具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种转账处理方法，应用于银行转账系统，客户在授权银行风险防控功能之后，银行对客户的每笔转账进行风险识别，在识别到风险的情况下，冻结本次转账，并通知异常转账联系人，保证了客户转账的安全性。

具体的，请参阅图1，本实施例公开的一种转账处理方法，包括如下步骤：

S101：接收客户发送的转账请求；

S102：判断客户是否授权风险防控功能；

可以理解的是，授权风险防控功能客户可以选择授权给银行，也可以选择不授权给银行，在客户授权给银行风险防控功能之后，银行针对该客户的每一笔转账都会进行分享识别，在转账不存在风险的情况下，继续执行转账操作，在转账存在风险的情况下，暂时冻结该笔转账，通知该客户预先设置的异常转账联系人进行确认，根据确认结果确定继续执行转账操作还是取消转账操作。

其中，判断客户是否授权风险防控功能的方法如下：

从转账请求携带的转账信息中获取客户标识；

根据客户标识查询授权风险防控功能数据表；

在授权风险防控功能数据表中存在客户标识的情况下，确定客户已授权风险防控功能；

在授权风险防控功能数据表中不存在客户标识的情况下，确定客户未授权风险防控功能。

若客户未授权风险防控功能，执行S103：执行本次转账操作；

若客户授权风险防控功能，执行S104：获取本次转账信息和客户的历史转账特征数据；

S105：根据本次转账信息和客户的历史转账特征数据，判断本次转账是否存在风险；

根据本次转账信息和客户的历史转账特征数据，可以有多种识别风险的方法，如基于预测规则的风险识别方法，基于机器学习模型的风险识别方法，基于账户黑名单的风险识别方法等，在此不做具体限定。

以基于预测规则的风险识别方法为例，预先设置多条风险识别规则，若本次转账信息和客户的历史转账特征数据满足风险识别规则时，确定本次转账存在风险，反之，确定本次转账不存在风险。

以基于机器学习模型的风险识别方法为例，将本次转账信息和客户的历史转账特征数据输入预先构建的机器学习模型中，根据机器学习模型的输入结果确定本次转账是否存在风险。

以基于账户黑名单的风险识别方法为例，预先将已知的存在诈骗记录的账户写入黑名单，若本次转账的转账账户不为合法工商账户或在黑名单中，确定本次转账存在风险，反之确定本次转账不存在风险。

需要说明的是，以上几种风险识别方法在实际风险识别过程中可以单独使用，也可以组合使用。

在本次转账不存在风险的情况下，执行S103；

在本次转账存在风险的情况下，执行S106：冻结本次转账，并通知客户预先设置的异常转账联系人；

客户在授权银行风险防控功能时，需要设置异常转账联系人，异常转账联系人至少为一个。

在客户设置一个以上异常转账联系人的情况下，需要确定主异常转账联系人，即优先通知的异常转账联系人，在无法联系到主异常转账联系人的情况下，按照顺序通知下一个异常转账联系人。

通知异常转账联系人的通知方式可以有多种，如短信通知、电话通知、手机银行推送消息通知等。

S107：接收异常转账联系人反馈的确认转账信息，然后执行S103；

S108：接收异常转账联系人反馈的取消转账信息；

S109：终止本次转账操作。

异常转账联系人反馈信息的方式与银行通知异常转账联系人的方式一致。

以短信通知为例，异常转账联系人回复“Y”或“是”表示确认转账信息，回复“N”或“否”表示取消转账信息。

以电话通知为例，异常转账联系人通过电话语音告知确认转账或取消转账，为了便于后续追溯，电话在授权的情况下录音。

以手机银行消息推送通知为例，异常转账联系人通过操作手机银行确认转账或取消转账。

进一步，为了避免异常转账联系人未及时反馈信息，而导致的正常转账无法完成的问题，在预设时长，如24小时内若未接收到异常转账联系人的反馈信息的情况下，执行本次转账操作。

可见，本实施例公开的一种转账处理方法，客户在授权银行风险防控功能之后，银行对客户的每笔转账进行风险识别，在识别到风险的情况下，冻结本次转账，并通知异常转账联系人，在异常转账联系人反馈的确认转账信息之后才执行本次转账，降低老年客户及其他易受骗客户受骗转账的风险，保证了客户转账的安全性。

请参阅图2，本实施例公开了另一种转账处理方法，对本次转账进行多重风险识别，具体包括以下步骤：

S201：接收客户发送的转账请求；

S202：判断客户是否授权风险防控功能；

若客户未授权风险防控功能，执行S203：执行本次转账操作；

若客户授权风险防控功能，执行S204：获取本次转账信息和客户的历史转账特征数据；

S205：将本次转账信息和客户的历史转账特征数据输入预先构建的风险预测模型中，得到风险预测结果；

S206：判断风险预测结果是否为存在风险；

在风险预测结果为不存在风险的情况下，执行S207：确定本次转账不存在风险，然后执行S203；

在风险预测结果为存在风险的情况下，执行S208：判断本次转账的转账账户是否为合法工商账户；

若不为合法工商账户，执行S209：确定本次转账存在风险；

若为合法工商账户，执行S210：判断转账账户是否在黑名单中；

若在黑名单中，执行S209：确定本次转账存在风险；

若不在黑名单中，执行S207：确定本次转账不存在风险。

在本次转账不存在风险的情况下，执行S203；

在本次转账存在风险的情况下，执行S211：冻结本次转账，并通知客户预先设置的异常转账联系人；

S212：接收异常转账联系人反馈的确认转账信息，然后执行S203；

S213：接收异常转账联系人反馈的取消转账信息；

S214：终止本次转账操作。

本实施例通过在获取本次转账信息和客户的历史转账特征数据之后，对本次转账进行多重识别，基于风险识别模型的风险识别、基于转账账户是否为合法工商账户的风险识别、基于转账账户是否在黑名单的风险识别，实现对本次转账的准确风险识别，从而保证客户转账的安全性。

