[发明专利]订单欺诈识别方法、系统、存储介质和电子设备

说明书

技术领域

本发明涉及互联网技术领域，尤其涉及一种订单欺诈识别方法、系统、存储介质和电子设备。

背景技术

随着互联网行业的飞速发展，越来越多的欺诈分子利用互联网交易将盗取的银行卡信息变现。互联网平台每天的海量银行卡交易中，隐藏着来自这些不法分子的欺诈交易，如果欺诈交易成功，将会使持卡人和互联网平台的利益受损。为了阻止欺诈交易，互联网平台的风控反欺诈平台上有上千条欺诈拦截规则和模型为交易的安全保驾护航，贝叶斯算法作为其中的一员，发挥重要作用。

传统的贝叶斯模型的构建流程是：先选取建模样本，再根据样本计算先验概率和条件概率，然后将先验概率和条件概率导入生产系统，供贝叶斯算法调用。而这样产生的先验概率和条件概率有严重的滞后性。随着反欺诈技术和理念的不断提升，欺诈交易行为也越来越“高明”和迅速，欺诈份子一旦发现某种欺诈方式被拦截，通过逆向思维，会马上衍生另外一种欺诈场景，绕过贝叶斯模型。在传统贝叶斯模型中，新的欺诈场景，需要下次建模时，才会被纳入模型。传统贝叶斯模型的滞后性与现今风控的及时性之间的矛盾，严重阻碍了风控效率。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

针对现有技术中的缺陷，本发明旨在创造一种贝叶斯模型应用于互联网平台的订单欺诈识别方式，根据欺诈形势自动更新贝叶斯模型，在第一时间探索到新的欺诈场景，及时完善现有的欺诈规则，以此提升风控效率。

根据本发明的一个方面，提供一种订单欺诈识别方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；