信用卡消费分期的决策方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
信用卡消费分期的决策方法及装置
本专利技术涉及数据处理
，更具体的说，涉及一种信用卡消费分期的决策方法及装置。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术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。本专利技术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，提高了消费分期本文档来自技高网...

【技术保护点】
1.一种信用卡消费分期的决策方法，其特征在于，包括：/n获取信用卡的本次消费交易相关信息；/n从所述本次消费交易相关信息中提取出交易特征数据；/n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；/n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。/n

【技术特征摘要】
1.一种信用卡消费分期的决策方法，其特征在于，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。


2.根据权利要求1所述的决策方法，其特征在于，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。


3.根据权利要求1所述的决策方法，其特征在于，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。


4.根据权利要求3所述的决策方法，其特征在于，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。


5.根据权利要求3所述的决策方法，其特征在于，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。


6.根据权利要求5所述的决策方法，其特征在于，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...

【专利技术属性】
技术研发人员：蔡梦华，林金妮，和欢，贠博严，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11