【技术实现步骤摘要】
本申请涉及金融科技，具体而言，涉及一种异常支付识别方法、装置、计算机设备及存储介质。
技术介绍
1、随着扫码支付交易业务的扩大，黑产在扫码支付交易体系内也越来越活跃，尤其是社交欺诈产业对扫码支付的影响。如果不加以控制，会影响用户对扫码支付的信心。
2、目前，针对扫码支付交易的识别，主要是通过树模型等简单的机器学习模型学习扫码支付交易的支付方和收款方的相关信息，从而通过学习后的机器学习模型来预测扫码支付交易是否存在可疑、欺诈性。
3、但是，上述方法针对扫码支付交易的识别的准确度低。
技术实现思路
1、本申请的主要目的在于提供一种异常支付识别方法、装置、计算机设备及存储介质，可快速识别扫码支付交易的欺诈程度，提升了扫码支付交易欺诈识别的准确度，降低了平台、用户的被骗风险和损失。
2、为了实现上述目的，第一方面，本申请提供了一种异常支付识别方法，应用于服务端，包括：
3、获取目标扫码支付交易；
4、对目标扫码支付交易进行字符识别，得到目标扫码支付交易对应的第一文本信息；
5、若第一文本信息不是预设的文本信息，将第一文本信息映射为第一向量序列；
6、将第一向量序列输入目标神经网络模型，输出分值，其中，分值用于表征目标扫码支付交易的欺诈程度。
7、在一实施例方式中，若第一文本信息不是预设的文本信息，将第一文本信息映射为第一向量序列，包括：
8、若第一文本信息不是预设的文本信息，获取第一
9、对第一关键词列表中的关键词进行向量化处理，得到第一文本信息对应的第一向量序列。
10、在一实施例方式中，获取第一文本信息对应的第一关键词列表，包括：
11、对第一文本信息中的文本进行分词处理，得到第一关键词；
12、将第一关键词中的预设的词汇进行剔除，得到第二关键词；
13、由第二关键词构成第一文本信息对应的第一关键词列表。
14、在一实施例方式中，目标神经网络模型包括网络结构层和全连接神经网络层；
15、将第一向量序列输入目标神经网络模型，输出分值，包括：
16、通过网络结构层对第一向量序列进行特征挖掘、合并，得到特征向量；
17、通过全连接神经网络层对特征向量进行映射，输出分值。
18、在一实施例方式中，方法还包括：
19、获取训练样本和第一神经网络模型；
20、基于训练样本和第一神经网络模型，确定目标神经网络模型。
21、在一实施例方式中，训练样本包括第一扫码支付交易和第二扫码支付交易，第一扫码支付交易用于表征不包含欺诈信息的扫码支付交易，第二扫码支付交易用于表征包含欺诈信息的扫码支付交易；
22、基于训练样本和第一神经网络模型，确定目标神经网络模型，包括：
23、分别对第一扫码支付交易和第二扫码支付交易进行字符识别，分别得到第一扫码支付交易对应的第二文本信息和第二扫码支付交易对应的第三文本信息；
24、若第二文本信息和第三文本信息中包含预设的文本信息，剔除预设的文本信息，得到第四文本信息；
25、获取第四文本信息对应的第二向量序列；
26、基于第二向量序列和第一神经网络模型，确定目标神经网络模型。
27、在一实施例方式中，获取第四文本信息对应的第二向量序列，包括：
28、对第四文本信息中的文本进行分词处理，得到第三关键词；
29、将第三关键词中的预设的词汇进行剔除，得到第四关键词；
30、由第四关键词构成第四文本信息对应的第二关键词列表；
31、对第二关键词列表中的关键词进行向量化处理，得到第四文本信息对应的第二向量序列。
32、在一实施例方式中，基于第二向量序列和第一神经网络模型，确定目标神经网络模型，包括：
33、利用第二向量序列对第一神经网络模型进行训练，得到第二神经网络模型；
34、对第二神经网络模型进行评估，若第二神经网络模型满足预设条件，将第二神经网络模型作为目标神经网络模型；
35、若第二神经网络模型不满足预设条件，对第二神经网络模型进行训练，直至第二神经网络模型满足预设条件，获取目标神经网络模型。
36、在一实施例方式中，方法还包括：
37、若分值大于预设分值，对目标扫码支付交易进行拦截，
38、和/或，
39、生成提示信息，其中，提示信息用于提示用户中止目标扫码支付交易。
40、第二方面，本申请实施例提供了一种异常支付识别方法，应用于客户端，包括：
41、响应于针对扫码控件执行的触发操作，生成目标扫码支付交易；
42、将目标扫码支付交易发送至服务端，以使服务端对目标扫码支付交易进行字符识别，得到目标扫码支付交易对应的第一文本信息，若第一文本信息不是预设的文本信息，将第一文本信息映射为第一向量序列，将第一向量序列输入目标神经网络模型，输出分值，其中，分值用于表征目标扫码支付交易的欺诈程度；
