一种风险的识别方法、装置及设备与流程

本说明书涉及计算机技术领域，尤其涉及一种风险的识别方法、装置及设备。

背景技术：

随着互联网技术的飞速发展，网络交易这种全新的交易模式已经被越来越多的人所接受，并且逐渐成为人们消费的重要渠道，改变着人们的生活。然而，伴随着网络交易数量的激增，各种安全问题也层出不穷，直接影响到网络交易快速稳定发展的步伐。为了改变这一状况，各种安全策略应运而生，相互配合为网络交易保驾护航。在网络交易的安全策略中的一个重要环节就是风险识别，而对于商户风险识别是风险识别的一个重要方式。

通常，商户风险识别通过建立相应的风险识别模型实现，例如，采用特征选择，建立有监督学习的风险识别模型，其中，对于用户与商户之间的交易关系的特征，采用统计方式提取。而且，商户风险识别模型主要利用图变量作为有监督学习模型的特征输入，其建模思路沿袭了人工神经网络的建模思路，在不区分黑白样本前提下先进行关联图计算，然后，再对黑白样本进行打标处理，以样本浓度或者业务指标量大小作为图变量，而上述处理方式会造成大量图存储和计算开销，并且在非黑样本关联图结构的存储和计算中，浪费了大量资源开销。因此，需要提供一种可以节省资源开销的风险识别方案。

技术实现要素：

本说明书实施例的目的是提供一种风险的识别方法、装置及设备，以提供一种可以节省资源开销的风险识别方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种风险的识别方法，所述方法包括：

从预定的交易数据库中获取用户与商户之间的交易关系信息，并从所述商户中获取存在预定业务风险的风险商户；

根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户；

根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性；

根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度。

可选地，所述根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性，包括：

根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息；

根据所述筛选后的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性。

可选地，所述风险特征包括多个，

所述根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息，包括：

根据每个所述风险特征，分别对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的交易关系信息。

可选地，所述根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户，包括：

根据所述交易关系信息，基于所述风险商户进行一度关联处理，得到相应的第一用户；

根据所述交易关系信息，基于所述第一用户进行一度关联处理，得到相应的第一商户。

可选地，所述根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性，包括：

根据所述第一用户和所述第一商户之间的交易关系信息，使用预定的链路预测算法计算所述第一商户中的风险商户与非风险商户之间的相似性。

可选地，所述链路预测算法包括协同过滤算法和/或swing算法。

可选地，所述根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度，包括：

根据所述第一商户中的风险商户与非风险商户之间的相似性，对所述非风险商户与所述风险商户之间的相似性进行打分，得到所述非风险商户对应的风险分值；

根据所述非风险商户对应的风险分值，确定所述非风险商户的风险程度。

可选地，所述预定业务风险包括具象风险。

可选地，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供的一种风险的识别方法，所述方法包括：

从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从所述第二对象集合中获取存在预定业务风险的风险对象，所述第一对象集合与所述第二对象集合属于互不相交的对象集合；

根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，所述第三对象集合与所述第一对象集合中的对象属于相同类型，所述第四对象集合与所述第二对象集合中的对象属于相同类型；

根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性；

根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度。

可选地，所述根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性，包括：

根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息；

根据所述筛选后的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性。

可选地，所述风险特征包括多个，

所述根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息，包括：

根据每个所述风险特征，分别对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的关联关系信息。

可选地，所述根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，包括：

根据所述关联关系信息，基于所述风险对象进行一度关联处理，得到相应的第三对象集合；

根据所述关联关系信息，基于所述第三对象集合中的对象进行一度关联处理，得到相应的第四对象集合。

可选地，所述根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性，包括：

根据所述第三对象集合和所述第四对象集合之间的关联关系信息，使用预定的链路预测算法计算所述第四对象集合中的风险对象与非风险对象之间的相似性。

可选地，所述链路预测算法包括协同过滤算法和/或swing算法。

可选地，所述根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度，包括：

根据所述第四对象集合中的风险对象与非风险对象之间的相似性，对所述非风险对象与所述风险对象之间的相似性进行打分，得到所述非风险对象对应的风险分值；

根据所述非风险对象对应的风险分值，确定所述非风险对象的风险程度。

可选地，所述预定业务风险包括具象风险。

可选地，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供的一种风险的识别装置，所述装置包括：

信息获取模块，用于从预定的交易数据库中获取用户与商户之间的交易关系信息，并从所述商户中获取存在预定业务风险的风险商户；

关联处理模块，用于根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户；

相似性确定模块，用于根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性；

风险识别模块，用于根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度。

可选地，所述相似性确定模块，包括：

筛选单元，用于根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息；

相似性确定单元，用于根据所述筛选后的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性。

可选地，所述风险特征包括多个，

所述筛选单元，用于根据每个所述风险特征，分别对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的交易关系信息。

可选地，所述关联处理模块，包括：

第一关联处理单元，用于根据所述交易关系信息，基于所述风险商户进行一度关联处理，得到相应的第一用户；

第二关联处理单元，用于根据所述交易关系信息，基于所述第一用户进行一度关联处理，得到相应的第一商户。

可选地，所述相似性确定模块，用于根据所述第一用户和所述第一商户之间的交易关系信息，使用预定的链路预测算法计算所述第一商户中的风险商户与非风险商户之间的相似性。

可选地，所述链路预测算法包括协同过滤算法和/或swing算法。

可选地，所述风险识别模块，包括：

打分单元，用于根据所述第一商户中的风险商户与非风险商户之间的相似性，对所述非风险商户与所述风险商户之间的相似性进行打分，得到所述非风险商户对应的风险分值；

风险识别单元，用于根据所述非风险商户对应的风险分值，确定所述非风险商户的风险程度。

可选地，所述预定业务风险包括具象风险。

可选地，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供的一种风险的识别装置，所述装置包括：

信息获取模块，用于从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从所述第二对象集合中获取存在预定业务风险的风险对象，所述第一对象集合与所述第二对象集合属于互不相交的对象集合；

处理模块，用于根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，所述第三对象集合与所述第一对象集合中的对象属于相同类型，所述第四对象集合与所述第二对象集合中的对象属于相同类型；

相似性确定模块，用于根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性；

风险确定模块，用于根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度。

可选地，所述相似性确定模块，包括：

筛选单元，用于根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息；

相似性确定单元，用于根据所述筛选后的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性。

可选地，所述风险特征包括多个，

所述筛选单元，用于根据每个所述风险特征，分别对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的关联关系信息。

可选地，所述处理模块，包括：

第一处理单元，用于根据所述关联关系信息，基于所述风险对象进行一度关联处理，得到相应的第三对象集合；

第二处理单元，用于根据所述关联关系信息，基于所述第三对象集合中的对象进行一度关联处理，得到相应的第四对象集合。

可选地，所述相似性确定模块，用于根据所述第三对象集合和所述第四对象集合之间的关联关系信息，使用预定的链路预测算法计算所述第四对象集合中的风险对象与非风险对象之间的相似性。

可选地，所述链路预测算法包括协同过滤算法和/或swing算法。

可选地，所述风险确定模块，包括：

打分单元，用于根据所述第四对象集合中的风险对象与非风险对象之间的相似性，对所述非风险对象与所述风险对象之间的相似性进行打分，得到所述非风险对象对应的风险分值；

风险确定单元，用于根据所述非风险对象对应的风险分值，确定所述非风险对象的风险程度。

可选地，所述预定业务风险包括具象风险。

可选地，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供的一种风险的识别设备，所述风险的识别设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

