用于为商户提供风险预测赋能服务的方法及装置与流程

本公开通常涉及计算机技术领域，具体地，涉及用于为商户提供风险预测赋能服务的方法及装置。

背景技术：

目前，某些技术基础和实力较强的企业积累了大量的技术能力。与此同时，一些中小企业或刚刚起步的企业本身不具备某些技术能力，但是在其业务运营过程中需要使用这些技术。因此，市场上出现了一些赋能产品。所谓赋能产品，即为原本不具备某种能力的企业赋予该种能力。赋能产品中的一种为风险预测赋能产品。

目前市场的很多风险预测赋能产品都是基于各企业自有的风险或者业务场景来训练模型并且进行赋能。然而需要被赋能的商户的风险和业务场景是多变的，不一定能被已有的赋能产品所涵盖。而且即使是针对同一种业务进行风险预测，对于不同的商户来说，其实际业务场景和用户群体也是不同的。因而，现有技术中的赋能产品不能很好地适应各个需要被赋能的商户。

技术实现要素：

鉴于上述，本公开提供了一种用于为商户提供风险预测赋能服务的方法及装置，利用该方法和装置能够为商户提供适应其需求的风险预测赋能服务。

根据本公开的一个方面，提供了一种用于为商户提供风险预测赋能服务的方法，包括：接收所述商户针对经过训练后的风险预测模型的调用请求，所述调用请求包括待预测用户信息；基于给定特征库，使用所述风险预测模型来对所述待预测用户信息进行风险预测，以得到针对所述待预测用户信息的风险预测结果；以及向所述商户返回针对所述待预测用户信息的风险预测结果。其中，所述风险预测模型是利用所述商户提供的至少一个用户信息样本和所述给定特征库来训练的，所述至少一个用户信息样本带有风险标注。

可选地，在一个示例中，所述风险预测模型可以是利用基于所述至少一个用户信息样本中的各个用户信息样本，从所述给定特征库中提取的对应于所述各个用户信息样本的至少一个特征来训练的。

可选地，在一个示例中，基于给定特征库，使用所述风险预测模型来对所述待预测用户信息进行风险预测可以包括：基于所述给定特征库和所述待预测用户信息，从所述给定特征库中提取对应于所述待预测用户信息的至少一个特征；以及将对应于所述待预测用户信息的至少一个待征输入所述风险预测模型，以对所述待预测用户信息进行风险预测，从而得到针对所述待预测用户信息的风险预测结果。

可选地，在一个示例中，所述方法还可以包括：接收所述商户提供的反馈样本，所述反馈样本是基于所述风险预测结果从至少一个待预测用户信息中确定的，或所述反馈样本是由所述商户提供的新的至少一个用户信息样本；利用所述反馈数据样本迭代更新所述风险预测模型。

可选地，在一个示例中，所述给定特征库可以包括针对所述商户的推荐特征库。

可选地，在一个示例中，所述推荐特征库中包括针对商户的至少一个推荐特征，所述至少一个推荐特征可以是通过基于所述商户提供的用户信息样本获取各个用户的用户行为数据，并基于预定组合规则，对所述用户行为数据中的至少两个类别的行为数据进行组合而生成的。

可选地，在一个示例中，所述推荐特征库中包括针对商户的至少一个推荐特征，所述至少一个推荐特征可以是通过基于所述商户提供的用户信息样本获取各个用户的用户行为数据，并基于所述用户行为数据确定的各个用户之间的用户关系数据。

可选地，在一个示例中，所述给定特征库可以对应于所述商户提供的用户信息样本的类型。

可选地，在一个示例中，所述用户信息样本可以为以下中的任一类型的用户信息样本：用户手机号；用户账号；用户设备序列号；以及用户身份证号。

根据本公开的另一方面，还提供一种用于为商户提供风险预测赋能服务的装置，包括：调用请求接收单元，被配置为接收所述商户针对经过训练后的风险预测模型的调用请求，所述调用请求包括待预测用户信息；风险预测单元，被配置为使用所述风险预测模型来对所述待预测用户信息进行风险预测，以得到针对所述待预测用户信息的风险预测结果；以及风险预测结果返回单元，被配置为向所述商户返回针对所述待预测用户信息的风险预测结果。其中，所述风险预测模型是利用所述商户提供的至少一个用户信息样本和给定特征库来训练的，所述至少一个用户信息样本带有风险标注。

