公开(公告)号：CN115564450B

公开(公告)日：2023-03-10

申请号：CN202211556873.1

申请日：2022-12-06

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 赵闻飙 ,  彭凤超 ,  刘腾飞 ,  徐恪 ,  李琦

IPC: G06Q20/40

Abstract: 本说明书公开了一种风控方法、装置、存储介质及设备，通过根据异常业务的业务数据对各异常业务进行聚类，得到各业务簇及各业务簇分别对应的典型业务。以针对每个典型业务，根据该典型业务的业务数据，通过解释模型确定该典型业务被识别为异常的原因。并根据剩余异常业务与各典型业务的相似度及各典型业务被识别为异常业务的原因，确定剩余异常业务被识别为异常业务的原因，以根据各异常业务被识别为异常业务的原因执行风控业务。可通过聚类确定用于输入解释模型的典型业务，基于模型输出的典型业务被识别为异常业务的原因确定其他异常业务被识别为异常业务的原因，减少输入模型的数据量，减少模型计算耗时，提升确定原因的效率以提升风控效率。

公开(公告)号：CN117094554A

公开(公告)日：2023-11-21

申请号：CN202311007497.5

申请日：2023-08-10

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 胡逸飞 ,  陈佩弦 ,  彭凤超 ,  潘登 ,  张梦娇

IPC: G06Q10/0635

Abstract: 本说明书实施例公开了一种账户群组的发现方法、装置及设备，该方法包括：获取目标业务中包含的多种不同的关联关系的账户的信息，并基于每一种关联关系的账户的信息，构建每一种关联关系对应的账户关联图；对每一种关联关系对应的账户关联图进行社区划分处理，得到每一种关联关系对应的账户关联图的节点社区结构，并对得到的每一种关联关系对应的账户关联图的节点社区结构的可靠程度进行评估；基于不同账户关联图的节点社区结构的可靠程度、账户关联图中的账户群组的节点和账户的信息构建相应的二部图，对该二部图进行社区划分处理，得到目标业务中存在预设风险的目标账户群组。

公开(公告)号：CN116432048A

公开(公告)日：2023-07-14

申请号：CN202310350772.7

申请日：2023-03-28

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 欧建永 ,  刘智欣 ,  彭凤超 ,  赵文龙 ,  董迹海 ,  马博群 ,  宋博文

IPC: G06F18/22 ,  G06N3/04 ,  G06N3/08 ,  G06F11/22

Abstract: 本说明书公开了一种异常检测方法、装置、存储介质及电子设备。在本说明书提供的异常检测方法中，获取待检测数据；将所述待检测数据输入预先训练的检测模型，以通过所述检测模型中的提取子网提取所述待检测数据的原始特征；将所述原始特征输入所述检测模型的重构子网，以通过所述重构子网对所述原始特征进行处理操作，得到中间特征，并对所述中间特征进行还原操作，得到所述待检测数据的重构特征，其中，所述处理操作至少包括降维操作，所述还原操作至少包括升维操作；根据所述原始特征与所述重构特征，确定所述原始特征与所述重构特征之间的相似度；根据所述相似度，确定所述待检测数据是否异常。

公开(公告)号：CN115827918B

公开(公告)日：2023-05-05

申请号：CN202310111717.2

申请日：2023-02-13

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 潘登 ,  陈佩弦 ,  张梦娇 ,  彭凤超 ,  刘腾飞

IPC: G06F16/90

Abstract: 本说明书公开了一种执行业务的方法、装置、存储介质及电子设备，响应于用户的业务请求，确定输入目标模型的业务数据以及该目标模型输出的业务结果，在该业务数据的数据维度对应的维度空间中，根据预设的距离，确定封闭空间，并确定在该封闭空间表面上的历史业务数据，作为相关数据，根据该业务数据及该相关数据，确定该相关数据的各数据维度的梯度通量，针对每个数据维度，根据各相关数据对应的该数据维度的梯度通量，确定该数据维度在该业务数据中的重要性。通过各数据维度以及各数据维度的重要性，对该目标模型输出的业务结果进行解释，获取用户的信任，提高业务执行成功率。

公开(公告)号：CN115567371A

公开(公告)日：2023-01-03

申请号：CN202211460171.3

申请日：2022-11-16

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 赵闻飙 ,  彭凤超 ,  刘腾飞 ,  陆逊 ,  徐恪 ,  李琦

IPC: H04L41/0631 ,  H04L41/142

Abstract: 本说明书公开了一种异常检测方法、装置、设备及可读存储介质，基于每个第一检测模型输出的第一训练样本的第一异常概率，对第一训练样本排序，得到第一训练样本对应于该第一检测模型的次序，针对每个第一训练样本，将该第一训练样本对应于每个第一检测模型的次序进行融合，得到该第一训练样本的第二异常概率作为标签，并根据各第一训练样本及其标签，训练第二检测模型，以根据训练后的第二检测模型，确定待检测事件的异常概率。可见，采用对各第一训练样本对应于第一检测模型的次序进行融合，解决了不同检测模型预测的异常概率分布不同的问题，用融合得到第二异常概率训练第二检测模型，提高了线上异常检测的响应效率和隐私信息的安全性。