CN106127531A - 基于机器学习来执行差异化定价的方法及系统 - Google Patents

Abstract

提供了一种基于机器学习来执行差异化定价的方法及系统，所述方法包括：(A)、获取关于待定价项和/或待定价项的支付者的信息；(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；(D)、基于预估出的价格接受概率来确定待定价项的价格。基于所述差异化定价方法及系统，能够克服现有的差异化定价方式欠缺有效性的缺陷。

Description

基于机器学习来执行差异化定价的方法及系统

技术领域

本发明总体说来涉及人工智能领域，更具体地说，涉及一种基于机器学习来执行差异化定价的方法及系统。

背景技术

实践中，对于待支付的项目(例如，商品和/或服务等)，往往采用固定定价的方式来确定支付金。特别是对于诸如押金、预付款、罚金、利率等，通常都是按照预先确定的固定规则或算法来确定数额。

然而，在经营活动中，对于某些出售的商品和/或服务，会期望针对支付者制定差异化的价格，以满足诸如最大化获利等需求。为此，通常采用人工方式对价格进行调整，然而，这种方式不仅受制于调价人员的业务水平，而且需要耗费大量的人力成本，在准确性方面和效率方面都无法满足人们的需求。

随着计算机技术的发展，可利用基于数据建立的定价模型来确定待定价项的价格。例如，公开号为CN10520571A的中国专利申请提出了一种网络动态定价方法和系统，在所述方法和系统中，首先获取动态定价商品的数据信息，例如，价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；根据设置的定价任务目标，对所述数据信息进行分析，确定与动态定价商品相匹配的定价模型；使用确定的相匹配的定价模型计算动态定价商品的动态价格。这里，不同的定价模型可依据需求区分定价、依据供给状况区分定价、依据商品成本区分定价、依据用户特征区分定价或依据时间周期区分定价。

可以看出，现有的定价模型倾向于直接针对价格进行预测，但是其难以保证定价模型依据特定因素而预测出的价格恰为最容易被特定支付者所接受的定价，即，缺乏针对特定支付者的定价准确性。

发明内容

本发明的示例性实施例旨在克服现有的差异化定价方式欠缺有效性的缺陷。

根据本发明的示例性实施例，提供一种基于机器学习来执行差异化定价的方法，包括：(A)、获取关于待定价项和/或待定价项的支付者的信息；(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；(D)、基于预估出的价格接受概率来确定待定价项的价格。

可选地，在所述方法中，在步骤(D)中，可基于预估出的价格接受概率，在预定约束条件下确定待定价项的价格。

可选地，在所述方法中，在步骤(D)中，可基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，其中，所述预定业务目标涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。

可选地，在所述方法中，候选价格可基于价格接受概率和/或所述预定业务目标而自动调整。

可选地，在所述方法中，关于待定价项的信息可用于描述待定价项的以下项之中的至少一项：销售地点、销售环境、保质期限、销售时节、销售历史、性质、成本、库存、付款方式、营销历史；并且/或者，关于待定价项的支付者的信息可用于描述支付者的以下项之中的至少一项：消费历史、身份、资产、收入、购物习惯。

可选地，在所述方法中，待定价项可指信用卡的现金分期、交易分期或账单分期，其中，待定价项的价格可指现金分期、交易分期或账单分期的利率。

可选地，在所述方法中，可响应于信用卡的现金分期申请、交易完成或账单生成来执行步骤(A)，或者，可按照预定时间间隔来执行步骤(A)。

可选地，在所述方法中，步骤(D)可还包括：输出所确定的待定价项的价格。

可选地，在所述方法中，在步骤(D)之后，所述方法可还包括：(E)、接收关于是否在所述预定时间段接受了在步骤(D)确定的价格的反馈结果；(F)、基于接收的反馈结果来产生差异化定价模型的训练样本，并基于训练样本来更新差异化定价模型。