可选地，在一个示例中，所述风险预测模型可以是利用基于所述至少一个用户信息样本中的各个用户信息样本，从所述给定特征库中提取的对应于所述各个用户信息样本的至少一个特征来训练的。

可选地，在一个示例中，所述风险预测单元可以包括：特征提取模块，被配置为基于所述给定特征库和所述待预测用户信息，从所述给定特征库中提取对应于所述待预测用户信息的至少一个特征；以及风险预测模块，被配置为将对应于所述待预测用户信息的至少一个待征输入所述风险预测模型，以对所述待预测用户信息进行风险预测，从而得到针对所述待预测用户信息的风险预测结果。

可选地，在一个示例中，所述装置还可以包括：反馈样本接收单元，被配置为接收所述商户提供的反馈样本，所述反馈样本是基于所述风险预测结果从至少一个待预测用户信息中确定的，或所述反馈样本是由所述商户提供的新的至少一个用户信息样本；迭代更新单元，被配置为利用所述反馈数据样本迭代更新所述风险预测模型。

可选地，在一个示例中，所述给定特征库可以包括针对所述商户的推荐特征库。

可选地，在一个示例中，所述推荐特征库包括针对所述商户的至少一个推荐特征，所述至少一个推荐特征可以是通过基于所述商户提供的用户信息样本获取各个用户的用户行为数据，并基于预定组合规则，对所述用户行为数据中的至少两个类别的行为数据进行组合而生成的。

可选地，在一个示例中，所述推荐特征库包括针对所述商户的至少一个推荐特征，所述至少一个推荐特征可以是通过基于所述商户提供的用户信息样本获取各个用户的用户行为数据，并基于所述用户行为数据确定的各个用户之间的用户关系数据。

根据本公开的另一方面，还提供一种计算设备，包括：至少一个处理器；以及存储器，所述存储器存储有指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的用于为商户提供风险预测赋能服务的方法。

根据本公开的另一方面，还提供一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于为商户提供风险预测赋能服务的方法。

利用本公开的方法和装置，通过使用基于商户提供的用户信息样本训练的风险预测模型和给定特征库来对商户的待预测用户信息进行风险预测，并把风险预测结果反馈给商户，从而不仅能够实现为商户提供风险预测赋能服务，还能够使得所提供的风险预测赋能服务能够适应于该商户，以进行精确的风险预测。

利用本公开的方法和装置，通过使用商户提供的反馈样本来迭代更新风险预测模型，能够使风险预测模型的性能满足商户的迭代更新需求，使风险预测结果不局限于已有的业务范畴而更加符合商户的业务需求，提高风险预测赋能服务的灵活性。

利用本公开的方法和装置，通过利用针对商户的推荐特征库来进行模型训练和风险预测，能够进一步提升风险预测模型的性能和风险预测结果的准确性，使风险预测更好地适应商户的需求。

利用本公开的方法和装置，通过组合用户的用户行为数据以生成推荐特征，能够更加丰富推荐特征库中的特征，以模型训练和风险预测的效率和所获得的风险预测结果的准确性。

利用本公开的方法和装置，通过基于各个用户之间的用户关系数据来生成推荐特征，能够通过用户关系来进行风险预测，进一步提高了风险预测的效率和准确度。

附图说明

通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开的实施例，但并不构成对本公开的实施例的限制。在附图中：