从预定的交易数据库中获取用户与商户之间的交易关系信息，并从所述商户中获取存在预定业务风险的风险商户；

根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户；

根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性；

根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度。

本说明书实施例提供的一种风险的识别设备，所述风险的识别设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从所述第二对象集合中获取存在预定业务风险的风险对象，所述第一对象集合与所述第二对象集合属于互不相交的对象集合；

根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，所述第三对象集合与所述第一对象集合中的对象属于相同类型，所述第四对象集合与所述第二对象集合中的对象属于相同类型；

根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性；

根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户，根据该交易关系信息，基于该风险商户进行二度关联处理，得到相应的第一用户和第一商户，然后，根据第一用户和第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性，进而根据第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，这样，由于采用用户和商户之间的交易关系信息，作为商户风险识别的输入，充分利用了交易关系信息，而且，采用某一种存在预定业务风险的风险商户，将规模庞大的交易关系信息简化为包含风险商户和潜在风险商户的相关信息，极大降低了交易关系信息的存储和计算开销，专注具有较高风险商户的子集，另外，结合第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，可以进一步提高识别风险商户的精度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一种风险的识别方法实施例；

图2为本说明书一种关联图的示意图；

图3为本说明书另一种风险的识别方法实施例；

图4为本说明书一种风险的识别处理逻辑的示意图；

图5为本说明书又一种风险的识别方法实施例；

图6为本说明书又一种风险的识别方法实施例；

图7为本说明书一种风险的识别装置实施例；

图8为本说明书一种风险的识别装置实施例；

图9为本说明书一种风险的识别设备实施例；

图10为本说明书一种风险的识别设备实施例。

具体实施方式

本说明书实施例提供一种风险的识别方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种风险的识别方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某网站(如网络购物网站或购物应用等)的后台服务器，还可以是某项业务(如支付业务等)的服务器等。该方法可以用于对交易关系信息中的商户或关联关系信息中的某一类对象进行风险识别的处理中。为了提高风险识别的处理效率，本实施例的执行主体可以以服务器为例进行说明，对于执行主体为终端设备的情况，可以参见下述服务器情况的相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤s102中，从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户。

其中，交易数据库可以是针对某购物网站中的商户与用户，用于存储该用户与该商户之间进行交易的相关数据的数据库，或者，也可以是针对多个不同的交易平台，存储用户与商户之间进行交易的相关数据的数据库，其中的商户可以是购物网站或交易平台中的部分商户(例如可以是预先指定的商户等)，也可以是购物网站或交易平台中的所有商户，其中的用户可以是购物网站或交易平台中的部分用户，也可以是购物网站或交易平台中的所有用户。交易关系信息可以是用户与商户之间进行某项交易的相关信息，具体可以包括交易时间、交易渠道和交易金额等。预定业务风险可以是某业务中预先设定的某种类型的风险，具体可以根据实际情况设定，具体如，预定业务风险可以是赌博类具象风险或刷单类具象风险等。风险商户可以是具有某一种业务风险的商户，例如具有赌博类具象风险的赌博商户等。

在实施中，随着互联网技术的飞速发展，网络交易这种全新的交易模式已经被越来越多的人所接受，并且逐渐成为人们消费的重要渠道，改变着人们的生活。因此，网络的价值早已不再局限于设计之初的两大功能，即即时通信和资源共享，而是渗透到人们生活中的方方面面。然而，伴随着网络交易数量的激增，各种安全问题也层出不穷，直接影响到网络交易快速稳定发展的步伐。为了改变这一状况，各种安全策略应运而生，相互配合为网络交易保驾护航。在网络交易的安全策略中的一个重要环节就是风险识别，而对于商户风险识别是风险识别的一个重要方式。

通常，商户风险识别通过建立相应的风险识别模型实现，例如，采用特征选择，建立有监督学习的风险识别模型，其中，对于用户与商户之间的交易关系的特征，采用统计方式提取。而且，商户风险识别模型主要利用图变量作为有监督学习模型的特征输入，其建模思路沿袭了人工神经网络的建模思路，在不区分黑白样本前提下先进行图计算，如连通图和社团挖掘算法等，然后，再对黑白样本进行打标处理，以样本浓度或者业务指标量大小作为图变量，而上述处理方式会造成大量图存储和计算开销，并且在非黑样本关联图结构的存储和计算中，浪费了大量资源开销。为此，本说明书实施例提供一种可以节省资源开销的风险识别方案，具体可以包括以下内容：

在实际应用中，商户风险识别可以包括多种，例如商户具象风险识别等。本说明书实施例中以商户具象风险识别为例进行详细说明，对于其它类型的商户风险识别的情况可以参见下述商户具象风险识别的相关内容，在此不再赘述。商户具象风险识别是人为定义的商户在经营交易中存在的违规违禁类风险的识别，其主要风险类型有赌博类、套现类和刷单类等，上述类型的风险主要在交易中体现。商户具象风险能否及时识别将影响到商户业务的整体运营。在交易数据库中，可以包括多个商户的相关信息，其中部分商户可以设置有标签，该标签可以用于表征该商户是否存在某业务风险。本说明书实施例中，可以根据实际情况，从交易数据库中包含的商户中确定存在预定业务风险的部分商户(可以是一个或多个商户)，并可以为该部分商户设置相应的标签。

可以从交易数据库中获取其中包含的商户的相关信息对应的商户，以及用户的相关信息对应的用户，并可以获取用户与商户之间进行的交易的相关信息。可以基于上述交易的相关信息，确定用户与商户之间的交易关系信息。为了使得用户与商户之间的交易关系更加形象直观，可以通过二部图的方式构建用户与商户之间的交易关系，具体地，二部图又可以称为二分图(bipatitegraph)，即节点可以区分为两个互不相交的子集，且通过每条边相关联的两个节点都分别在上述两个子集中。在交易体系的交易图中，当不考虑单个账户具有双重身份(既是商户也是用户)时，用户和商户之间的交易关系可以表现为二部图形式。如图2所示，用户a1、a2、a3…和商户b1、b2、b3…分别位于两个互不相交的子集(即不存在交集的两个子集)中，其中的每一条连线表示用户与商户之间的一次交易，通过上述方式，可以得到用户与商户之间进行的交易关系二部图。

另外，还可以根据实际情况，确定本次的风险识别所针对的是哪一种业务风险，从而确定所针对的业务风险(即预定业务风险)，然后，可以从商户中获取包括预定业务风险标签的商户，并可以将获取的商户作为存在预定业务风险的风险商户。例如，预定业务风险为赌博类具象风险，则可以从交易数据库中获取包含赌博类具象风险标签的商户，并将其作为风险商户。

在步骤s104中，根据上述交易关系信息，基于上述风险商户进行二度关联处理，得到相应的第一用户和第一商户。

其中，二度关联处理可以是进行二度关联图的相关处理，其中的二度关联图可以是指从互不相交的两个子集中的某个子集的节点出发，通过连线(或连边)直接关联的节点，再通过新关联的节点一度关联处理构成的图，其中的一度关联处理可以是指从互不相交的两个子集中的某个子集的节点出发，通过连线(或连边)直接关联的节点和连线(或连边)构成的图。例如，如图2所示，从用户a1出发，通过连线可以连接到商户b3和b5，则用户a1、商户b3和b5，以及a1与b3之间的连线和a1与b5之间的连线即构成一度关联图，二度关联图可以是在上述一度关联图的基础上，分别从商户b3和b5出发，通过连线连接到相应的用户，则上述一度关联图，以及商户b3、b5及其对应的用户和相应的连线即构成二度关联图。