可选地，在所述方法中，在步骤(F)中，可将接收的反馈结果作为训练样本的标记，并将相应的预测样本的特征作为训练样本的特征。

根据本发明示例性实施例的另一方面，提供一种基于机器学习来执行差异化定价的系统，包括：信息获取装置，用于获取关于待定价项和/或待定价项的支付者的信息；预测样本产生装置，用于基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；预估装置，用于通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；确定装置，用于基于预估出的价格接受概率来确定待定价项的价格。

可选地，在所述系统中，确定装置可基于预估出的价格接受概率，在预定约束条件下确定待定价项的价格。

可选地，在所述系统中，确定装置可基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，其中，所述预定业务目标涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。

可选地，在所述系统中，候选价格可基于价格接受概率和/或所述预定业务目标而自动调整。

可选地，在所述系统中，关于待定价项的信息可用于描述待定价项的以下项之中的至少一项：销售地点、销售环境、保质期限、销售时节、销售历史、性质、成本、库存、付款方式、营销历史；并且/或者，关于待定价项的支付者的信息可用于描述支付者的以下项之中的至少一项：消费历史、身份、资产、收入、购物习惯。

可选地，在所述系统中，待定价项可指信用卡的现金分期、交易分期或账单分期，其中，待定价项的价格可指现金分期、交易分期或账单分期的利率。

可选地，在所述系统中，信息获取装置可响应于信用卡的现金分期申请、交易完成或账单生成来获取关于待定价项和/或待定价项的支付者的信息，或者，信息获取装置可按照预定时间间隔来获取关于待定价项和/或待定价项的支付者的信息。

可选地，在所述系统中，确定装置还输出所确定的待定价项的价格。

可选地，所述系统可还包括：反馈收集装置，用于接收关于是否在所述预定时间段接受了由确定装置确定的价格的反馈结果；训练样本产生装置，用于基于接收的反馈结果来产生差异化定价模型的训练样本；模型训练装置，用于基于训练样本来更新差异化定价模型。

可选地，在所述系统中，训练样本产生装置可将接收的反馈结果作为训练样本的标记，并将相应的预测样本的特征作为训练样本的特征。

根据本发明示例性实施例的一方面，提供一种基于机器学习来执行差异化定价的计算装置，包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行下述步骤：(A)、获取关于待定价项和/或待定价项的支付者的信息；(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；(D)、基于预估出的价格接受概率来确定待定价项的价格。

可选地，在所述计算装置中，在步骤(D)中，可基于预估出的价格接受概率，在预定约束条件下确定待定价项的价格。

可选地，在所述计算装置中，在步骤(D)中，可基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，其中，所述预定业务目标涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。

可选地，在所述计算装置中，候选价格可基于价格接受概率和/或所述预定业务目标而自动调整。

可选地，在所述计算装置中，关于待定价项的信息可用于描述待定价项的以下项之中的至少一项：销售地点、销售环境、保质期限、销售时节、销售历史、性质、成本、库存、付款方式、营销历史；并且/或者，关于待定价项的支付者的信息可用于描述支付者的以下项之中的至少一项：消费历史、身份、资产、收入、购物习惯。

可选地，在所述计算装置中，待定价项可指信用卡的现金分期、交易分期或账单分期，其中，待定价项的价格可指现金分期、交易分期或账单分期的利率。

可选地，在所述计算装置中，可响应于信用卡的现金分期申请、交易完成或账单生成来执行步骤(A)，或者，可按照预定时间间隔来执行步骤(A)。

可选地，在所述计算装置中，步骤(D)可还包括：输出所确定的待定价项的价格。

可选地，在所述计算装置中，在步骤(D)之后，可还执行以下步骤：(E)、接收关于是否在所述预定时间段接受了在步骤(D)确定的价格的反馈结果；(F)、基于接收的反馈结果来产生差异化定价模型的训练样本，并基于训练样本来更新差异化定价模型。