图1是用于训练本公开的用于为商户提供风险预测赋能服务的方法中使用的风险预测模型的训练过程的一个示例的流程图；

图2是根据本公开的一个实施例的用于为商户提供风险预测赋能服务的方法的流程图；

图3是根据本公开的另一实施例的用于为商户提供风险预测赋能服务的方法的流程图；

图4是使根据本公开的另一实施例的用于为商户提供风险预测赋能服务的方法来提供风险预测赋能服务的过程的一个示例的流程图；

图5是根据本公开的一个实施例的用于为商户提供风险预测赋能服务的装置的结构框图；

图6是图5所示的用于为商户提供风险预测赋能服务的装置中的风险预测单元的一个示例的结构框图；

图7是根据本公开的另一实施例的用于为商户提供风险预测赋能服务的装置的结构框图；

图8是用于训练本公开的用于为商户提供风险预测赋能服务的方法中使用的风险预测模型的风险预测模型训练装置的一个示例的流程图；

图9是根据本公开的一个实施例的用于实施用于为商户提供风险预测赋能服务的方法的计算设备的结构框图。

具体实施方式

以下将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

现在结合附图来描述本公开的用于为商户提供风险预测赋能服务的方法及装置。

在说明本公开的方法和装置之前，首先对本公开的方法和装置所使用的风险预测模型的训练过程进行说明。本公开所使用的风险预测模型是利用商户提供的至少一个用户信息样本来训练的。该至少一个用户信息样本带有风险标注。

图1是用于训练本公开的用于为商户提供风险预测赋能服务的方法中使用的风险预测模型的训练过程的一个示例的流程图。

如图1所示，在块110，获取商户提供的至少一个用户信息样本。至少一个用户信息样本可以是由商户根据自身的业务总结出的。此处的商户是指需要被提供风险预测赋能服务的主体。此处的商户例如可以是第三方支付平台、购物平台、音乐下载平台、社交平台等。风险预测例如可以用户识别异常交易行为、异常转账行为、恶意发贴行为、恶意评论行为等。

用户信息样本例如可以是用户的手机号、账号、身份证号、常用的用户设备类型等。商户可以收集在商户平台上进行交易的交易信息，从中提取用户信息样本，并对用户信息样本进行风险标注。在一个示例中，商户可以将用户信息样本标注为黑白样本(即是或不是异常交易)，或将用户信息样本标注为不同的风险等级。

在一个示例中，可以构建由商户上传至少一个用户信息样本的风险预测赋能服务平台，每个需要风险预测赋能服务的商户可以在该风险预测赋能服务平台上注册商户账号。在凭借商户账号登入风险预测赋能服务平台后，可向该风险预测赋能服务平台上传用户信息样本。

在获取到至少一个用户信息样本之后，在块120，针对至少一个用户信息样本中的各个用户信息样本，从给定特征库中提取对应于该用户信息样本的至少一个特征。

给定特征库可以对应于用户信息样本的类型。用户信息样本的类型例如可以包括用户手机号、用户账号、用户设备序列号、用户身份证号等。例如，如果商户提供的至少一个用户信息样本的类型为用户手机号，给定特征库中可以包括用户通讯录特征、用户画像特征、商户画像特征等。用户通讯录特征可以是用户通讯录中的好友数量、好友被储存的次数、被存储的时间、被删除的时间等，通讯录特征还可以包括所存储的好友的年龄、职业信息等。用户画像特征可以是用户的基本属性(如性别、年龄、职业等)、用户的消费行为、用户的关系网络(如用户的好友关系网)、用户的偏好习惯(如出行方式、运动偏好等)等特征。商户画像特征可以包括各个用户所涉及的商户的画像特征，例如可以是商户的基本属性(如业务范围、业务规模、商户资质、商圈地址等)、商户的交易属性、该商户的消费者特征(如消费者年龄分布、性别分布、消费能力分布等)。再例如，当商户提供的至少一个用户信息样本的类型为用户账号时，给定特征库可以只包括用户画像特征、商户画像特征、账号特征(用户账号是否在不同平台使用、账号登陆频率等)。

给定特征库可以是固有特征库。对于业务规模庞大或用户群体庞大的企业，可以在其业务运营过程中收集到大量用户特征、商户特征等。这些特征可以组成固有特征库以用于为商户提供风险预测赋能服务时所使用的固有特征库。固有特征库中还可以包括由商户提供的特征。

