本发明专利技术提供一种交易风险的预测方法，包括：获取当前交易相关的信息；基于所述当前交易相关的信息提取第一特征，所述第一特征与当前交易的统计特性相关；将所述第一特征输入预先训练的第一预测模型，获得交易风险等级；其中，所述第一预测模型基于多个第二特征进行训练，其中每个第二特征与至少一个历史交易的统计特性相关，且与所述第一特征相对应。本发明专利技术所提供的交易风险的预测方法，通过建设订单维度(逐交易的)退款退货预测模型，针对不同的订单进行退款退货预测，该方法能够较为精确地刻画订单粒度的退款退货风险，不仅可以作为运费险核保与定价方案设计中的参考，同时也适用于虚假交易的识别。虚假交易的识别。虚假交易的识别。
【技术实现步骤摘要】
交易风险的预测方法及用于交易风险预测的装置
[0001]本申请涉及机器学习
，尤其涉及一种交易风险的预测方法、一种用于交易风险预测的装置、一种交易风险预测模型的生成装置及非瞬时性计算机可读存储介质。
技术介绍
[0002]运费险是买家在售中发起退款退货时，保险公司对退款退货所产生的单程运费提供的保险服务。加入运费险可以让卖家的商品有专属的流量曝光，并且提升买家的购买信心。在运费险的核保和定价阶段，常见的设计方案是从商家维度设计运费险定价，对于同一商家，不同的订单执行相同的定价逻辑，商家维度的核保和定价方案便于透传和理解，较为便捷，但带来的局限性是：不同风险的订单会执行同一定价，对于低风险订单会取得收益，但对于高风险订单则会带来潜在的理赔风险，并且，后期无法针对发生理赔概率较高的订单进行针对性的调价。因此，现有技术中，对于逐订单对退货风险进行精准预测属于亟待解决的技术问题。
技术实现思路
[0003]有鉴于现有技术的至少一个缺陷，本专利技术提供了一种交易风险的预测方法，包括：
[0004]获取当前交易相关的信息；
[0005]基于所述当前交易相关的信息提取第一特征，所述第一特征与当前交易的统计特性相关；
[0006]将所述第一特征输入预先训练的第一预测模型，获得交易风险等级；
[0007]其中，所述第一预测模型基于多个第二特征进行训练，其中每个第二特征与至少一个历史交易的统计特性相关，且与所述第一特征相对应。
[0008]根据本专利技术的一个方面，其中所述基于所述当前交易相关的信息提取第一特征包括：
[0009]基于当前交易的卖家信息、买家信息、买卖家对信息、类目信息和订单信息中的一种或多种提取所述第一特征。
[0010]根据本专利技术的一个方面，其中所述基于所述当前交易相关的信息提取第一特征进一步包括：
[0011]基于当前交易的卖家的历史退款退货统计信息、当前交易的买家的历史退款退货统计信息、当前交易的买家与卖家在历史交易中的历史退款退货统计信息、当前交易的商品所属一级类目的历史退款退货统计信息、当前交易的订单金额、商品数量、物流信息中的一种或多种提取所述第一特征；其中
[0012]所述历史退款退货统计信息通过将当前日期做延迟处理，统计预设时间范围内的退款退货情况获得。
[0013]根据本专利技术的一个方面，其中所述基于所述当前交易相关的信息提取第一特征进一步包括：
[0014]基于当前交易的卖家的近期退款退货统计信息、当前交易的卖家的交易行为信息、当前交易的卖家的店铺运营信息、当前交易的买家的近期退款退货统计信息、当前交易的买家的代销属性分析信息、当前交易的买家与卖家在近期交易中的近期退款退货统计信息、当前交易的商品所属一级类目的近期退款退货统计信息中的一种或多种提取所述第一特征；其中
[0015]所述近期退款退货统计信息通过统计当前日期起过去预设时间范围内的退款退货情况获得。
[0016]根据本专利技术的一个方面，其中所述基于所述当前交易相关的信息提取第一特征进一步包括：
[0017]通过特征工程提取所述第一特征，并构建特征向量，所述特征向量包括：卖家维度、买家维度、买卖家对维度、类目维度、订单维度。
[0018]根据本专利技术的一个方面，其中所述基于多个第二特征进行训练包括：
[0019]基于多个历史交易的卖家信息、买家信息、买卖家对信息、类目信息和订单信息中的一种或多种提取所述多个第二特征，基于所述多个第二特征训练所述第一预测模型。
[0020]根据本专利技术的一个方面，其中所述基于多个第二特征进行训练进一步包括：
[0021]基于历史交易的卖家的历史退款退货统计信息、历史交易的买家的历史退款退货统计信息、历史交易的买家与卖家在历史交易中的历史退款退货统计信息、历史交易的商品所属一级类目的历史退款退货统计信息、历史交易的订单金额、商品数量、物流信息中的一种或多种提取所述多个第二特征。
[0022]根据本专利技术的一个方面，其中所述基于多个第二特征进行训练进一步包括：
[0023]基于历史交易的卖家的近期退款退货统计信息、历史交易的卖家的交易行为信息、历史交易的卖家的店铺运营信息、历史交易的买家的近期退款退货统计信息、历史交易的买家的代销属性分析信息、历史交易的买家与卖家在近期交易中的近期退款退货统计信息、历史交易的商品所属一级类目的近期退款退货统计信息中的一种或多种提取所述多个第二特征。