可选地，在所述计算装置中，在步骤(F)中，可将接收的反馈结果作为训练样本的标记，并将相应的预测样本的特征作为训练样本的特征。

在根据本发明示例性实施例的基于机器学习来执行差异化定价的方法及系统中，能够通过基于至少一个候选价格来预估相应的购买概率，从而有助于实现有效的差异化定价。

附图说明

从下面结合附图对本发明实施例的详细描述中，本发明的这些和/或其他方面和优点将变得更加清楚并更容易理解，其中：

图1示出根据本发明示例性实施例的基于机器学习来执行差异化定价的系统的框图；

图2示出根据本发明另一示例性实施例的基于机器学习来执行差异化定价的系统的框图；

图3示出根据本发明示例性实施例的基于机器学习来执行差异化定价的方法的流程图；以及

图4示出根据本发明另一示例性实施例的基于机器学习来执行差异化定价的方法的流程图。

具体实施方式

为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明的示例性实施例作进一步详细说明。

在本发明的示例性实施例中，通过以下方式来实现差异化定价：利用基于机器学习技术训练出的差异化定价模型，针对至少一个候选价格来分别预估各个候选价格被接受的概率，并基于预估的概率来确定待定价项的价格。这里，机器学习是人工智能研究发展到一定阶段的必然产物，其致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，通过机器学习算法，可从数据中产生“模型”，也就是说，将经验数据提供给机器学习算法，就能基于这些经验数据产生模型，在面对新的情况时，模型会提供相应的判断，即，预测结果。机器学习可被实现为“有监督学习”、“无监督学习”或“半监督学习”的形式，应注意，本发明对具体的二分类机器学习算法并不进行特定限制。此外，还应注意，在训练和应用所述差异化定价模型的过程中，还可利用统计算法、业务规则和/或专家知识等，以进一步提高预测结果的准确性。

图1示出根据本发明示例性实施例的基于机器学习来执行差异化定价的系统的框图。具体说来，所述差异化定价系统提出了一种预估各个候选价格被接受的概率的处理体系结构，其中，预估出的价格接受概率被用于进一步确定待定价项的价格。作为示例，待定价项可指期望以差异化的定价出售的商品和/或服务等，例如，由于诸如销售地点及其周边环境、商品和/或服务本身的性质等各种因素，同样的项目需要以不同的价格来出售，才能更好地满足经营目标。此外，也可针对不同的支付者产生差异化的定价，即，基于支付者的特点来针对性地实现精细化的定价。应注意，在本发明的示例性实施例中，对待定价项进行定价，主要是为了基于与待定价项和/或支付者相关的属性信息来个性化地确定待定价项的价格，这里的待定价项不但可指示待售的商品和/或服务等，还可指示其他需付出代价的项目，例如，需支付押金的交易、需预付一定金额的商品和/或服务、需上交罚款的处罚、使用信用卡预先支取的现金、信用卡交易、信用卡账单等，相应地，待定价项的价格可指示诸如押金、预付款、罚金、利率等各种代价的数值。此外，以上描述的支付者可指示潜在的可能支付价款的对象，其包括了实际上将支付价款的对象或实际上未支付价款的对象。

这里，图1所示的差异化定价系统可全部通过计算机程序以软件方式来实现，也可由专门的硬件装置来实现，还可通过软硬件结合的方式来实现。相应地，组成图1所示的差异化定价系统的各个装置可以是仅依靠计算机程序来实现相应功能的虚拟组件，也可以是依靠硬件结构来实现所述功能的通用或专用器件，还可以是运行有相应计算机程序的处理器等。利用所述系统，不仅能够有助于自动进行差异化定价，而且在自动定价过程中，能够借助各个候选价格相应的被接受概率来较为有效地确定适合的价格。