具体的，本实施例中的风险识别模型为预先利用标记是否存在风险的训练样本对预设神经网络模型进行训练后得到的，训练样本包括不同客户的历史转账信息以及历史转账信息对应的历史转账特征数据；历史转账信息包括：转账时间、转账金额和转账账户；历史转账特征数据包括：客户年龄、账户余额、历史主要转账金额区间、向转账账户的转账频率。

其中，训练样本的获取方法如下：

以风险识别的目标客户群体为老年客户为例，获取历史转账数据中老年客户的历史转账信息，包括转账时间、转账金额和转账账户，根据后续追踪或被告知的是否受骗情况，为每笔历史转账信息标记是否存在风险，并针对每笔历史转账信息分别确定相应的历史转账特征数据，包括：客户年龄、账户余额、历史主要转账金额区间、向转账账户的转账频率。

针对每笔历史转账信息，其客户年龄为该笔转账发生时的客户年龄，账户余额为该笔转账发生时的客户余额，历史主要转账金额区间为该笔转账发生之前根据客户历史转账金额得到的主要转账金额区间，向转账账户的转账频率为历史转账记录中客户向该笔转账中的账户转账的频率。

在得到训练样本之后，根据模型的输入数据的数量和输出数据的数量确定BP神经网络结构，进而确定在模型训练过程中遗传算法中需要优化的参数个数。根据kolmogorov原理，一个三层BP神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可。把提取特征数据个数作为输入层节点个数、是否存在风险作为输出层的输出数据，进而确定输出层节点个数，隐层节点个数采用试凑法确定，从而确定BP神经网络结构。通过遗传算法输出的最优个体作为BP神经网络初始权值和阈值进行BP神经网络训练和学习，建立准确的风险识别模型。

基于上述实施例公开的一种转账处理方法，本实施例对应公开了一种转账处理装置，请参阅图3，该装置包括：

授权判断单元100，用于在接收到客户发送的转账请求的情况下，判断客户是否授权风险防控功能；

数据获取单元200，用于在客户授权风险防控功能的情况下，获取本次转账信息和客户的历史转账特征数据；

风险识别单元300，用于根据本次转账信息和客户的历史转账特征数据，判断本次转账是否存在风险，若不存在风险，触发转账执行单元400，若存在风险，触发转账冻结单元500；

所述转账执行单元400，用于执行本次转账操作；

所述转账冻结单元500，用于冻结本次转账；

异常转账信息收发单元600，用于通知客户预先设置的异常转账联系人，在接收到所述异常转账联系人反馈的确认转账信息的情况下，触发所述转账执行单元400，在接收到所述异常转账联系人反馈的取消转账信息的情况下，触发转账终止单元700；

所述转账终止单元700，用于终止本次转账操作。

可选的，所述授权判断单元100，具体用于：

获取客户标识；

根据客户标识查询授权风险防控功能数据表；

在所述授权风险防控功能数据表中存在客户标识的情况下，确定客户已授权风险防控功能；

在所述授权风险防控功能数据表中不存在客户标识的情况下，确定客户未授权风险防控功能。

可选的，所述风险识别单元300，具体用于：

将本次转账信息和客户的历史转账特征数据输入预先构建的风险预测模型中，得到风险预测结果；

根据所述风险预测结果确定本次转账是否存在风险。

可选的，所述风险识别单元300，具体用于：

将本次转账信息和客户的历史转账特征数据输入预先构建的风险预测模型中，得到风险预测结果；

在所述风险预测结果为不存在风险的情况下，确定本次转账不存在风险；

在所述风险预测结果为存在风险的情况下，判断本次转账的转账账户是否为合法工商账户；

若不为合法工商账户，确定本次转账存在风险；

若为合法工商账户，判断所述转账账户是否在黑名单中；

若在黑名单中，确定本次转账存在风险；

若不在黑名单中，确定本次转账不存在风险。

可选的，所述风险预测模型为预先利用标记是否存在风险的训练样本对预设神经网络模型进行训练后得到的，所述训练样本包括不同客户的历史转账信息以及历史转账信息对应的历史转账特征数据；

历史转账信息包括：转账时间、转账金额和转账账户；

历史转账特征数据包括：客户年龄、账户余额、历史主要转账金额区间、向所述转账账户的转账频率。

可选的，所述异常转账信息收发单元600，还用于在预设时长内若未接收到所述异常转账联系人的反馈信息的情况下，触发所述转账执行单元。

本实施例公开的一种转账处理装置，客户在授权银行风险防控功能之后，银行对客户的每笔转账进行风险识别，在识别到风险的情况下，冻结本次转账，并通知异常转账联系人，在异常转账联系人反馈的确认转账信息之后才执行本次转账，降低老年客户及其他易受骗客户受骗转账的风险，保证了客户转账的安全性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。