43、接收并显示服务端基于分值反馈的提示信息，其中，提示信息用于提示用户中止目标扫码支付交易。
44、第三方面，本申请实施例提供了一种异常支付识别装置，包括：
45、获取模块，用于获取目标扫码支付交易；
46、识别模块，用于对目标扫码支付交易进行字符识别，得到目标扫码支付交易对应的第一文本信息；
47、向量序列生成模块，用于若第一文本信息不是预设的文本信息，将第一文本信息映射为第一向量序列；
48、异常支付识别模块，用于将第一向量序列输入目标神经网络模型，输出分值，其中，分值用于表征目标扫码支付交易的欺诈程度。
49、第四方面，本申请实施例提供了一种异常支付识别装置，包括：
50、交易生成模块，用于响应于针对扫码控件执行的触发操作，生成目标扫码支付交易；
51、分值预测模块，用于将目标扫码支付交易发送至服务端，以使服务端对目标扫码支付交易进行字符识别，得到目标扫码支付交易对应的第一文本信息，若第一文本信息不是预设的文本信息，将第一文本信息映射为第一向量序列，将第一向量序列输入目标神经网络模型，输出分值，其中，分值用于表征目标扫码支付交易的欺诈程度；
52、提示模块，用于接收并显示服务端基于分值反馈的提示信息，其中，提示信息用于提示用户中止目标扫码支付交易。
53、第五方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一方法的步骤。
54、第六方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上任本文档来自技高网...
【技术保护点】
1.一种异常支付识别方法，其特征在于，包括：
2.如权利要求1所述异常支付识别方法，其特征在于，所述若所述第一文本信息不是预设的文本信息，将所述第一文本信息映射为第一向量序列，包括：
3.如权利要求2所述异常支付识别方法，其特征在于，所述获取所述第一文本信息对应的第一关键词列表，包括：
4.如权利要求1所述异常支付识别方法，其特征在于，所述目标神经网络模型包括网络结构层和全连接神经网络层；
5.如权利要求1所述异常支付识别方法，其特征在于，所述方法还包括：
6.如权利要求5所述异常支付识别方法，其特征在于，所述训练样本包括第一扫码支付交易和第二扫码支付交易，所述第一扫码支付交易用于表征不包含欺诈信息的扫码支付交易，所述第二扫码支付交易用于表征包含欺诈信息的扫码支付交易；
7.如权利要求6所述异常支付识别方法，其特征在于，所述获取所述第四文本信息对应的第二向量序列，包括：
8.如权利要求6所述异常支付识别方法，其特征在于，所述基于所述第二向量序列和所述第一神经网络模型，确定所述目标神经网络模型，包括
9.如权利要求1所述异常支付识别方法，其特征在于，所述方法还包括：
10.一种异常支付识别方法，其特征在于，包括：
11.一种异常支付识别装置，其特征在于，包括：
12.一种异常支付识别装置，其特征在于，包括：
13.一种计算机设备，其特征在于，包括存储器，以及与所述存储器通信连接的一个或多个处理器；
14.一种计算机可读存储介质，其特征在于，包括程序或指令，当所述程序或指令在计算机上运行时，实现权利要求1至9或10中任一项所述异常支付识别方法。
15.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时，实现权利要求1至9或10中任一项所述异常支付识别方法。
...【技术特征摘要】
1.一种异常支付识别方法，其特征在于，包括：
2.如权利要求1所述异常支付识别方法，其特征在于，所述若所述第一文本信息不是预设的文本信息，将所述第一文本信息映射为第一向量序列，包括：
3.如权利要求2所述异常支付识别方法，其特征在于，所述获取所述第一文本信息对应的第一关键词列表，包括：
4.如权利要求1所述异常支付识别方法，其特征在于，所述目标神经网络模型包括网络结构层和全连接神经网络层；
5.如权利要求1所述异常支付识别方法，其特征在于，所述方法还包括：
6.如权利要求5所述异常支付识别方法，其特征在于，所述训练样本包括第一扫码支付交易和第二扫码支付交易，所述第一扫码支付交易用于表征不包含欺诈信息的扫码支付交易，所述第二扫码支付交易用于表征包含欺诈信息的扫码支付交易；
7.如权利要求6所述异常支付识别方法，其特征在于，所述获取所述第四文本信息对应的第二向...
【专利技术属性】
技术研发人员：黄自豪，
申请(专利权)人：腾讯科技深圳有限公司，
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。