如图1所示，信息获取装置100用于获取关于待定价项和/或待定价项的支付者的信息。应注意，根据本发明的示例性实施例，差异化定价的基础可仅包括关于待定价项的信息，也可仅包括关于待定价项的支付者的信息，还可包括上述两种信息的组合。这里，关于待定价项的信息可不限于待定价项自身的信息，而可指示与该待定价项有关的任何信息，例如，针对待售商品而言，信息获取装置100可获取待售商品本身的属性信息，也可获取待售商品的销售环境、销售季节性特点、竞品上市情况等信息。同样地，关于待定价项的支付者的信息也可指示与该支付者有关的任何信息。

也就是说，由信息获取装置100所获取的信息可涉及待定价项和/或支付者在某方面的表现或性质，实际上，任何与待定价项和/或支付者相关的、能够作为机器学习特征的信息数据均可应用于本发明的示例性实施例，而不限制所述信息需对待定价项和/或支付者自身进行限定或描述。作为示例，关于待定价项的信息可用于描述待定价项的以下项之中的至少一项：销售地点、销售环境、保质期限、销售时节、销售历史、性质、成本、库存、付款方式、营销历史等类似物；关于待定价项的支付者的信息可用于描述支付者的以下项之中的至少一项：消费历史、身份、资产、收入、购物习惯等类似物。

相应地，信息获取装置100可通过适当的方式来收集关于待定价项和/或待定价项的支付者的信息。这里，信息获取装置100可从一个或多个数据源收集上述信息，例如，信息获取装置100可从一个或多个具有数据的服务器和/或终端设备获取相关的信息，所述数据可以是相关人员手动填写的数据、在线提交的数据、预先存储或生成的数据、也可以是从外部接收的数据。

在本发明的示例性实施例中，可基于各种格式和类型的信息数据进行机器学习，相应地，信息获取装置100可获取不同来源的结构化或非结构化信息数据，例如，文本数据或数值数据等。

这里，信息数据可包括来源于定价部门内部的信息数据以及来源于外部数据源的信息数据(例如，来源于数据提供商的数据、来源于互联网(例如，社交网站)的数据、来源于移动运营商的数据、来源于APP运营商的数据、来源于快递公司的数据等)。这些信息数据可通过输入接口输入到信息获取装置100，或者由信息获取装置100根据已有的数据来自动生成，或者可由信息获取装置100从网络上(例如，网络上的存储介质(例如，数据仓库))获得，此外，诸如服务器的中间数据交换装置可有助于信息获取装置100从外部数据源获取相应的信息数据。这里，获取的信息数据可被信息获取装置100中的文本分析模块等数据转换模块转换为容易处理的格式。

应注意，作为可选方式，信息获取装置100可将获取的信息存储为“表”的形式，此外，信息获取装置100可被配置为由软件、硬件和/或固件组成的各个模块，这些模块中的某些模块或全部模块可被集成为一体或共同协作以完成特定功能。

预测样本产生装置200用于基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本。

所述候选价格可包括待定价项有可能被指定的若干个价格，这些候选价格的确定方式并不受限。例如，可根据经验规则来逐一设置候选价格；或者，在适当的价格区间内按预定方式抽取出候选价格；或者，可根据另外的预测模型(例如，机器学习模型)来确定一个或多个候选价格等等。应注意，作为示例，这些候选价格可在后续被进行调整，以便差异化定价的结果更符合实际需要。

这里，预测样本产生装置200针对每个候选价格来构建差异化定价模型的一条预测样本，即，每个候选价格分别作为预测样本的特征之一，与相应的属性特征一起构成预测样本。通过这种方式，使得可以在后续利用差异化定价模型来预估待定价项以各个候选价格被接受的概率，从而克服了直接预估待定价项价格的弊端，使得差异化定价的结果更为有效。