给定特征库还可以是针对商户的推荐特征库，该推荐特征库包括至少一个推荐特征。在一个示例中，可以基于商户提供的用户信息样本获取各个用户的用户行为数据，并基于预定组合规则，对用户行为数据中的至少两个类别的行为数据进行组合而生成推荐特征。例如，用户行为数据可以包括特定时间段内的累积消费次数和累积消费金额。此时，可以基于除法规则组合特定时间段内的累积消费次数和累积消费金额，可以用户累积消费金额除以累积消费次数，以得到在特定时间段内用户的每次平均消费金额，以作为推荐特征。

在另一示例中，至少一个推荐特征可以是通过基于商户提供的用户信息样本获取各个用户的用户行为数据，并基于用户行为数据确定的各个用户之间的用户关系数据。例如，用户行为数据可以包括转账行为数据、分享行为数据等。在该示例中，可以针对各个用户，从用户行为数据中提取该用户的转账关系、分享关系等用户关系数据，以作为推荐特征。由此，可以基于用户与其它用户之间的关系来训练风险预测模型，以提高风险预测模型的性能。

提取特征之后，在块130，利用对应于各个用户信息样本的至少一个特征来训练风险预测模型。在一个示例中，可以根据用户信息样本中的账号来提取该用户的用户特征、该用户经常消费或访问的商户的商户特征等特征，以生成对应于每个用户信息样本的特征样本，并利用所生成的特征样本来训练风险预测模型。所训练出的风险预测模型可以基于商户提供的待预样本预测该待预测样本是否存在风险或该待预测样本所对应的风险等级等。风险预测模型可以采用二分类模型或多分类模型，例如可以采用随机森林等分类模型来实现。

通过如上训练过程所训练出的风险预测模型是基于商户所提供的用户信息样本进行预测的，因而能够为每个商户提供能够适应其业务需求的风险预测赋能服务。

图2是根据本公开的一个实施例的用于为商户提供风险预测赋能服务的方法的流程图。

如图2所示，在块210，接收商户针对经过训练后的风险预测模型的调用请求，调用请求包括待预测用户信息。

对风险预测模型的调用可以通过api接口来实现。当利用商户提供的至少一个用户信息样本对风险预测模型进行训练之后，可以将经过训练后的风险预测模型的api地址提供给商户。商户可以在自己的商户平台上实时调用风险预测模型，以对在商户平台上进行活动的用户进行风险预测。调用请求中还可以包括商户的账号等商户身份识别信息，从而可以根据商户身份识别信息，使用对应于该商户的风险预测模型来进行风险预测。

在接收到针对风险预测模型的调用请求后，在块220，基于给定特征库，使用风险预测模型来对待预测用户信息进行风险预测，以得到针对待预测用户信息的风险预测结果。给定特征库可以是如上所述的给定特征库。

然后，在块230，向商户返回针对待预测用户信息的风险预测结果。商户在接收到风险预测结果之后，可以基于该风险预测结果采取相应措施。例如，如果风险预测结果显示相应用户的风险较高，可以对其进行拦截，例如可拦截其所进行的交易、拦截其所发出的评论等。如果风险预测结果显示用户的风险较低，则可以允许相应用户进行正常活动，如交易、评论、接收转账等。

通过该实施例，能够利用针对商户的风险预测模型为该商户提供风险预测赋能服务，风险预测模型的训练过程以及风险预测过程结合了商户所提供的数据和风险预测赋能服务提供端所积累的数据，因而能够向该商户提供精确的风险预测结果，使风险预测赋能服务更具有针对性。

图3是根据本公开的另一实施例的用于为商户提供风险预测赋能服务的方法的流程图。

如图3所示，在块310，接收商户针对经过训练后的风险预测模型的调用请求。

在接收到调用请求后，可以在块320，基于给定特征库和调用请求中包含的待预测用户信息，从给定特征库中提取对应于待预测用户信息的至少一个特征。至少一个特征可以是该待预测用户信息所对应的用户特征、该用户经常访问的商户的商户特征等。例如，待预测用户信息可以是用户账号，基于用户账号，可以从给定特征库中提取到用户的年龄、消费偏好、经常访问的商户类型等特征。

在提取特征之后，在块330，将对应于待预测用户信息的至少一个待征输入风险预测模型，以对待预测用户信息进行风险预测。所提取的特征可以作为预测用户信息的待预测特征，从而风险预测模型可以基于待预测特征来进行风险预测，以获得相应的风险预测结果。然后在块340，向商户返回针对待预测用户信息的风险预测结果。

