信用卡消费分期的决策方法及装置

摘要

本发明公开了一种信用卡消费分期的决策方法及装置，获取信用卡的本次消费交易相关信息，从本次消费交易相关信息中提取出交易特征数据，对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集，通过将特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。本发明能够根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低了人力成本，提高了消费分期的决策效率。

说明书

技术领域

本发明涉及数据处理技术领域，更具体的说，涉及一种信用卡消费分期的决策方法及装置。

背景技术

信用卡，又叫贷记卡，是一种非现金交易付款的方式，是简单的信贷服务。信用卡消费分期是指持卡人在刷卡消费以后，如果单笔消费金额达到银行规定的最低消费额，持卡人可以向银行申请把该笔消费拆分为几次还款，银行再将该笔消费分成多次计入持卡人的信用卡帐户。

现有的信用卡消费分期主要由人工客服根据客户消费金额大小确定客户符合分期条件时，对客户进行电话营销，推荐客户办理信用卡消费分期，若客户同意本笔消费分期，银行通过分期期数收取一定数额的手续费。

然而，现有的信用卡消费分期的决策过程需要大量的人工参与，因此需要花费较多的人力成本。

发明内容

有鉴于此，本发明公开一种信用卡消费分期的决策方法及装置，以实现根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低人力成本，提高消费分期的决策效率。

一种信用卡消费分期的决策方法，包括：

获取信用卡的本次消费交易相关信息；

从所述本次消费交易相关信息中提取出交易特征数据；

对所述交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集；

将所述特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果，所述分期决策结果包括：同意信用卡消费分期或不同意信用卡消费分期。

可选的，所述当前消费交易相关信息包括：当前消费交易基本信息和消费客户信息。

可选的，所述决策树模型的构建过程包括：

获取预设时间段内的历史消费交易相关信息；

从所述历史消费交易相关信息中提取出每一笔消费交易对应的特征类别属性，得到包含所有消费交易对应的特征类别属性的训练数据集；

将所述训练数据集放入根节点；

基于损失函数，将所述训练数据集分割成多个训练数据子集，并将各个所述训练数据子集分配至对应的叶子节点中，直至所有的所述训练数据子集分配完，构建得到所述决策树模型。

可选的，所述基于损失函数，将所述训练数据集分割成多个训练数据子集，并将各个所述训练数据子集分配至对应的叶子节点中，直至所有的所述训练数据子集分配完，构建得到所述决策树模型，具体包括：

基于所述损失函数，从放入所述根节点的所述训练数据集中选择一个最优特征属性；

基于所述最优特征属性对所述训练数据集进行分割得到多个训练数据子集；

构建叶子节点，并将每个所述训练数据子集划分到对应的叶子节点中；

基于所述损失函数，从放入每个所述叶子节点的所述训练数据子集中选择一个新的最优特征属性；

基于所述新的最优特征属性对所述训练数据子集进行分割；

如此递归，直至所有的所述训练数据子集都分配到对应的叶子节点上，得到所述决策树模型。

可选的，在构建得到所述决策树模型之后，还包括：

利用BP神经网络对所述决策树模型进行剪枝优化，得到优化后的决策树模型。

可选的，所述利用BP神经网络对所述决策树模型进行剪枝优化，得到优化后的决策树模型，具体包括：

将所述决策树模型的非叶子节点作为所述BP神经网络的输入层，将是否同意信用卡消费分期作为所述BP神经网络的输出层，构建神经网络模型；

随机初始化所述神经网络模型中的权值，所述权值表示对应的叶子节点在所述决策树模型中的重要程度；

基于所述权值对所述神经网络模型进行训练，得到所述神经网络模型的误差参数；

基于所述误差参数调整所述权值的大小得到最新权值；

基于所述最新权值对所述神经网络模型再次进行训练，如此反复，直至权值收敛或迭代次数达到预设次数得到最终权值，完成对所述决策树模型的剪枝优化，得到所述优化后的决策树模型。

一种信用卡消费分期的决策装置，包括：

获取单元，用于获取信用卡的本次消费交易相关信息；

提取单元，用于从所述本次消费交易相关信息中提取出交易特征数据；

处理单元，用于对所述交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集；

决策结果确定单元，用于将所述特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果，所述分期决策结果包括：同意信用卡消费分期或不同意信用卡消费分期。