所述差异化定价模型是基于机器学习算法训练得到的，训练好的差异化定价模型能够基于预测样本来预估在预定时间段接受各个候选价格的价格接受概率。具体说来，可使用大量的历史数据来产生训练样本，利用这些训练样本，基于特定的机器学习算法(即，二分类机器学习算法)，可训练出差异化定价模型，其中，所述历史数据是指历史上真实存在的实际样例，作为示例，在尚未训练出差异化定价模型的情况下，可通过测试待定价项在所有候选价格下的被接受情况来获取实际样例，而在训练出了差异化定价模型的情况下，可通过追踪预测样本在确定的候选价格下的被接受情况来获取实际样例。

具体说来，所述实际样例包括了基于待定价项和/或待定价项的支付者的信息产生的属性特征、相应的候选价格以及所述候选价格是否被接受的实际情况，其中，属性特征和所述候选价格同样组合为训练样本的特征，而所述候选价格是否被接受的实际情况作为训练样本的标记(label)，该标记可指示所述候选价格在预定时间段内是否被接受(例如，相应的商品和/或服务是否在预定时间段内以所述候选价格被成功售出等)。

具体说来，预测样本产生装置200可经由特征工程等处理，基于由信息获取装置100获取的信息来产生差异化定价模型的预测样本所包括的属性特征，例如，预测样本产生装置200可对获取的各原始信息字段进行诸如离散化、字段组合、提取部分字段值、取整等各种特征工程的处理，从而将原始属性值转换为可用于机器学习的属性特征。

在产生了属性特征之后，预测样本产生装置200可分别将每条候选价格与上述属性特征组合在一起，以产生分别与每个候选价格相应的至少一条预测样本。

预估装置300用于通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率。

如上所述，差异化定价模型可以是基于二分类机器学习算法所训练出的模型，预估装置300可将所述至少一条预测样本分别输入差异化定价模型，针对每一条预测样本，差异化定价模型可预估出待定价项能够以该条预测样本所包含的候选价格在预定时间段被接受的概率。作为示例，预估结果可以是在[0,1]之间的任一百分数。也就是说，大体上讲，对于相同的待定价项，候选价格越低，其被接受的概率相对越高，而通过基于机器学习的差异化定价模型，能够更细化地反映出不同候选价格下被接受的可能性差异，基于这种量化的差异，可进一步确定出最终的价格。

确定装置400用于基于预估出的价格接受概率来确定待定价项的价格。具体说来，在预估装置300获取了所有候选价格各自的被接受概率之后，确定装置400可按照一定的准则来进一步确定待定价项的价格。例如，可直接将候选价格概率明显高出的候选价格确定为待定价项的价格。这里，确定装置400可将确定的价格保存在相应的存储位置，以备后续使用或处理。通过利用确定装置400基于预估装置300的预估结果来进一步确定价格，不仅降低了机器学习模型设计的复杂程度，而且能够灵活地调整价格制定方式。

这里，作为示例，确定装置400可基于预估出的价格接受概率，在预定约束条件下确定待定价项的价格。具体说来，所述预定约束条件可以是涉及定价规范的一些强制性条件。

此外，作为另一示例，确定装置400可基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，例如，该预定业务目标可以是追求销售利润最大化，在这种情况下，可将候选价格与相应的价格接受概率两者的乘积最大时的候选价格确定为待定价项的价格。应注意，业务目标的内容并不受限，作为示例，所述预定业务目标可涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。

根据本发明的示例性实施例，各种预定约束条件和预定业务目标可以灵活地互相组合，以构成相应的价格确定准则。例如，可设置销量优先利润的准则，相应地，当某个候选价格的价格接受概率明显高于其他候选价格或高于某个预设阈值时(表明该候选价格将带来明显的销量增长)，则可直接将该候选价格确定为待定价项的价格。当不存在这种明显高出的价格接受概率的情况下，再考虑各个候选价格带来的利润量(例如，衡量各个候选价格与其对应的价格接受概率两者的乘积量)来确定待定价项的价格。

可以看出，由于预估装置300首先估计出了各个候选价格的被接受概率，这使得确定装置400可随后基于这样的预估结果进行灵活和多样化的价格决策，与直接基于多分类来预估待定价项的价格相比，更易于设计得符合业务需求，也更容易准确地学习到与支付者匹配的价格。