在实施中，由于交易数据库中用户与商户之间的交易关系信息过多，为了简化需要处理的信息，可以根据用户与商户之间的交易关系信息，从上述风险商户出发构建相应的二度关联图，从而得到构建二度关联图过程中确定的用户和商户，可以将确定的用户作为第一用户，将确定的商户作为第一商户。例如，以预定业务风险为赌博类具象风险为例，可以从风险商户出发，通过一度关联处理得到用户(可以将得到的用户标记为“赌徒”)，得到的用户即可以为第一用户，然后，在从得到的第一用户出发，通过一度关联处理得到相应的商户，得到的商户即可以为第一商户。这样，通过上述方式，将交易数据库对应的大量交易关系信息，通过风险商户进行简化，从而减少信息的存储、关联图的存储，节省计算资源。

在步骤s106中，根据上述第一用户和上述第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性。

其中，非风险商户可以是除了上述风险商户之外的商户，非风险商户可以是当前还未判定是否存在业务风险的商户，也即是非风险商户在实际中可以是存在预定业务风险的商户，也可以是不存在预定业务风险的商户。

在实施中，可以根据实际情况预先设定两个不同商户之间的相似性算法，具体如链路预测(linkprediction)算法等，其中，链路预测算法可以是指通过已知的节点以及关联图结构等信息，预测关联图中尚未产生连线(或连边)的两个节点之间产生链接的可能性的相关算法，链路预测算法既包含了对未知链接的预测，也包含了对未来链接(或可能存在的链接)的预测。基于二部图的链路预测可以是通过已知的二部图中的关联关系信息(或结构信息)预测相同子集内不同节点之间的相似性，基于二部图的链路预测可以看成将二部图中的关联关系信息嵌入到相同子集中不同节点之间的连线(或连边)上。链路预测算法可以包括多种，具体可以根据实际情况进行选择。

基于上述内容，可以从第一商户中获取存在预定业务风险的风险商户，第一商户中除了上述获取的风险商户外的商户即为非风险商户。然后，可以从获取的风险商户中任意选取一个风险商户，可以将该风险商户分别与每个非风险商户构成商户对。可以获取该商户对中风险商户对应的交易关系信息和非风险商户对应的交易关系信息，可以将上述交易关系信息输入到相似性算法中进行计算，得到该商户对中非风险商户与风险商户之间的相似性。该相似性具体可以通过数值的方式体现，相似性的数值越大，非风险商户与风险商户之间的相似性程度越高。

之后，可以从获取的风险商户中再选取另一个风险商户，可以将该风险商户分别与每个非风险商户构成商户对，通过相似性算法计算每个商户对中非风险商户与风险商户之间的相似性，重复上述处理过程，直到对第一商户中所有风险商户检测完成为止，这样可以得到每个非风险商户分别与风险商户之间的相似性，例如，第一商户中包括b11和b22两个风险商户，第一商户中还包括b1和b2两个非风险商户，则可以得到b1与b11之间的相似性，b1与b22之间的相似性，b2与b11之间的相似性和b2与b22之间的相似性。

在步骤s108中，根据上述第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度。

其中，风险程度可以根据实际情况设定，具体可以包括多种，例如，可以包括存在预定业务风险和不存在预定业务风险等。

在实施中，可以根据实际情况预先设定相似性阈值，当通过上述步骤s106的处理得到第一商户中的风险商户与非风险商户之间的相似性后，可以将得到的相似性的数值与相似性阈值进行比较，如果得到的相似性的数值大于相似性阈值，则表明非风险商户与风险商户相似或相近，此时，可以确定该非风险商户为存在预定业务风险的商户。如果得到的相似性的数值小于相似性阈值，则表明非风险商户与风险商户不相近，此时，可以确定该非风险商户为不存在预定业务风险的商户。

需要说明的是，对于同一个非风险商户，如果该非风险商户与多个不同的风险商户均具有相似性的数值，则可以在与相似性阈值进行比较之前，计算上述多个相似性数值的平均值，可以将得到的平均值作为该非风险商户对应的相似性的数值，然后，再将该平均值与相似性阈值进行比较，确定该非风险商户的风险程度。

本说明书实施例提供一种风险的识别方法，通过从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户，根据该交易关系信息，基于该风险商户进行二度关联处理，得到相应的第一用户和第一商户，然后，根据第一用户和第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性，进而根据第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，这样，由于采用用户和商户之间的交易关系信息，作为商户风险识别的输入，充分利用了交易关系信息，而且，采用某一种存在预定业务风险的风险商户，将规模庞大的交易关系信息简化为包含风险商户和潜在风险商户的相关信息，极大降低了交易关系信息的存储和计算开销，专注具有较高风险商户的子集，另外，结合第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，可以进一步提高识别风险商户的精度。

实施例二

如图3所示，本说明书实施例提供一种风险的识别方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某网站(如网络购物网站或购物应用等)的后台服务器，还可以是某项业务(如支付业务等)的服务器等。该方法可以用于对交易关系信息中的商户或关联关系信息中的某一类对象进行风险识别的处理中。为了提高风险识别的处理效率，本实施例的执行主体可以以服务器为例进行说明，对于执行主体为终端设备的情况，可以参见下述服务器情况的相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤s302中，从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户。

其中，预定业务风险可以包括具象风险，基于此，预定业务风险具体可以包括赌博类具象风险、套现类具象风险和刷单类具象风险。

在实施中，商户具象风险识别是人为定义的商户在经营交易中存在的违规违禁类风险的识别，其主要风险类型有赌博类、套现类和刷单类等，上述类型的风险主要在交易中体现。商户具象风险能否及时识别将影响到商户业务的整体运营。商户具象风险识别通常通过神经网络模型来实现，而神经网络模型的特征提取是基于单个商户的特征进行统计，这样会忽略掉用户与商户之间的交易关系特征，该特征会对神经网络模型具有一定的影响，从而使得最终得到的神经网络模型的准确性较低。另外，如上述实施例一中的相关内容，通过上述方式还会使得图模型存储和计算开销较大。此外，上述商户具象风险识别对应的模型，其特征与具象风险，以及相应的业务耦合程度过高，如果相应的业务中发生变化，则上述模型衰退会比较严重。为此，本说明书实施例只采用用户与商户之间的交易关系的二部图，作为商户具象风险识别的输入，并可以采用链路预测方法对商户是否存在具象风险进行识别，这样不仅可以充分利用用户与商户之间的交易关系信息，还可以简化图存储和计算开销，提高商户识别的精度。

对于上述步骤s302的具体处理过程可以参见上述实施例一中步骤s102的相关内容，在此不再赘述。

需要说明的是，预定业务风险不仅局限于上述具象风险，还可以包括其它风险，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤s304中，根据上述交易关系信息，基于上述风险商户进行一度关联处理，得到相应的第一用户。