可选的，还包括：模型构建单元；

所述模型构建单元用于构建所述决策树模型；

所述模型构建单元具体包括：

获取子单元，用于获取预设时间段内的历史消费交易相关信息；

提取子单元，用于从所述历史消费交易相关信息中提取出每一笔消费交易对应的特征类别属性，得到包含所有消费交易对应的特征类别属性的训练数据集；

根节点确定子单元，用于将所述训练数据集放入根节点；

模型确定子单元，用于基于损失函数，将所述训练数据集分割成多个训练数据子集，并将各个所述训练数据子集分配至对应的叶子节点中，直至所有的所述训练数据子集分配完，构建得到所述决策树模型。

可选的，所述模型确定子单元具体用于：

基于所述损失函数，从放入所述根节点的所述训练数据集中选择一个最优特征属性；

基于所述最优特征属性对所述训练数据集进行分割得到多个训练数据子集；

构建叶子节点，并将每个所述训练数据子集划分到对应的叶子节点中；

基于所述损失函数，从放入每个所述叶子节点的所述训练数据子集中选择一个新的最优特征属性；

基于所述新的最优特征属性对所述训练数据子集进行分割；

如此递归，直至所有的所述训练数据子集都分配到对应的叶子节点上，得到所述决策树模型。

可选的，模型构建单元还包括：

模型优化子单元，用于在构建得到所述决策树模型之后，利用BP神经网络对所述决策树模型进行剪枝优化，得到优化后的决策树模型。

可选的，所述模型优化子单元具体用于：

将所述决策树模型的非叶子节点作为所述BP神经网络的输入层，将是否同意信用卡消费分期作为所述BP神经网络的输出层，构建神经网络模型；

随机初始化所述神经网络模型中的权值，所述权值表示对应的叶子节点在所述决策树模型中的重要程度；

基于所述权值对所述神经网络模型进行训练，得到所述神经网络模型的误差参数；

基于所述误差参数调整所述权值的大小得到最新权值；

基于所述最新权值对所述神经网络模型再次进行训练，如此反复，直至权值收敛或迭代次数达到预设次数得到最终权值，完成对所述决策树模型的剪枝优化，得到所述优化后的决策树模型。

从上述的技术方案可知，本发明公开了一种信用卡消费分期的决策方法及装置，获取信用卡的本次消费交易相关信息，从本次消费交易相关信息中提取出交易特征数据，对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集，通过将特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。本发明能够根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低了人力成本，提高了消费分期的决策效率。

附图说明

为了更清楚地说明本发明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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据公开的附图获得其他的附图。

图1为本发明实施例公开的一种信用卡消费分期的决策方法流程图；

图2为本发明实施例公开的一种决策树模型的构建方法流程图；

图3为本发明实施例公开的一种利用BP神经网络对决策树模型进行剪枝优化得到优化后的决策树模型的方法流程图；

图4为本发明实施例公开的一种信用卡消费分期的决策装置的结构示意图；

图5为本发明实施例公开的一种模型构建单元的结构示意图。

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。

本发明实施例公开了一种信用卡消费分期的决策方法及装置，获取信用卡的本次消费交易相关信息，从本次消费交易相关信息中提取出交易特征数据，对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集，通过将特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。本发明能够根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低了人力成本，提高了消费分期的决策效率。

参见图1，本发明实施例公开的一种信用卡消费分期的决策方法流程图，该方法包括：

步骤S101、获取信用卡的本次消费交易相关信息；

其中，本实施例中的消费交易指的是用户以信用卡作为支付结算工具，在商家的POS机或者网上支付平台发生的购物、旅游、餐饮、交通、教育等消费。

本次消费交易相关信息具体可以包括：当前消费交易基本信息和消费客户信息。

当前消费交易基本信息比如，消费金额、消费时间、消费地点、消费方式、消费渠道、消费类别和消费属性等。

其中，消费类别实际为交易类别，包含：存款交易类别、代理保险交易类别、理财交易类别和信用卡交易类别等，本发明中只选取信用卡交易类别的相关数据。

消费属性包括：餐饮消费、当地交通消费、购物消费、教育留学消费、医疗保健消费、住宿消费和其他消费。

消费客户信息包括：客户年龄、客户性别、客户婚姻状况、客户信用等级、月均交易额、分期频率等。

步骤S102、从所述本次消费交易相关信息中提取出交易特征数据；

其中，交易特征数据比如，客户性别，消费金额为大额或小额等。

步骤S103、对所述交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集；

特征类别属性指的每个特征属性的取值在数量固定的范围，可以通过特征类别属性对数据进行分类，比如，特征类别属性为性别，分类为男性和女性。

需要说明的是，决策树模型要求输入数据为特征类别属性，因此需要对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集。比如，将消费金额分段划分为：[<300，300-500，500-2000，>2000]四个区间，将消费时间划分为：[23:00-09:00，09:00-12:00，12:00-14:00，14:00-17:00，17:00-23:00]五个区间。