作为示例，根据本发明示例性实施例的候选价格还可以基于价格接受概率和/或所述预定业务目标而自动调整。也就是说，在初始设定了候选价格之后，还可在后续对其进行调整，调整时可考虑价格接受概率，比如，价格接受概率一直偏低的候选价格可适当下降，此外，也可根据预定业务目标来调整候选价格，比如，期望销量大幅增长时，可普遍下调候选价格。应注意，本发明的示例性实施例并不限制候选价格的调整方式，以上仅作为示例以起到解释作用，例如，上述两种调整策略也可以互相融合。这里，作为示例，调整候选价格的处理可由预测样本产生装置200来执行，也可由额外设置的其他装置来执行。

进一步地，确定装置400还可输出所确定的待定价项的价格。这里，确定装置40可在相应的触发条件下将存储的确定价格发送出去，例如，在价格被确定之后立即输出所述价格，或者，按照定时或根据用户指示来输出所述价格。这里，确定装置40可将确定的价格发送给支付者或中间的转发装置，该转发装置(可包括在差异化定价系统的内部或也可设置在差异化定价系统的外部)可将该价格进一步发送到支付者。作为示例，确定装置400可将确定的价格经由信息和/或消息等通知的形式直接或间接发送到支付者。

此外，进一步地，根据本发明示例性实施例的差异化定价系统还可较好地完成模型自学习，具体说来，由于差异化系统所预估的是各个候选价格的接受概率，因此，该系统还可额外接收各个候选价格的真实接受情况以作为新的训练样本，用于更新差异化定价模型。

图2示出根据本发明另一示例性实施例的基于机器学习来执行差异化定价的系统的框图。图2所示的差异化定价系统除了包括信息获取装置100、预测样本产生装置200、预估装置300、确定装置400之外，还额外包括反馈收集装置500、训练样本产生装置600和模型训练装置700。这里，信息获取装置100、预测样本产生装置200、预估装置300和确定装置400执行的操作与它们在图1的差异化定价系统中执行的操作类似，这里将不再赘述。

参照图2，反馈收集装置500用于接收关于是否在所述预定时间段接受了由确定装置400确定的价格的反馈结果。具体说来，在待定价项的支付者(例如，潜在目标顾客)收到了由确定装置400确定的价格之后，可监测该支付者是否在相关的预定时间段接受了所述价格，例如，该支付者是否针对待定价项做出了支付或许诺支付的行为。作为示例，反馈收集装置500可在支付者明确接受或拒绝所确定的价格的情况下接收到相应的反馈结果，也可在支付者在预定时间段内未作出任何反应的情况下接收到相应的反馈结果。这里，所述反馈结果还可包括支付者标识、待定价项和价格信息，通过这种方式，差异化定价系统可有效地获取关于待定价项是否在预定时间段以确定的价格被接受的真实样例，这些样例可作为用于更新差异化定价模型的训练样本，这里的更新也包括重新训练模型的含义。

训练样本产生装置600用于基于接收的反馈结果来产生差异化定价模型的训练样本。具体说来，在反馈收集装置500接收到反馈结果之后，其将反馈结果提供给训练样本产生装置600，这里，可基于接收到的反馈结果，结合先前获取的关于待定价项和/或待定价项的支付者的信息、相应的属性特征、所确定的价格和预测样本之中的至少一项来产生差异化定价模型的训练样本。

作为示例，在差异化系统中，由信息获取装置100所获取的信息可被存储为待定价项的属性信息记录，这样，在训练样本产生装置600接收到反馈结果之后，训练样本产生装置600可经由特征工程等处理基于属性信息记录来产生属性特征，并将产生的属性特征、相应的确定价格以及该价格是否被接受的结果组合为差异化定价模型的训练样本。这里，训练样本产生装置600可与预测样本产生装置200共享特征工程的相关组件，这两个装置可由此执行完全相同的特征工程处理，也可在产生用于更新差异化定价模型的训练样本时调整特征工程的具体处理，产生与先前预测样本不同的属性特征。

