[发明专利]一种业务拓展渠道自动管理的方法和装置

说明书

本公开涉及一种业务拓展渠道自动管理的方法，其特征在于，包括获得业务拓展渠道在一个或多个阶段的样本数据；使用分类模型来确定所述业务拓展渠道在每个阶段的风险评分；基于一个或多个修正函数对所述业务拓展渠道在每个阶段的风险评分进行修正；对所述业务拓展渠道在该一个或多个阶段的经修正风险评分进行融合以获得所述业务拓展渠道的最终风险评分；以及基于所述最终风险评分来自动管理所述业务拓展渠道的运营。本公开还涉及相应的装置、设备和计算机可读介质。

技术领域

本公开涉及机器学习，尤其涉及风险识别。

背景技术

主动风险区别于被动风险之处在于风险由用户本人主动发起，而非被动受害，其通常具有较高隐蔽性，因而难以直接识别或感知。

例如，在一些场景中，为了拓展业务，将会向帮助拓展业务的各个渠道提供相应的奖励。然而，若其中的一些渠道为了不当地骗取奖励而进行虚假拓展或虚假交易，则将清退或处罚此类渠道。

传统的渠道管理一般依赖于人工或半人工运营，其成本较高且一定程度上依赖于人工经验。

因此，本领域需要改善的渠道风险自动管理技术。

发明内容

本公开的一示例性方面涉及一种业务拓展渠道自动管理的方法，包括获得业务拓展渠道在一个或多个阶段的样本数据；从所述样本数据提取渠道风险相关特征；使用分类模型基于所述渠道风险相关特征来确定所述业务拓展渠道在每个阶段的风险评分；基于一个或多个修正函数对所述业务拓展渠道在每个阶段的风险评分进行修正；对所述业务拓展渠道在该一个或多个阶段的经修正风险评分进行融合以获得所述业务拓展渠道的最终风险评分；以及基于所述最终风险评分来自动管理所述业务拓展渠道的运营。

根据一示例性而非限定性实施例，该一个或多个阶段包括历史阶段以及一个或多个近期阶段。

根据一示例性而非限定性实施例，该一个或多个修正函数包括容忍修正函数、时间衰减修正函数、风险反馈修正函数、对抗性修正函数中的一者或多者。

根据一示例性而非限定性实施例，该方法还包括对所述一个或多个修正函数的参数进行整体寻优。

根据一示例性而非限定性实施例，该方法还包括基于渠道黑样本训练所述分类模型。

根据进一步的示例性而非限定性实施例，基于渠道黑样本训练所述分类模型可包括对所述渠道黑样本进行扩充和纠偏；以及基于经扩充和纠偏的渠道黑样本，训练分类模型。

根据另一示例性而非限定性实施例，对所述渠道黑样本进行扩充和纠偏包括使用无监督学习进行异常识别以获得高异常样本；以及使用所述高异常样本来扩充所述渠道黑样本。

根据又一示例性而非限定性实施例，对所述渠道黑样本进行扩充和纠偏包括使用半监督学习基于标签传播来发现与所述渠道黑样本关系紧密的候选渠道样本；确定所述候选渠道样本是否属于高风险样本；以及若是，则使用属于高风险样本的所述候选渠道样本来扩充所述渠道黑样本。

根据再一示例性而非限定性实施例，使用半监督学习基于标签传播来发现与所述渠道黑样本关系紧密的候选渠道样本包括构建以一个或多个渠道为节点、渠道与渠道之间的关系为边的有向图；从与所述渠道黑样本对应的节点出发，关联与所述渠道黑样本关系紧密的候选节点；以及将与所述候选节点对应的渠道作为所述候选渠道样本。

根据另一示例性而非限定性实施例，确定所述候选渠道样本是否属于高风险样本包括计算所述候选渠道样本的黑浓度，所述黑浓度包括所述候选渠道的虚假商户或虚假交易的比例。

根据另一示例性而非限定性实施例，该方法进一步包括将所发现的与特定渠道黑样本关系紧密、且属于高风险样本的候选渠道样本确定为与所述特定渠道黑样本属于同一黑团伙。