在步骤s306中，根据上述交易关系信息，基于第一用户进行一度关联处理，得到相应的第一商户。

上述步骤s304和步骤s306的具体处理过程可以参见上述实施例一中步骤s104的相关内容，在此不再赘述。

需要说明的是，上述步骤s304和步骤s306的处理构成的关联图还可以称为灰二部图，其中，灰二部图可以是在二部图中，从某一个子集中黑样本对应的节点出发的二度关联图。另外，还可以包括黑二部图，其中，黑二部图可以是在二部图中，从某一个子集中黑样本对应的节点出发的一度关联图。

在步骤s308中，根据预定业务风险对应的风险特征，对第一用户和第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息。

其中，风险特征可以是业务风险所对应的特征，该特征可以是针对某业务风险的共性特征，也可以是针对某业务风险的特有特征等，风险特征可以包括一个或多个，例如预定业务风险为赌博类具象风险，则其对应的风险特征可以包括金额较大(即大额)、交易金额为整数(即整数)和反复购买(即复购)等，再例如，预定业务风险为刷单类具象风险，则其对应的风险特征可以包括金额较小(即小额)、交易频次较高(即高频)和复购等。

在实施中，为了进一步减少计算的数据量，并且考虑到不同的业务风险，会存在不同的风险特征，因此，可以通过风险特征对上述第一用户和第一商户之间的交易关系信息进行筛选，具体地，可以获取风险商户对应的预定业务风险，并可以确定该预定业务风险所具备的风险特征。然后，可以对第一用户和第一商户之间的交易关系信息中的每个交易进行分析，可以将其中不满足风险特征的交易的相关信息删除，例如，预定业务风险为赌博类具象风险，则可以从第一用户和第一商户之间的交易关系信息中删除不满足金额较大、交易金额为整数和复购等风险特征中的至少一个风险特征的交易的相关信息。通过上述删除处理可以完成对第一用户和第一商户之间的交易关系信息进行筛选处理，最终剩余的交易关系信息即为筛选后的交易关系信息。

此外，对于风险特征包括多个的情况，除了可以通过上述方式处理外，还可以通过多种处理方式，以下再提供一种可选的处理方式，具体可以包括以下内容：根据每个风险特征，分别对第一用户和第一商户之间的交易关系信息进行筛选处理，得到每个风险特征对应的筛选后的交易关系信息。

在实施中，如图4所示，以预定业务风险为赌博类具象风险为例，如果赌博类具象风险对应的风险特征包括大额、整数和复购，则可以对第一用户和第一商户之间的交易关系信息中的每个交易进行分析，可以将其中不满足“大额”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。同时，还可以对第一用户和第一商户之间的交易关系信息中的每个交易进行分析，将其中不满足“整数”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。另外，还可以对第一用户和第一商户之间的交易关系信息中的每个交易进行分析，将其中不满足“复购”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。通过上述处理可以得到三个部分的筛选后的交易关系信息，如图4中灰二部图1、灰二部图2和灰二部图3。然后，可以对每一个部分的筛选后的交易关系信息执行下述步骤s310的处理。

再以预定业务风险为刷单类具象风险为例，如果刷单类具象风险对应的风险特征包括小额、高频和复购，则可以对第一用户和第一商户之间的交易关系信息中的每个交易进行分析，可以将其中不满足“小额”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。同时，还可以将第一用户和第一商户之间的交易关系信息中不满足“高频”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。另外，还可以将第一用户和第一商户之间的交易关系信息中不满足“复购”这一风险特征的交易的相关信息删除，得到筛选后的交易关系信息。通过上述处理可以得到三个部分的筛选后的交易关系信息，然后，可以对每一个部分的筛选后的交易关系信息执行下述步骤s310的处理。

需要说明的是，对于风险特征包括多个的情况，上述根据每个风险特征，分别对第一用户和第一商户之间的交易关系信息进行筛选处理的过程，可以由服务器针对不同的风险特征进行并行处理，以提高处理效率。

在步骤s310中，根据筛选后的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性。

在实施中，针对上述得到多个部分的筛选后的交易关系信息的情况，可以根据每个部分的筛选后的交易关系信息，分别确定第一商户中的风险商户与非风险商户之间的相似性，例如，预定业务风险为刷单类具象风险，则可以根据“小额”这一风险特征对应的筛选后的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性。同时，还可以根据“高频”这一风险特征对应的筛选后的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性。另外，还可以根据“复购”这一风险特征对应的筛选后的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性等。其中，根据交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性的具体处理过程，可以参见上述实施例一中步骤s106的相关内容，在此不再赘述。

此外，根据交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性的具体处理过程除了可以通过上述步骤s106中的处理方式实现外，还可以通过多种处理方式实现，以下再提供一种可选的处理方式，具体可以包括以下内容：根据第一用户和第一商户之间的交易关系信息，使用预定的链路预测算法计算第一商户中的风险商户与非风险商户之间的相似性。

其中，链路预测算法可以包括协同过滤算法和/或swing算法。其中的协同过滤算法可以通过对用户交易历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并向用户推荐符合其偏好的商户，本实施例中的协同过滤算法可以只利用用户交易历史行为数据，挖掘不同商户之间的相似性。swing算法可以通过对一组用户交易历史行为数据的挖掘发现该组用户的偏好，基于不同的偏好对用户组推荐符合其偏好的商户，本实施例中的swing算法可以只利用用户组交易历史行为数据，挖掘不同商户之间的相似性。

在实施中，如果使用的链路预测算法为协同过滤算法，则可以根据第一用户和第一商户之间的交易关系信息，收集各个商户的相关信息，可以基于第一商户中包含的风险商户，进行最近邻搜索，查找到与该风险商户相似或相近的商户，然后，可以计算风险商户与查找到的商户之间的相似性。其中，如果查找到的商户包括多个，则可以分别计算该风险商户与每个查找到的商户之间的相似性，并且，在计算不同商户之间的相似性时，查找到的商户可以是非风险商户。例如，对于第一商户中的风险商户x和非风险商户y，可以根据第一用户和第一商户之间的交易关系信息(即第一用户和第一商户的灰二部图中的连线(或连边))，可以计算与风险商户x存在交易关系的所有用户，可以记为i(x)，同时，可以根据第一用户和第一商户之间的交易关系信息(即第一用户和第一商户的灰二部图中的连线(或连边))，可以计算与非风险商户y存在交易关系的所有用户，可以记为i(y)，通过协同过滤算法计算风险商户x和非风险商户y之间的相似性，即为：

s＝((i(x))∩(i(y)))/((i(x))∪(i(y)))(1)

其中，s表示不同商户之间的相似性，(i(x))∩(i(y))表示风险商户x和非风险商户y中包含的相同用户的数量，(i(x))∪(i(y))表示风险商户x和非风险商户y中包含的用户的数量。

如果使用的链路预测算法为swing算法，则对于若多个用户与风险商户x交易的同时，都只共同与另一个非风险商户y发生了交易，那么非风险商户y和风险商户x一定是强关联的。如果两个用户对之间构成的swing结构越多，则每个swing结构越弱，在该用户对上每个节点分到的权重越低。基于上述权重的设置和上述协同过滤算法中的相关内容，也可以得到风险商户x和非风险商户y之间的相似性。