作为另一示例，在差异化系统中，可存储由预测样本产生装置200产生的预测样本中的特征，这样，在无需对差异化定价模型的特征构成进行调整的情况下，训练样本产生装置600可基于存储的预测样本的特征连同接收的反馈结果来产生差异化定价模型的训练样本，其中，训练样本产生装置600可将接收的反馈结果作为训练样本的标记，并将相应的预测样本的特征作为训练样本的特征。

模型训练装置700用于基于训练样本来更新差异化定价模型。具体说来，在训练样本产生装置600产生了一定数量的训练样本之后，模型训练装置700可基于这些训练样本来更新差异化定价模型，这里，模型训练装置700可在模型训练的过程中，利用分布式框架来完成模型训练，使得机器学习模型的参数分散在多个参数服务器上，并且训练模型运算过程也由多个服务器来并行完成。模型训练装置700可将更新后的差异化定价模型提供给预估装置300，以对后续的待定价项进行差异化定价。

通过上述方式，能够有效地产生增量训练样本，并基于增量训练样本来更新差异化定价模型，从而提高差异化定价的针对性。

应理解，上述装置可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，这些装置可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的单元或模块。此外，这些装置所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。这些装置可构成实时确定或离线确定价格的差异化定价系统。

以下参照图3来描述根据本发明示例性实施例的基于机器学习来执行差异化定价的方法的流程图。这里，作为示例，图3所示的方法可由图1所示的定价系统来执行，也可完全通过计算机程序以软件方式实现，还可通过特定配置的计算装置来执行图3所示的方法。

为了描述方便，假设图3所示的方法由图1所示的定价系统来执行，通过执行图3所示的方法，能够预估出各个候选价格在预定时间段被接受的概率，进而依据预估出的概率来确定待定价项的价格，从而有效地进行差异化定价。

如图3所示，在步骤S100中，由信息获取装置100获取关于待定价项和/或待定价项的支付者的信息。这里，可按照特定触发或请求机制来执行步骤S100，从而满足实时或批量获取差异化的价格的需求。

作为示例，待定价项可对应于待出售的商品和/或服务，也可对应于任何需要付出代价的项目，例如，需要支付押金、预付款、罚金、利息的项目等。关于待定价项和/或待定价项的支付者的信息可反映待定价项和/或支付者在某方面的表现或性质(即，属性)，这些属性有可能在某种程度上影响着各个候选价格的被接受程度。作为示例，所述信息可获取自一个或多个数据来源，例如，可获取自一个或多个数据表中的相应属性字段值。

例如，关于待定价项的信息可用于描述待定价项的以下项之中的至少一项：销售地点、销售环境、保质期限、销售时节、销售历史、性质、成本、库存、付款方式、营销历史等类似物，此外，关于待定价项的支付者的信息可用于描述支付者的以下项之中的至少一项：消费历史、身份、资产、收入、购物习惯等类似物，应注意，上述信息仅作为描述待定价项(例如，待售商品)和支付者(例如，商品/服务的潜在购买者)影响差异化定价数值的可能因素的示例，在本发明的示例性实施例中，关于待定价项和/或支付者的信息的具体内容并不受限于上述示例。