[0024]根据本专利技术的一个方面，其中所述多个历史交易的卖家信息、买家信息、买卖家对信息、类目信息、订单信息通过交易平台的大数据获得。
[0025]根据本专利技术的一个方面，其中所述基于所述多个第二特征训练所述第一预测模型包括：
[0026]根据所述多个历史交易的标签和/或金额，通过二分类模型对所述多个历史交易进行分层采样，其中所述标签包括退款退货和未退款退货；
[0027]将所述分层采样后的数据输入lightGBM模型，生成所述第一预测模型的模型参数。
[0028]根据本专利技术的一个方面，所述方法进一步包括：
[0029]根据所述交易风险等级，确定当前交易的运费险保费；和/或
[0030]根据所述交易风险等级，确定当前交易的是否为虚假交易。
[0031]本专利技术还提供一种电子设备，包括：
[0032]处理器；以及
[0033]存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处
理器执行如上文所述的方法。
[0034]本专利技术还提供一种交易风险预测模型的生成装置，所述装置通过历史交易数据训练获得，所述历史交易数据包括多个已成交交易，所述装置包括：
[0035]二分类模型，配置成根据所述已成交交易的标签和/或金额，对所述历史交易数据进行分层采样，其中所述标签包括退款退货和未退款退货；
[0036]lightGBM模型，将所述分层采样后的历史交易数据输入，生成所述交易风险预测模型的模型参数。
[0037]本专利技术还提供一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上文所述的方法。
[0038]本专利技术所提供的交易风险的预测方法，通过建设订单维度(逐交易的)退款退货预测模型，针对不同的订单(当前交易)进行退款退货预测，该方法能够较为精确地刻画订单粒度的退款退货风险，不仅可以作为运费险核保与定价方案设计中的参考，同时也适用于虚假交易的识别。进一步地，本专利技术所提供的交易风险的预测方法，将退款退货统计信息从具有表现期的退款退货行为和绝对统计两方面进行细分，进一步提高了交易风险预测模型的预测精确度。
附图说明
[0039]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交易风险的预测方法，其特征在于，包括：获取当前交易相关的信息；基于所述当前交易相关的信息提取第一特征，所述第一特征与当前交易的统计特性相关；将所述第一特征输入预先训练的第一预测模型，获得交易风险等级；其中，所述第一预测模型基于多个第二特征进行训练，其中每个第二特征与至少一个历史交易的统计特性相关，且与所述第一特征相对应。2.如权利要求1所述的方法，其中所述基于所述当前交易相关的信息提取第一特征包括：基于当前交易的卖家信息、买家信息、买卖家对信息、类目信息和订单信息中的一种或多种提取所述第一特征。3.如权利要求2所述的方法，其中所述基于所述当前交易相关的信息提取第一特征进一步包括：基于当前交易的卖家的历史退款退货统计信息、当前交易的买家的历史退款退货统计信息、当前交易的买家与卖家在历史交易中的历史退款退货统计信息、当前交易的商品所属一级类目的历史退款退货统计信息、当前交易的订单金额、商品数量、物流信息中的一种或多种提取所述第一特征；其中所述历史退款退货统计信息通过将当前日期做延迟处理，统计预设时间范围内的退款退货情况获得。4.如权利要求3所述的方法，其中，所述基于所述当前交易相关的信息提取第一特征进一步包括：基于当前交易的卖家的近期退款退货统计信息、当前交易的卖家的交易行为信息、当前交易的卖家的店铺运营信息、当前交易的买家的近期退款退货统计信息、当前交易的买家的代销属性分析信息、当前交易的买家与卖家在近期交易中的近期退款退货统计信息、当前交易的商品所属一级类目的近期退款退货统计信息中的一种或多种提取所述第一特征；其中所述近期退款退货统计信息通过统计当前日期起过去预设时间范围内的退款退货情况获得。5.如权利要求2
‑
4中任一项所述的方法，其中所述基于所述当前交易相关的信息提取第一特征进一步包括：通过特征工程提取所述第一特征，并构建特征向量，所述特征向量包括：卖家维度、买家维度、买卖家对维度、类目维度、订单维度。6.如权利要求1
‑
4中任一项所述的方法，其中所述基于多个第二特征进行训练包括：基于多个历史交易的卖家信息、买家信息、买卖家对信息、类目信息和订单信息中的一种或多种提取所述多个第二特征，基于所述多个第二特征训练所述第一预测模型。7.如权利要求6所述的方法，其中所述基于多个第二特征进行训练进一步包括：基于历史交易的卖...
【专利技术属性】
技术研发人员：王明毅，陈杰瑛，冯景华，陈荣奇，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。