此外，在实际应用中，除了可以分别通过上述协同过滤算法和swing算法，得到风险商户和非风险商户之间的相似性外，还可以通过链路预测森林算法，得到风险商户和非风险商户之间的相似性，其中，链路预测森林算法可以是指采用一系列二部图和一系列链路预测算法(或多个不同的链路预测算法)相互组合的方式预测相同子集内的不同节点之间的相似性的算法。通过链路预测森林算法，可以降低单一二部图和某链路预测算法组合所输出的结果的误差。具体地，如图4所示，基于第一用户和第一商户之间的交易关系构成的灰二部图(灰二部图1、灰二部图2或灰二部图3)，通过协同过滤算法计算风险商户和非风险商户之间的相似性，同时，通过swing算法计算风险商户和非风险商户之间的相似性，得到两个相似性的数值。对于包含3个风险特征的预定业务风险，可以得到3个灰二部图，即图4中的灰二部图1、灰二部图2和灰二部图3，分别通过协同过滤算法和swing算法计算风险商户和非风险商户之间的相似性时，可以得到6个相似性的数值。

需要说明的是，链路预测算法可以不仅仅包含协同过滤算法和swing算法，还可以包括其它算法，如果链路预测森林算法中除了协同过滤算法和swing算法外，还包括其它算法，则图4的相关处理可以是对灰二部图(灰二部图1、灰二部图2或灰二部图3)分别使用每一种算法计算风险商户和非风险商户之间的相似性，得到多个相似性的数值。

在步骤s312中，根据第一商户中的风险商户与非风险商户之间的相似性，对非风险商户与风险商户之间的相似性进行打分，得到非风险商户对应的风险分值。

在实施中，可以根据实际情况，将相似性的数值换分为多个不同的数值区间，不同的数值区间，可以设置相应的打分机制，该打分机制可以根据相似性的数值的大小进行打分等，具体可以根据实际情况设定，本说明书实施例对此不做限定。例如可以化为两个数值区间，可以分别用于表示低风险和高风险，对于低风险对应的相似性的数值，其打分的分值可以小于预定阈值，对于低风险对应的相似性的数值，其打分的分值可以大于预定阈值等。在实际应用中，为了使得整个处理过程更加简化，可以将第一商户中的风险商户与非风险商户之间的相似性的数值作为该非风险商户对应的风险分值等。通过上述打分机制，可以根据第一商户中的风险商户与非风险商户之间的相似性，得到非风险商户对应的风险分值。其中，如果非风险商户不存在对应的风险分值，则可以将该非风险商户的风险分值设置为0。

需要说明的是，如图4所示，如果通过链路预测森林算法计算得到第一商户中的风险商户与非风险商户之间的相似性，则可以得到多个相似性的数值(如6个相似性的数值)，可以针对每一个相似性的数值进行打分，得到相应的风险分值(如6个风险分值)。然后，可以计算多个风险分值的平均值(可以为算数平均值，也可以为几何平均值)，得到的平均值可以作为非风险商户对应的风险分值。

基于上述步骤s308～步骤s312的处理，采用链路预测算法，充分考虑不同具象风险特征，对灰二部图进行不同交易维度的提纯，作为不同链路预测算法的输入，提高关联图结构的信噪比。采用协同过滤算法和swing算法两种典型的链路预测算法，对不同交易维度提纯的灰二部图分别进行商户相似性预测，并利用已知风险商户对潜在风险商户进行打分并进行分值汇总输出，提高识别风险商户的精度。

在步骤s314中，根据非风险商户对应的风险分值，确定非风险商户的风险程度。

在实施中，可以根据实际情况，将风险分值换分为多个不同的分值区间，每个分值区间可以设置相应的风险程度，如高风险、无风险和可能存在风险等。当通过上述步骤s312的处理，确定非风险商户对应的风险分值后，可以根据该风险分值所处的分值区间，确定非风险商户的风险程度。

基于上述处理过程，本说明书实施例可以通过替换风险种子名单产生应对不同具象风险的灰二部图，采用不同交易风险特征对灰二部图进行扩展(或筛选)，应用相同的链路预测算法输出商户风险分值，具有针对不同具象风险识别的通用性。

本说明书实施例提供一种风险的识别方法，通过从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户，根据该交易关系信息，基于该风险商户进行二度关联处理，得到相应的第一用户和第一商户，然后，根据第一用户和第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性，进而根据第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，这样，由于采用用户和商户之间的交易关系信息，作为商户风险识别的输入，充分利用了交易关系信息，而且，采用某一种存在预定业务风险的风险商户，将规模庞大的交易关系信息简化为包含风险商户和潜在风险商户的相关信息，极大降低了交易关系信息的存储和计算开销，专注具有较高风险商户的子集，另外，结合第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，可以进一步提高识别风险商户的精度。

实施例三

如图5所示，本说明书实施例提供一种风险的识别方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某网站(如网络购物网站或购物应用等)的后台服务器，还可以是某项业务(如支付业务等)的服务器等。该方法可以用于对交易关系信息中的商户或关联关系信息中的某一类对象进行风险识别的处理中。为了提高风险识别的处理效率，本实施例的执行主体可以以服务器为例进行说明，对于执行主体为终端设备的情况，可以参见下述服务器情况的相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤s502中，从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与第二对象集合属于互不相交的对象集合。

其中，关系数据库可以是针对某种关联关系的数据库，例如好友关系的关系数据库、用户与商户之间的交易关系数据库等。关系数据库可以是针对某一平台中的两个不同的对象集合，用于存储该两个不同的对象集合之间的关联关系的数据库，或者，也可以是针对多个不同的平台，存储两个不同的对象集合之间的关联关系的数据库。关联关系信息可以是两个不同的对象集合之间通过某种关系相互关联的相关信息，例如用户a与用户b之间的好友关系、该好友关系建立的时间等，再例如，用户a与商户c之间的交易关系、交易时间、交易金额和交易渠道等。预定业务风险可以是某业务中预先设定的某种类型的风险，具体可以根据实际情况设定，具体如，预定业务风险可以是赌博类具象风险或刷单类具象风险等。风险对象可以是具有某一种业务风险的对象，例如具有赌博类具象风险的赌博对象等。其中的对象可以如用户、商户等，具体可以根据实际情况设定，本说明书实施例对此不做限定。互不相交的对象集合可以是指不存在交集的对象集合，如用户和商户等。

在实施中，对某对象是否存在某种业务风险的识别可以包括多种，例如对商户具象风险识别等。如果是对商户具象风险识别，则可以参见上述实施例一和实施例二中的相关内容，对于其它形式的风险识别，可以参考上述实施例一和实施例二中的相关处理，从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象。

在步骤s504中，根据上述关联关系信息，基于上述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，第三对象集合与第一对象集合中的对象属于相同类型，第四对象集合与第二对象集合中的对象属于相同类型。

其中，相同类型的对象可以是指具有相同属性等的对象，例如商户a与商户b都属于商户类型，两者可以属于相同类型等。

在实施中，由于关系数据库中第一对象集合与第二对象集合之间的关联关系信息过多，为了简化需要处理的信息，可以根据第一对象集合与第二对象集合之间的关联关系信息，从上述风险对象出发构建相应的二度关联图，从而得到构建二度关联图过程中确定的第三对象集合和第四对象集合。这样，通过上述方式，将关系数据库对应的大量关联关系信息，通过风险对象进行简化，从而减少信息的存储、关联图的存储，节省计算资源。

在步骤s506中，根据第三对象集合和第四对象集合之间的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性。

其中，非风险对象可以是除了上述风险对象之外的对象，非风险对象可以是当前还未判定是否存在业务风险的对象，也即是非风险对象在实际中可以是存在预定业务风险的对象，也可以是不存在预定业务风险的对象。