商户在接收到风险预测结果之后，还可以在后续业务中对针对各个用户信息的风险预测结果进行检验，以纠正不太准确的风险预测结果。此外，当商户的业务或经营策略等发生变化时，原来有风险的用户可能变为没有风险，或者原来无风险的用户可能变为有风险。在这种情况下，商户也可以基于已有的风险预测结果来进行标注。由此，商户可以基于被预测的待预测样本来获取反馈样本。此外，当商户的业务状况或运营策略发生调整时，商户还可以根据当前的业务情况，总结出新的带有风险标注的用户信息样本，以作为反馈样本。例如，随着社会的发展变化，针对同一商户的用户群体或用户群体的行为模式可能发生改变。在该情形下，商户可以从以前未出现过的用户总结出新的用户信息样本，或针对某一风险类型，总结新的用户信息样本，以作为反馈样本。

在获取反馈样本之后，商户可以将所获取的反馈样本提供给风险预测赋能服务提供端。进而，可以在块340，接收商户提供的反馈样本，然后在块350，利用反馈数据样本迭代更新风险预测模型。迭代更新过程利用反馈样本来再次训练风险预测模型，以更新风险预测模型的性能。

商户可以实时检验返回的风险预测结果是否准确，并实时反馈已确定的反馈样本，此时，可以在接收到的反馈样本积累的预定数量时对风险预测模型进行迭代更新。

图4是使根据本公开的另一实施例的用于为商户提供风险预测赋能服务的方法来提供风险预测赋能服务的过程的一个示例的流程图。

如图4所示，在401，商户可以凭借已注册的商户账号登入风险预测赋能服务平台，并导入已进行风险标注的用户信息样本。然后在402，风险预测服务端可以获取商户提供的至少一个用户信息样本，并进行风险预测模型训练。在完成训练过程后，可以在风险预测赋能服务平台上向商户展示训练结果。商户在查看训练结果后，如果训练后的风险预测模型已达到要求，则可以在404，确定使用目前训练的风险预测模型。如果风险预模型未达到要求，商户也可以在风险预测赋能服务平台上进行反馈，从而可以再次进行训练过程。

在商户确定使用已经过训练的风险预测模型时，商户可以通过api接口在其商户平台上调用该风险预测模型。当在404，用户进入商户平台，并进行活动(如购买、发出评论、转账等)时，商户可以在406，获取用户信息(如用户账号、用户手机号等)。然后在407，商户可以将所获取的用户信息作为待预测信息，并随针对风险预测模型的调用请求发送给风险预测赋能服务端。风险预测赋能服务商在接收到调用请求时，在408，对待预测用户信息进行风险预测，然后在409，将所得到的风险预测结果返回给商户。

商户在收到返回的风险预测结果后，可以在410，基于风险预测结果对相应用户采用应对措施。商户还可以在411，对风险预测结果进行检验，并标注该风险预测结果是否是正确的，或是否符合该商户目前的经营需求，从而得到反馈样本。此外，商户还可以根据当前的业务情况，总结出新的带有风险标注的用户信息样本，以作为反馈样本。进而商户可以在412，将反馈样本提供给风险预测赋能服务提供端。然后风险预测赋能提供端可以在413，利用反馈样本来对风险预测模型进行迭代更新。

图5是根据本公开的一个实施例的用于为商户提供风险预测赋能服务的装置(以下称为风险预测赋能装置)500的结构框图。如图5所示，风险预测赋能装置500包括调用请求接收单元510、风险预测单元520和风险预测结果返回单元530。

调用请求接收单元510被配置为接收商户针对经过训练后的风险预测模型的调用请求，调用请求包括待预测用户信息。风险预测单元520被配置为利用风险预测模型来对待预测用户信息进行风险预测，以得到针对待预测用户信息的风险预测结果。在得到风险预测结果之后，风险预测结果返回单元530向商户返回针对待预测用户信息的风险预测结果。风险预测模型可以是利用图1所示的训练过程进行训练的。