步骤S104、将所述特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。

其中，所述分期决策结果包括：同意信用卡消费分期或不同意信用卡消费分期。

综上可知，本发明公开了一种信用卡消费分期的决策方法，获取信用卡的本次消费交易相关信息，从本次消费交易相关信息中提取出交易特征数据，对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集，通过将特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。本发明能够根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低了人力成本，提高了消费分期的决策效率。

为进一步优化上述实施例，参见图2，本发明实施例公开的一种决策树模型的构建方法流程图，该方法包括：

步骤S201、获取预设时间段内的历史消费交易相关信息；

其中，预设时间段的取值依据实际需要而定，本发明在此不做限定。

历史消费交易相关信息中包含在预设时间段内每一笔消费交易对应的消费交易相关信息。

步骤S202、从所述历史消费交易相关信息中提取出每一笔消费交易对应的特征类别属性，得到包含所有消费交易对应的特征类别属性的训练数据集；

其中，从历史消费交易相关信息中提取出特征类别属性的过程可参见图1所示实施例对应内容，此处不再赘述。

步骤S203、将所述训练数据集放入根节点；

本实施例从根节点开始，基于训练数据集构建决策树模型。

步骤S204、基于损失函数，将所述训练数据集分割成多个训练数据子集，并将各个所述训练数据子集分配至对应的叶子节点中，直至所有的所述训练数据子集分配完，构建得到所述决策树模型。

其中，损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。

本发明基于损失函数，将训练数据集分割成多个训练数据子集来构建决策树模型。

步骤S204具体可以包括：

基于损失函数，从放入所述根节点的所述训练数据集中选择一个最优特征属性；

基于所述最优特征属性对所述训练数据集进行分割得到多个训练数据子集；

构建叶子节点，并将每个所述训练数据子集划分到对应的叶子节点中；

基于所述损失函数，从放入每个所述叶子节点的所述训练数据子集中选择一个新的最优特征属性；

基于所述新的最优特征属性对所述训练数据子集进行分割；

如此递归，直至所有的所述训练数据子集都分配到对应的叶子节点上，得到所述决策树模型。

本发明从根节点开始，基于损失函数，通过对训练数据集进行分割，逐步确定各个叶子节点，直至所有训练数据子集均被正确分类或者没有合适特征为止，从而实现将所有的训练数据子集均分配到对一个的叶子节点上，形成一个决策树模型。

通常生成的决策树模型可能发生过拟合现象，所谓过拟合现象指的是决策树模型在训练数据中决策的正确率比较高，但是在测试集中决策的正确率偏低的情况。

本发明为避免决策树模型发生过拟合现象，在步骤S204之后，还可以包括：

利用BP神经网络对决策树模型进行剪枝优化，得到优化后的决策树模型。

BP(Back Propagation)神经网络一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

较优的，步骤S104中的使用的决策树模型优选优化后的决策树模型。

为进一步优化上述实施例，参见图3，本发明实施例公开的一种利用BP神经网络对决策树模型进行剪枝优化得到优化后的决策树模型的方法流程图，该方法包括：

步骤S301、将决策树模型的非叶子节点作为BP神经网络的输入层，将是否同意信用卡消费分期作为BP神经网络的输出层，构建神经网络模型；

决策树模型的非叶子节点，比如客户类别＝“女”，消费属性＝“住宿消费”等。

步骤S302、随机初始化所述神经网络模型中的权值；

其中，权值表示对应的叶子节点在决策树模型中的重要程度。

步骤S303、基于所述权值对所述神经网络模型进行训练，得到所述神经网络模型的误差参数；

步骤S304、基于所述误差参数调整所述权值的大小得到最新权值；

步骤S305、基于所述最新权值对所述神经网络模型再次进行训练，如此反复，直至权值收敛或迭代次数达到预设次数得到最终权值，完成对所述决策树模型的剪枝优化，得到所述优化后的决策树模型。