在实施中，可以根据实际情况预先设定第二对象集合中的两个不同对象之间的相似性算法，具体如链路预测(linkprediction)算法等，链路预测算法可以包括多种，具体可以根据实际情况进行选择。

基于上述内容，可以从第四对象集合中获取存在预定业务风险的风险对象，第四对象集合中除了上述获取的风险对象之外的对象即为非风险对象。然后，可以从获取的风险对象中任意选取一个风险对象，可以将该风险对象分别与每个非风险对象构成对象对。可以获取该对象对中风险对象对应的交易关系信息和非风险对象对应的关联关系信息，可以将上述关联关系信息输入到相似性算法中进行计算，得到非风险对象与风险对象之间的相似性。之后，可以从获取的风险对象中再选取另一个风险对象，可以通过相似性算法计算每个对象对中非风险对象与风险对象之间的相似性，重复上述处理过程，直到对第四对象集合中所有风险对象检测完成为止，这样可以得到每个非风险对象分别与风险对象之间的相似性。

在步骤s508中，根据第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度。

在实施中，可以根据实际情况预先设定相似性阈值，当通过上述步骤s506的处理得到第四对象集合中的风险对象与非风险对象之间的相似性后，可以将得到的相似性的数值与相似性阈值进行比较，如果得到的相似性的数值大于相似性阈值，则表明非风险对象与风险对象相似或相近，此时，可以确定该非风险对象为存在预定业务风险的对象。如果得到的相似性的数值小于相似性阈值，则表明非风险对象与风险对象不相近，此时，可以确定该非风险对象为不存在预定业务风险的对象。

需要说明的是，对于同一个非风险对象，如果该非风险对象与多个不同的风险对象均具有相似性的数值，则可以在与相似性阈值进行比较之前，计算上述多个相似性数值的平均值，可以将得到的平均值作为该非风险对象对应的相似性的数值，然后，再将该平均值与相似性阈值进行比较，确定该非风险对象的风险程度。

本说明书实施例提供一种风险的识别方法，通过从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与所述第二对象集合属于互不相交的对象集合，根据该关联关系信息，基于该风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，第三对象集合与第一对象集合中的对象属于相同类型，第四对象集合与第二对象集合中的对象属于相同类型，然后，根据第三对象集合和第四对象集合之间的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性，进而根据第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，这样，由于采用第一对象集合与第二对象集合之间的关联关系信息，作为对象风险识别的输入，充分利用了关联关系信息，而且，采用某一种存在预定业务风险的风险对象，将规模庞大的关联关系信息简化为包含风险对象和潜在风险对象的相关信息，极大降低了关联关系信息的存储和计算开销，专注具有较高风险对象的子集，另外，结合第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，可以进一步提高识别风险对象的精度。

实施例四

如图6所示，本说明书实施例提供一种风险的识别方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某网站(如网络购物网站或购物应用等)的后台服务器，还可以是某项业务(如支付业务等)的服务器等。该方法可以用于对交易关系信息中的商户或关联关系信息中的某一类对象进行风险识别的处理中。为了提高风险识别的处理效率，本实施例的执行主体可以以服务器为例进行说明，对于执行主体为终端设备的情况，可以参见下述服务器情况的相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤s602中，从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与第二对象集合属于互不相交的对象集合。

其中，预定业务风险可以包括具象风险，基于此，预定业务风险具体可以包括赌博类具象风险、套现类具象风险和刷单类具象风险。

在实施中，商户具象风险识别是人为定义的商户在经营交易中存在的违规违禁类风险的识别，其主要风险类型有赌博类、套现类和刷单类等，上述类型的风险主要在交易中体现。商户具象风险能否及时识别将影响到商户业务的整体运营。商户具象风险识别通常通过神经网络模型来实现，而神经网络模型的特征提取是基于单个商户的特征进行统计，这样会忽略掉用户与商户之间的交易关系特征，该特征会对神经网络模型具有一定的影响，从而使得最终得到的神经网络模型的准确性较低。另外，如上述实施例一中的相关内容，通过上述方式还会使得图模型存储和计算开销较大。此外，上述商户具象风险识别对应的模型，其特征与具象风险，以及相应的业务耦合程度过高，如果相应的业务中发生变化，则上述模型衰退会比较严重。为此，本说明书实施例只采用用户与商户之间的交易关系的二部图，作为商户具象风险识别的输入，并可以采用链路预测方法对商户是否存在具象风险进行识别，这样不仅可以充分利用用户与商户之间的交易关系信息，还可以简化图存储和计算开销，提高商户识别的精度。

对于上述步骤s602的具体处理过程可以参见上述实施例三中步骤s502的相关内容，在此不再赘述。

需要说明的是，预定业务风险不仅局限于上述具象风险，还可以包括其它风险，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤s604中，根据上述关联关系信息，基于上述风险对象进行一度关联处理，得到相应的第三对象集合。

在步骤s606中，根据上述关联关系信息，基于第三对象集合中的对象进行一度关联处理，得到相应的第四对象集合。

上述步骤s604和步骤s606的具体处理过程可以参见上述实施例三中步骤s504、上述实施例一和实施例二中的相关内容，在此不再赘述。

需要说明的是，上述步骤s604和步骤s606的处理构成的关联图还可以称为灰二部图。

在步骤s608中，根据预定业务风险对应的风险特征，对第三对象集合和第四对象集合中对象之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息。

在实施中，为了进一步减少计算的数据量，并且考虑到不同的业务风险，会存在不同的风险特征，因此，可以通过风险特征对上述第三对象集合和第四对象集合中对象之间的关联关系信息进行筛选，具体地，可以获取风险商户对应的预定业务风险，并可以确定该预定业务风险所具备的风险特征。然后，可以对第三对象集合和第四对象集合中对象之间的关联关系信息中的每项关联关系进行分析，可以将其中不满足风险特征的关联关系的相关信息删除。通过上述删除处理可以完成对第三对象集合和第四对象集合中对象之间的关联关系信息进行筛选处理，最终剩余的关联关系信息即为筛选后的关联关系信息。

此外，对于风险特征包括多个的情况，除了可以通过上述方式处理外，还可以通过多种处理方式，以下再提供一种可选的处理方式，具体可以包括以下内容：根据每个风险特征，分别对第三对象集合和第四对象集合中对象之间的关联关系信息进行筛选处理，得到每个风险特征对应的筛选后的关联关系信息。

上述具体处理过程，可以参见上述实施例二中的相关内容，在此不再赘述。

需要说明的是，对于风险特征包括多个的情况，上述根据每个风险特征，分别对第三对象集合和第四对象集合中对象之间的关联关系信息进行筛选处理的过程，可以由服务器针对不同的风险特征进行并行处理，以提高处理效率。

在步骤s610中，根据筛选后的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性。

在实施中，针对得到多个部分的筛选后的关联关系信息的情况，可以根据每个部分的筛选后的关联关系信息，分别确定第四对象集合中的风险对象与非风险对象之间的相似性。具体处理过程可以参见上述实施例一和实施例二，以及实施例三中的的相关内容，在此不再赘述。

此外，根据交易关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性的具体处理过程，除了可以通过上述步骤s506中的处理方式实现外，还可以通过多种处理方式实现，以下再提供一种可选的处理方式，具体可以包括以下内容：根据第三对象集合和第四对象集合之间的关联关系信息，使用预定的链路预测算法计算第四对象集合中的风险对象与非风险对象之间的相似性。

