[发明专利]订单欺诈识别方法、系统、存储介质和电子设备

权利要求书

1.一种订单欺诈识别方法，其特征在于，包括：

步骤S101、获取所有历史订单，包括欺诈订单和非欺诈订单，建立欺诈订单库和非欺诈订单库；

步骤S102、建立用于表述欺诈关联属性的多个不同的特征属性，分别根据各个特征属性遍历欺诈订单库和非欺诈订单库，计算每个特征属性基于不同取值的贝叶斯模型的条件概率；

步骤S103、获取当前订单，提取当前订单的多个所述特征属性，根据贝叶斯模型的条件概率计算当前订单基于多个所述特征属性的取值的欺诈风险；

步骤S104、判断当前订单的欺诈风险是否超出风险阈值，若是，则执行步骤S105；若否，则同意当前订单的交易，将所述当前订单归入非欺诈订单库，并返回步骤S103；

步骤S105、获得所述当前订单的欺诈风险的等级，判断当前订单的欺诈风险的等级是否超出预设的第一等级阈值，若是，则拒绝当前订单的交易，将所述当前订单归入欺诈订单库，并执行步骤S106；若否，则同意当前订单的交易，将所述当前订单归入非欺诈订单库，并返回步骤S103；

步骤S106、当前订单欺诈识别结束，基于更新的欺诈订单库和非欺诈订单库，返回步骤S102。

2.如权利要求1所述的订单欺诈识别方法，其特征在于，所述步骤S102中，用于表述欺诈关联属性的多个不同的特征属性包括：产品名称、商家上线时间、用户级别、订单IP属地。

3.如权利要求1所述的订单欺诈识别方法，其特征在于，步骤S102中，计算每个特征属性基于不同取值的贝叶斯模型的条件概率的公式为：

P＝A/B，其中A为所有欺诈订单中某一特征属性的某一取值发生的概率，B为所有非欺诈订单中该特征属性的该取值发生的概率，P为该特征属性的该取值发生欺诈的条件概率。

4.如权利要求3所述的订单欺诈识别方法，其特征在于，所述步骤S103中，根据贝叶斯模型的条件概率计算当前订单基于多个所述特征属性的取值的欺诈风险的公式为：

Q＝P1*P2*…*Pn，其中，P1为该当前订单的某一特征属性的取值发生欺诈的条件概率，Pn为该当前订单的第n个特征属性的取值发生欺诈的条件概率，n为正整数，Q为该当前订单的欺诈风险。

5.如权利要求4所述的订单欺诈识别方法，其特征在于，所述步骤S104中，风险阈值的计算公式为：

M＝N*C，其中N为所有历史订单中，非欺诈订单发生的概率占欺诈订单发生的概率的比例，C为系数常量，M为用于评判当前订单的欺诈风险的风险阈值。

6.如权利要求1所述的订单欺诈识别方法，其特征在于，所述步骤S105具体执行：

步骤S1051、获得所述当前订单的欺诈风险的等级，判断所述当前订单的欺诈风险的等级是否超出预设的第一等级阈值，若是，则拒绝当前订单的交易，将所述当前订单归入欺诈订单库，并执行步骤S106；若否，则执行步骤S1052；

步骤S1052、判断所述当前订单的欺诈风险的等级是否超出预设的第二等级阈值，若是，则拒绝当前订单的交易，不对所述当前订单归类，并返回步骤S103；若否，则执行步骤S1053；

步骤S1053、同意当前订单的交易，将所述当前订单归入非欺诈订单库，并返回步骤S103。

7.如权利要求1所述的订单欺诈识别方法，其特征在于，所述步骤S101中，欺诈订单的获取来源包括：历史黑名单订单及其关联订单、银行实时反馈订单、用户实时投诉订单、及所述步骤S105中实时归入的当前订单。

8.如权利要求7所述的订单欺诈识别方法，其特征在于，所述关联订单与对应的历史黑名单订单的关联维度包括：用户UID、联系方式、设备指纹。