是否为异常交易。
[0040]在上述步骤中，通过校验结果，可以判断出目标交易是否为异常交易，可选的，当检验结果为大于0的数时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交易处理方法，其特征在于，包括：获取待校验数据，其中，所述待校验数据为目标对象在目标交易过程中生成的交易信息；将所述待校验数据输入目标校验模型中，输出校验结果，其中，所述目标校验模型是通过语言表征模型和支持向量机模型相结合得到的；基于所述校验结果，判断所述目标交易是否为异常交易。2.根据权利要求1所述的方法，其特征在于，通过以下方法生成所述目标校验模型：获取样本数据集；根据所述样本数据集对所述语言表征模型和所述支持向量机模型进行训练，得到所述目标校验模型。3.根据权利要求2所述的方法，其特征在于，根据所述样本数据集对所述语言表征模型和所述支持向量机模型进行训练，得到所述目标校验模型，包括：将所述样本数据集输入所述语言表征模型进行数据转换处理，得到目标向量；将所述目标向量输入所述支持向量机模型进行分类处理，得到所述目标校验模型。4.根据权利要求3所述的方法，其特征在于，将所述样本数据集输入所述语言表征模型进行数据转换处理，得到目标向量，包括：基于所述语言表征模型的第一网络层，将所述样本数据集中的文本信息转换为向量，得到第一向量；基于所述语言表征模型的第二网络层，对所述第一向量进行编码处理，得到所述目标向量。5.根据权利要求4所述的方法，其特征在于，基于所述语言表征模型的第一网络层，将所述样本数据集中的文本信息转换为向量，得到第一向量，包括：基于所述第一网络层的第一子网络层，对所述文本信息中的语句进行切分处理，得到第一子向量，其中，所述第一子向量用于表征所述语句中的每个字；基于所述第一网络层的第二子网络层，对所述文本信息中的语句对进行分类处理和拼接处理，得到第二子向量，其中，所述语句对由两个不同语义的语句构成，所述第二子向量用于表示拼接后的所述两个不同...

【专利技术属性】
技术研发人员：邵若琦，耿良普，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：