其中，链路预测算法可以包括协同过滤算法和/或swing算法。

上述处理的具体处理过程可以参见上述实施例一和实施例二中的相关内容，在此不再赘述。

需要说明的是，链路预测算法可以不仅仅包含协同过滤算法和swing算法，还可以包括其它算法，本说明书实施例对此不做限定。

在步骤s612中，根据第四对象集合中的风险对象与非风险对象之间的相似性，对非风险对象与风险对象之间的相似性进行打分，得到非风险对象对应的风险分值。

需要说明的是，如果通过链路预测森林算法计算得到第四对象集合中的风险对象与非风险对象之间的相似性，则可以得到多个相似性的数值，可以针对每一个相似性的数值进行打分，得到相应的风险分值。然后，可以计算多个风险分值的平均值(可以为算数平均值，也可以为几何平均值)，得到的平均值可以作为非风险对象对应的风险分值。

基于上述步骤s608～步骤s612的处理，采用链路预测算法，充分考虑不同风险特征，对灰二部图进行不同关联维度的提纯，作为不同链路预测算法的输入，提高关联图结构的信噪比。同时，采用协同过滤算法和swing算法两种典型的链路预测算法，对不同关联维度提纯的灰二部图分别进行对象相似性预测，并利用已知风险对象对潜在风险对象进行打分并进行分值汇总输出，提高识别风险对象的精度。

在步骤s614中，根据非风险对象对应的风险分值，确定非风险对象的风险程度。

基于上述处理过程，本说明书实施例可以通过替换风险种子名单产生应对不同风险的灰二部图，采用不同关联风险特征对灰二部图进行扩展(或筛选)，应用相同的链路预测算法输出对象风险分值，具有针对不同风险识别的通用性。

本说明书实施例提供一种风险的识别方法，通过从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与所述第二对象集合属于互不相交的对象集合，根据该关联关系信息，基于该风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，第三对象集合与第一对象集合中的对象属于相同类型，第四对象集合与第二对象集合中的对象属于相同类型，然后，根据第三对象集合和第四对象集合之间的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性，进而根据第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，这样，由于采用第一对象集合与第二对象集合之间的关联关系信息，作为对象风险识别的输入，充分利用了关联关系信息，而且，采用某一种存在预定业务风险的风险对象，将规模庞大的关联关系信息简化为包含风险对象和潜在风险对象的相关信息，极大降低了关联关系信息的存储和计算开销，专注具有较高风险对象的子集，另外，结合第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，可以进一步提高识别风险对象的精度。

实施例五

以上为本说明书实施例提供的风险的识别方法，基于同样的思路，本说明书实施例还提供一种风险的识别装置，如图7所示。

该风险的识别装置包括：信息获取模块701、关联处理模块702、相似性确定模块703和风险识别模块704，其中：

信息获取模块701，用于从预定的交易数据库中获取用户与商户之间的交易关系信息，并从所述商户中获取存在预定业务风险的风险商户；

关联处理模块702，用于根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户；

相似性确定模块703，用于根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性；

风险识别模块704，用于根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度。

本说明书实施例中，所述相似性确定模块703，包括：

筛选单元，用于根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息；

相似性确定单元，用于根据所述筛选后的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性。

本说明书实施例中，所述风险特征包括多个，

所述筛选单元，用于根据每个所述风险特征，分别对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的交易关系信息。

本说明书实施例中，所述关联处理模块702，包括：

第一关联处理单元，用于根据所述交易关系信息，基于所述风险商户进行一度关联处理，得到相应的第一用户；

第二关联处理单元，用于根据所述交易关系信息，基于所述第一用户进行一度关联处理，得到相应的第一商户。

本说明书实施例中，所述相似性确定模块703，用于根据所述第一用户和所述第一商户之间的交易关系信息，使用预定的链路预测算法计算所述第一商户中的风险商户与非风险商户之间的相似性。

本说明书实施例中，所述链路预测算法包括协同过滤算法和/或swing算法。

本说明书实施例中，所述风险识别模块704，包括：

打分单元，用于根据所述第一商户中的风险商户与非风险商户之间的相似性，对所述非风险商户与所述风险商户之间的相似性进行打分，得到所述非风险商户对应的风险分值；

风险识别单元，用于根据所述非风险商户对应的风险分值，确定所述非风险商户的风险程度。

本说明书实施例中，所述预定业务风险包括具象风险。

本说明书实施例中，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供一种风险的识别装置，通过从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户，根据该交易关系信息，基于该风险商户进行二度关联处理，得到相应的第一用户和第一商户，然后，根据第一用户和第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性，进而根据第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，这样，由于采用用户和商户之间的交易关系信息，作为商户风险识别的输入，充分利用了交易关系信息，而且，采用某一种存在预定业务风险的风险商户，将规模庞大的交易关系信息简化为包含风险商户和潜在风险商户的相关信息，极大降低了交易关系信息的存储和计算开销，专注具有较高风险商户的子集，另外，结合第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，可以进一步提高识别风险商户的精度。

实施例六

基于同样的思路，本说明书实施例还提供一种风险的识别装置，如图8所示。

该风险的识别装置包括：信息获取模块801、处理模块802、相似性确定模块803和风险确定模块804，其中：

信息获取模块801，用于从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从所述第二对象集合中获取存在预定业务风险的风险对象，所述第一对象集合与所述第二对象集合属于互不相交的对象集合；

处理模块802，用于根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，所述第三对象集合与所述第一对象集合中的对象属于相同类型，所述第四对象集合与所述第二对象集合中的对象属于相同类型；

相似性确定模块803，用于根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性；

风险确定模块804，用于根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度。

本说明书实施例中，所述相似性确定模块803，包括：

筛选单元，用于根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息；

相似性确定单元，用于根据所述筛选后的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性。

本说明书实施例中，所述风险特征包括多个，

所述筛选单元，用于根据每个所述风险特征，分别对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的关联关系信息。

本说明书实施例中，所述处理模块802，包括：

第一处理单元，用于根据所述关联关系信息，基于所述风险对象进行一度关联处理，得到相应的第三对象集合；

第二处理单元，用于根据所述关联关系信息，基于所述第三对象集合中的对象进行一度关联处理，得到相应的第四对象集合。

本说明书实施例中，所述相似性确定模块803，用于根据所述第三对象集合和所述第四对象集合之间的关联关系信息，使用预定的链路预测算法计算所述第四对象集合中的风险对象与非风险对象之间的相似性。

本说明书实施例中，所述链路预测算法包括协同过滤算法和/或swing算法。

本说明书实施例中，所述风险确定模块804，包括：

打分单元，用于根据所述第四对象集合中的风险对象与非风险对象之间的相似性，对所述非风险对象与所述风险对象之间的相似性进行打分，得到所述非风险对象对应的风险分值；

风险确定单元，用于根据所述非风险对象对应的风险分值，确定所述非风险对象的风险程度。

本说明书实施例中，所述预定业务风险包括具象风险。

本说明书实施例中，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供一种风险的识别装置，通过从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与所述第二对象集合属于互不相交的对象集合，根据该关联关系信息，基于该风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，第三对象集合与第一对象集合中的对象属于相同类型，第四对象集合与第二对象集合中的对象属于相同类型，然后，根据第三对象集合和第四对象集合之间的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性，进而根据第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，这样，由于采用第一对象集合与第二对象集合之间的关联关系信息，作为对象风险识别的输入，充分利用了关联关系信息，而且，采用某一种存在预定业务风险的风险对象，将规模庞大的关联关系信息简化为包含风险对象和潜在风险对象的相关信息，极大降低了关联关系信息的存储和计算开销，专注具有较高风险对象的子集，另外，结合第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，可以进一步提高识别风险对象的精度。