与上述方法实施例相对应，本发明还公开了一种信用卡消费分期的决策装置。

参见图4，本发明实施例公开的一种信用卡消费分期的决策装置的结构示意图，该装置包括：

获取单元401，用于获取信用卡的本次消费交易相关信息；

其中，本实施例中的消费交易指的是用户以信用卡作为支付结算工具，在商家的POS机或者网上支付平台发生的购物、旅游、餐饮、交通、教育等消费。

本次消费交易相关信息具体可以包括：当前消费交易基本信息和消费客户信息。

当前消费交易基本信息比如，消费金额、消费时间、消费地点、消费方式、消费渠道、消费类别和消费属性等。

其中，消费类别实际为交易类别，包含：存款交易类别、代理保险交易类别、理财交易类别和信用卡交易类别等，本发明中只选取信用卡交易类别的相关数据。

消费属性包括：餐饮消费、当地交通消费、购物消费、教育留学消费、医疗保健消费、住宿消费和其他消费。

消费客户信息包括：客户年龄、客户性别、客户婚姻状况、客户信用等级、月均交易额、分期频率等。

提取单元402，用于从所述本次消费交易相关信息中提取出交易特征数据；

其中，交易特征数据比如，客户性别，消费金额为大额或小额等。

处理单元403，用于对所述交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集；

特征类别属性指的每个特征属性的取值在数量固定的范围，可以通过特征类别属性对数据进行分类，比如，特征类别属性为性别，分类为男性和女性。

决策结果确定单元404，用于将所述特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果，所述分期决策结果包括：同意信用卡消费分期或不同意信用卡消费分期。

综上可知，本发明公开了一种信用卡消费分期的决策装置，获取信用卡的本次消费交易相关信息，从本次消费交易相关信息中提取出交易特征数据，对交易特征数据进行离散化和分类处理，得到包含多个特征类别属性的特征类别属性集，通过将特征类别属性集输入至预先构建的决策树模型，得到当前消费交易的分期决策结果。本发明能够根据每一笔消费交易相关信息进行智能决策，确定该笔消费交易是否分期，整个决策过程无需人工参与，从而降低了人力成本，提高了消费分期的决策效率。

上述实施例中，决策装置还可以包括：模型构建单元；

所述模型构建单元用于构建所述决策树模型。

为进一步优化上述实施例，参见图5，本发明实施例公开的一种模型构建单元的结构示意图，模型构建单元具体包括：

获取子单元501，用于获取预设时间段内的历史消费交易相关信息；

其中，预设时间段的取值依据实际需要而定，本发明在此不做限定。

历史消费交易相关信息中包含在预设时间段内每一笔消费交易对应的消费交易相关信息。

提取子单元502，用于从所述历史消费交易相关信息中提取出每一笔消费交易对应的特征类别属性，得到包含所有消费交易对应的特征类别属性的训练数据集；

根节点确定子单元503，用于将所述训练数据集放入根节点；

模型确定子单元504，用于基于损失函数，将所述训练数据集分割成多个训练数据子集，并将各个所述训练数据子集分配至对应的叶子节点中，直至所有的所述训练数据子集分配完，构建得到所述决策树模型。

其中，损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。

本发明基于损失函数，将训练数据集分割成多个训练数据子集来构建决策树模型。

模型确定子单元504具体用于：

基于所述损失函数，从放入所述根节点的所述训练数据集中选择一个最优特征属性；

基于所述最优特征属性对所述训练数据集进行分割得到多个训练数据子集；

构建叶子节点，并将每个所述训练数据子集划分到对应的叶子节点中；

基于所述损失函数，从放入每个所述叶子节点的所述训练数据子集中选择一个新的最优特征属性；

基于所述新的最优特征属性对所述训练数据子集进行分割；

如此递归，直至所有的所述训练数据子集都分配到对应的叶子节点上，得到所述决策树模型。

通常生成的决策树模型可能发生过拟合现象，所谓过拟合现象指的是决策树模型在训练数据中决策的正确率比较高，但是在测试集中决策的正确率偏低的情况。

本发明为避免决策树模型发生过拟合现象，模型构建单元还可以包括：

模型优化子单元，用于在构建得到所述决策树模型之后，利用BP神经网络对所述决策树模型进行剪枝优化，得到优化后的决策树模型。

其中，模型优化子单元具体可以用于：

将所述决策树模型的非叶子节点作为所述BP神经网络的输入层，将是否同意信用卡消费分期作为所述BP神经网络的输出层，构建神经网络模型；

随机初始化所述神经网络模型中的权值，所述权值表示对应的叶子节点在所述决策树模型中的重要程度；

基于所述权值对所述神经网络模型进行训练，得到所述神经网络模型的误差参数；

基于所述误差参数调整所述权值的大小得到最新权值；

基于所述最新权值对所述神经网络模型再次进行训练，如此反复，直至权值收敛或迭代次数达到预设次数得到最终权值，完成对所述决策树模型的剪枝优化，得到所述优化后的决策树模型。

最后，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。

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。