给定特征库可以对应于用户信息样本的类型。此外，给定特征库还可以包括针对该商户的推荐特征库，推荐特征库包括至少一个推荐特征。推荐特征可以是通过基于商户提供的用户信息样本获取各个用户的用户行为数据，并基于预定组合规则，对用户行为数据中的至少两个类别的行为数据进行组合而生成的。推荐特征还可以是通过基于商户提供的用户信息样本获取各个用户的用户行为数据，并基于用户行为数据确定的各个用户之间的用户关系数据。

图6是图5所示的风险预测赋能装置500中的风险预测单元520的一个示例的结构框图。如图6所示，风险预测单元520可以包括特征提取模块521和风险预测模块522。

特征提取模块521被配置为基于给定特征库和待预测用户信息，从给定特征库中提取对应于待预测用户信息的至少一个特征。在提取特征之后，风险预测模块522可以将对应于待预测用户信息的至少一个待征输入风险预测模型，以对待预测用户信息进行风险预测，从而得到针对待预测用户信息的风险预测结果。

图7是根据本公开的另一实施例的风险预测赋能装置700的结构框图。如图7所示，除调用请求接收单元710、风险预测单元720和风险预测结果返回单元730之外，风险预测赋能装置700还包括反馈样本接收单元740和反馈样本接收单元750。

在调用请求接收单元710接收到调用请求后，风险预测单元720对调用请求中包含的待预测用户信息进行风险预测，然后风险预测单元730将所得到的风险预测结果返回给商户。商户接收到风险预测结果，可以基于所接收到的至少一个风险预测结果来确定反馈样本，并上传反馈样本。进而反馈样本接收单元740可以接收商户提供的反馈样本。反馈样本还可以是商户提供的新的用户信息样本。然后，迭代更新单元750可以利用反馈数据样本迭代更新风险预测模型。

图8是用于训练本公开的用于为商户提供风险预测赋能服务的方法中使用的风险预测模型的风险预测模型训练装置800的一个示例的结构框图。如图8所示，风险预测模型训练装置包括用户信息样本获取单元810和训练单元820。

用户信息样本获取单元810被配置为获取商户提供的至少一个用户信息样本，该至少一个用户信息样本带有风险标注。训练单元820被配置为利用商户提供的至少一个用户信息样本和给定特征库来训练风险预测模型。

在一个示例中，训练单元820可以包括特征提取模块和训练模块。特征提取单元被配置为针对至少一个用户信息样本中的各个用户信息样本，从给定特征库中提取对应于该用户信息样本的至少一个特征。训练模块被配置为利用对应于各个用户信息样本的至少一个特征来训练风险预测模型。

如上参照图1-8，对本公开的用于为商户提供风险预测赋能服务的方法及装置的实施例进行了描述。应当理解的是，以上对于方法实施例的细节描述同样适用于装置实施例。以上的用于为商户提供风险预测赋能服务的装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

图9是根据本公开的一个实施例的用于实施用于为商户提供风险预测赋能服务的方法的计算设备的结构框图。

如图9所示，计算设备900可以包括至少一个处理器910、存储器920、内存930、通信接口940以及内部总线950，该至少一个处理器910执行在计算机可读存储介质(即，存储器920)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器920中存储有计算机可执行指令，其当执行时使得至少一个处理器910：接收所述商户针对经过训练后的风险预测模型的调用请求，所述调用请求包括待预测用户信息；基于给定特征库，使用所述风险预测模型来对所述待预测用户信息进行风险预测，以得到针对所述待预测用户信息的风险预测结果；以及向所述商户返回针对所述待预测用户信息的风险预测结果。

应该理解的是，在存储器920中存储的计算机可执行指令当执行时使得至少一个处理器910进行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。

在本公开中，计算设备900可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(pda)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。

根据一个实施例，提供了一种例如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。

具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd-rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

以上结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

以上结合附图详细描述了本公开的实施例的可选实施方式，但是，本公开的实施例并不限于上述实施方式中的具体细节，在本公开的实施例的技术构思范围内，可以对本公开的实施例的技术方案进行多种简单变型，这些简单变型均属于本公开的实施例的保护范围。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。