实施例七

以上为本说明书实施例提供的风险的识别装置，基于同样的思路，本说明书实施例还提供一种风险的识别设备，如图9所示。

所述风险的识别设备可以为上述实施例提供的服务器。

风险的识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对风险的识别设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在风险的识别设备上执行存储器902中的一系列计算机可执行指令。风险的识别设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906。

具体在本实施例中，风险的识别设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险的识别设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

从预定的交易数据库中获取用户与商户之间的交易关系信息，并从所述商户中获取存在预定业务风险的风险商户；

根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户；

根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性；

根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度。

本说明书实施例中，所述根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性，包括：

根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息；

根据所述筛选后的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性。

本说明书实施例中，所述风险特征包括多个，

所述根据所述预定业务风险对应的风险特征，对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到筛选后的交易关系信息，包括：

根据每个所述风险特征，分别对所述第一用户和所述第一商户之间的交易关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的交易关系信息。

本说明书实施例中，所述根据所述交易关系信息，基于所述风险商户进行二度关联处理，得到相应的第一用户和第一商户，包括：

根据所述交易关系信息，基于所述风险商户进行一度关联处理，得到相应的第一用户；

根据所述交易关系信息，基于所述第一用户进行一度关联处理，得到相应的第一商户。

本说明书实施例中，所述根据所述第一用户和所述第一商户之间的交易关系信息，确定所述第一商户中的风险商户与非风险商户之间的相似性，包括：

根据所述第一用户和所述第一商户之间的交易关系信息，使用预定的链路预测算法计算所述第一商户中的风险商户与非风险商户之间的相似性。

本说明书实施例中，所述链路预测算法包括协同过滤算法和/或swing算法。

本说明书实施例中，所述根据所述第一商户中的风险商户与非风险商户之间的相似性，确定所述非风险商户的风险程度，包括：

根据所述第一商户中的风险商户与非风险商户之间的相似性，对所述非风险商户与所述风险商户之间的相似性进行打分，得到所述非风险商户对应的风险分值；

根据所述非风险商户对应的风险分值，确定所述非风险商户的风险程度。

本说明书实施例中，所述预定业务风险包括具象风险。

本说明书实施例中，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供一种风险的识别设备，通过从预定的交易数据库中获取用户与商户之间的交易关系信息，并从该商户中获取存在预定业务风险的风险商户，根据该交易关系信息，基于该风险商户进行二度关联处理，得到相应的第一用户和第一商户，然后，根据第一用户和第一商户之间的交易关系信息，确定第一商户中的风险商户与非风险商户之间的相似性，进而根据第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，这样，由于采用用户和商户之间的交易关系信息，作为商户风险识别的输入，充分利用了交易关系信息，而且，采用某一种存在预定业务风险的风险商户，将规模庞大的交易关系信息简化为包含风险商户和潜在风险商户的相关信息，极大降低了交易关系信息的存储和计算开销，专注具有较高风险商户的子集，另外，结合第一商户中的风险商户与非风险商户之间的相似性，确定非风险商户的风险程度，可以进一步提高识别风险商户的精度。

实施例八

基于同样的思路，本说明书实施例还提供一种风险的识别设备，如图10所示。

所述风险的识别设备可以为上述实施例提供的服务器。

风险的识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1001和存储器1002，存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对风险的识别设备中的一系列计算机可执行指令。更进一步地，处理器1001可以设置为与存储器1002通信，在风险的识别设备上执行存储器1002中的一系列计算机可执行指令。风险的识别设备还可以包括一个或一个以上电源1003，一个或一个以上有线或无线网络接口1004，一个或一个以上输入输出接口1005，一个或一个以上键盘1006。

具体在本实施例中，风险的识别设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险的识别设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从所述第二对象集合中获取存在预定业务风险的风险对象，所述第一对象集合与所述第二对象集合属于互不相交的对象集合；

根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，所述第三对象集合与所述第一对象集合中的对象属于相同类型，所述第四对象集合与所述第二对象集合中的对象属于相同类型；

根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性；

根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度。

本说明书实施例中，所述根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性，包括：

根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息；

根据所述筛选后的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性。

本说明书实施例中，所述风险特征包括多个，

所述根据所述预定业务风险对应的风险特征，对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到筛选后的关联关系信息，包括：

根据每个所述风险特征，分别对所述第三对象集合和所述第四对象集合之间的关联关系信息进行筛选处理，得到每个所述风险特征对应的筛选后的关联关系信息。

本说明书实施例中，所述根据所述关联关系信息，基于所述风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，包括：

根据所述关联关系信息，基于所述风险对象进行一度关联处理，得到相应的第三对象集合；

根据所述关联关系信息，基于所述第三对象集合中的对象进行一度关联处理，得到相应的第四对象集合。

本说明书实施例中，所述根据所述第三对象集合和所述第四对象集合之间的关联关系信息，确定所述第四对象集合中的风险对象与非风险对象之间的相似性，包括：

根据所述第三对象集合和所述第四对象集合之间的关联关系信息，使用预定的链路预测算法计算所述第四对象集合中的风险对象与非风险对象之间的相似性。

本说明书实施例中，所述链路预测算法包括协同过滤算法和/或swing算法。

本说明书实施例中，所述根据所述第四对象集合中的风险对象与非风险对象之间的相似性，确定所述非风险对象的风险程度，包括：

根据所述第四对象集合中的风险对象与非风险对象之间的相似性，对所述非风险对象与所述风险对象之间的相似性进行打分，得到所述非风险对象对应的风险分值；

根据所述非风险对象对应的风险分值，确定所述非风险对象的风险程度。

本说明书实施例中，所述预定业务风险包括具象风险。

本说明书实施例中，所述预定业务风险包括赌博类具象风险、套现类具象风险和刷单类具象风险。

本说明书实施例提供一种风险的识别设备，通过从预定的关系数据库中获取第一对象集合与第二对象集合之间的关联关系信息，并从第二对象集合中获取存在预定业务风险的风险对象，第一对象集合与所述第二对象集合属于互不相交的对象集合，根据该关联关系信息，基于该风险对象进行二度关联处理，得到相应的第三对象集合和第四对象集合，第三对象集合与第一对象集合中的对象属于相同类型，第四对象集合与第二对象集合中的对象属于相同类型，然后，根据第三对象集合和第四对象集合之间的关联关系信息，确定第四对象集合中的风险对象与非风险对象之间的相似性，进而根据第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，这样，由于采用第一对象集合与第二对象集合之间的关联关系信息，作为对象风险识别的输入，充分利用了关联关系信息，而且，采用某一种存在预定业务风险的风险对象，将规模庞大的关联关系信息简化为包含风险对象和潜在风险对象的相关信息，极大降低了关联关系信息的存储和计算开销，专注具有较高风险对象的子集，另外，结合第四对象集合中的风险对象与非风险对象之间的相似性，确定非风险对象的风险程度，可以进一步提高识别风险对象的精度。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice，pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。