商户风险巡检方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111523832A(43)申请公布日2020.08.11(21)申请号202010632364.7(22)申请日2020.07.03(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人高睿哲李超汲小溪(74)专利代理机构北京众达德权知识产权代理有限公司11570代理人张桂蓉(51)Int.Cl.G06Q10/06(2012.01)G06Q30/00(2012.01)G06Q30/02(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书9页附图3页(54)发明名称商户风险巡检方法、装置、电子设备及存储介质(57)摘要本说明书实施例公开一种商户风险巡检方法、装置、电子设备及存储介质，获取线上商户的多模态风险数据；针对多模态风险数据中每组模态风险数据，根据该组模态风险数据的时序信息对该组模态风险数据进行双向匹配融合，得到该组模态风险数据对应的第一双向匹配融合序列和第二双向匹配融合序列；将多模态风险数据对应得到的第一双向匹配融合序列和第二双向匹配融合序列进行聚合，得到风险特征向量；根据风险特征向量预测线上商户是否存在非法平台风险。CN111523832ACN111523832A权利要求书1/3页1.一种商户风险巡检方法，包括：获取线上商户的多模态风险数据；针对所述多模态风险数据中每组模态风险数据，根据该组模态风险数据的时序信息对该组模态风险数据进行双向匹配融合，得到该组模态风险数据对应的第一双向匹配融合序列和第二双向匹配融合序列；将所述多模态风险数据对应得到的第一双向匹配融合序列和第二双向匹配融合序列进行聚合，得到风险特征向量；根据所述风险特征向量预测所述线上商户是否存在非法平台风险。2.如权利要求1所述的方法，所述获取线上商户的多模态风险数据，包括：获取针对所述线上商户的如下一种以上序列化风险数据：所述线上商户的商户网页内容、商户交易数据以及对所述线上商户的投诉信息；其中，所述商户网页内容、所述商户交易数据以及对所述线上商户的投诉信息中每种序列化风险数据的数据模态包含音频模态、文本模态以及视频模态中的一种或者多种。3.如权利要求1所述的方法，每组模态风险数据包含第一模态风险数据和第二模态风险数据；所述根据该组模态风险数据的时序信息对该组模态风险数据进行双向匹配融合，得到该组模态风险数据对应的第一双向匹配融合序列和第二双向匹配融合序列，包括：针对所述第一模态风险数据中每维单元风险数据进行向量表征，得到所述第一模态风险数据对应的第一表征序列；针对所述第二模态风险数据中每维单元风险数据进行向量表征，得到所述第二模态风险数据对应的第二表征序列；将所述第一表征序列和所述第二表征序列分别输入到对应的时序信息提取模型，得到所述第一表征序列对应的第一双向上下文序列和所述第二表征序列对应的第二双向上下文序列；将所述第一双向上下文序列与所述第二双向上下文序列进行信息交互，生成所述第一双向上下文序列对应的第一双向匹配融合序列，以及所述第二双向上下文序列对应的第二双向匹配融合序列。4.如权利要求3所述的方法，所述将所述第一双向上下文序列与所述第二双向上下文序列进行信息交互，生成所述第一双向上下文序列对应的第一双向匹配融合序列，以及所述第二双向上下文序列对应的第二双向匹配融合序列，包括：针对所述第一双向上下文序列中每i时间步的上下文向量，将所述第i时间步的上下文向量融合到所述第二双向上下文序列中，得到所述第i时间步对应的匹配融合向量表征，i依次取1至M，M为所述第一双向上下文序列的序列长度；根据所述第一双向上下文序列中第1至M时间步对应得到的M个匹配融合向量表征，形成所述第一双向匹配融合序列；针对所述第二双向上下文序列中第j时间步的上下文向量，将所述第j时间步的上下文向量融合到所述第一双向上下文序列中，得到所述第j时间步对应的匹配融合向量表征，j依次取1至N，N为所述第二双向上下文序列的序列长度；根据所述第二双向上下文序列中第1至N时间步对应得到的N个匹配融合向量表征，形成所述第二双向匹配融合序列。2CN111523832A权利要求书2/3页5.如权利要求1所述的方法，所述将所述多模态风险数据对应得到的第一双向匹配融合序列和第二双向匹配融合序列进行聚合，得到风险特征向量，包括：针对所述多模态风险数据中第k组模态风险数据，提取所述第k组模态风险数据对应得到的第一双向匹配融合序列中末时间步的匹配融合向量表征、以及所述第k组模态风险数据对应得到的第二双向匹配融合序列中末时间步的匹配融合向量表征，k取1至G，G为所述多模态风险数据的组数；将第1至G组模态风险数据