这里，信息获取装置100可通过手动、半自动或全自动的方式来采集信息数据，作为示例，信息获取装置100可批量地采集信息数据。具体说来，信息获取装置100可通过输入装置(例如，工作站)接收用户手动输入的关于待定价项和/或待定价项的支付者的信息。此外，信息获取装置100可通过全自动的方式从数据源系统地取出相关信息，例如，通过以软件、固件、硬件或其组合实现的定时器机制来系统地请求数据源并从响应中得到所请求的信息数据。所述数据源可包括一个或多个数据库或其他服务器。可经由内部网络和/或外部网络来实现全自动获取信息数据的方式，其中可包括通过互联网来传送加密的信息数据。在服务器、数据库、网络等被配置为彼此通信的情况下，可在没有人工干预的情况下自动进行信息数据采集，但应注意，在这种方式下仍旧可存在一定的用户输入操作。半自动方式介于手动方式与全自动方式之间。半自动方式与全自动方式的区别在于由用户激活的触发机制代替了定时器等自动机制。在这种情况下，在接收到特定的用户输入的情况下，才产生提取信息数据的请求。每次获取信息数据时，优选地，可将捕获的信息数据存储在非易失性存储器中。作为示例，可利用数据仓库来存储在获取期间采集的原始信息数据以及处理后的信息数据。

作为示例，上述信息数据可分别获取自一个或多个数据源。具体说来，这些信息数据可来自差异化定价系统本身存储的数据记录，也可来自于期望进行差异化定价的机构本身所存储的数据记录，还可来源于其他私有源或公共源的数据记录，例如，来源于数据提供商的数据记录、来源于互联网(例如，社交网站)的数据记录、来源于移动运营商的数据记录、来源于APP运营商的数据记录、来源于快递公司的数据记录、来源于信用机构的数据记录等等。例如，当商家期望针对某个客户进行待售商品的差异化定价时，差异化定价系统可能不仅希望获取所述客户过往在该商家的消费情况，还希望获取所述客户在其他商家或场所的消费情况，或者，还希望获取所述客户在各个银行的资产情况等。也就是说，在本发明示例性实施例的差异化定价方案中，可从内部或外部数据源来获取关于待定价项和/或待定价项的支付者的信息。

可选地，信息获取装置100可借助硬件集群(诸如Hadoop集群)对获取的信息进行处理，例如，存储、分类或其他离线操作。此外，信息获取装置100也可对采集的信息数据进行在线的流处理。

作为示例，信息获取装置100中可包括文本分析模块等数据转换模块，用于将文本等非结构化信息数据转换为更易于使用的结构化信息数据以进行进一步的处理或引用。基于文本的信息数据可包括电子邮件、文档、网页、图形、电子数据表、呼叫中心日志等。

这里，假设差异化定价系统需要针对信用卡还款的相关利率进行差异化定价，在该假设的示例中，待定价项可指示信用卡的现金分期、交易分期或账单分期等各种允许分期付款的项目(以下，可统称为“分期产品”)，其中，现金分期是指将持卡人信用卡中额度转换为现金，转账入指定借记卡(本行或他行)，并分成指定月份期数进行归还的一种分期方式；交易分期是指是指持卡人使用信用卡进行大额消费时，由银行向商户一次性支付持卡人所购商品(或服务)的消费资金，然后让持卡人分期向银行还款并支付手续费的过程；账单分期是指持卡人在刷卡消费之后、到期还款日之前，通过电话等方式向发卡银行提出分期支付消费金额申请的一种提前消费方式。

相应地，待定价项的价格可指示现金分期、交易分期或账单分期的利率，也就是说，在该示例中，针对某个用户的某次现金分期申请、刷卡交易或定期账单，将确定出个性化的还款利率。

具体说来，作为示例，可响应于信用卡的现金分期申请、交易完成或账单生成来执行步骤S100，即，信息获取装置100可响应于信用卡的现金分期申请、交易完成或账单生成来获取关于待定价项和/或待定价项的支付者的信息。

这里，可从诸如手机银行、手机App、网上银行、客服中心、ATM取款机等渠道接收到关于现金分期申请、交易完成或账单生成等事件的消息，作为示例，这些消息本身可包括一些关于分期产品或其用户的信息，例如，用户标识符、信用卡类型、分期类型、卡号、金额、申请渠道等，也就是说，在步骤S100中，信息获取装置100可响应于上述消息的接收而从所述消息提取相应的信息。

或者，作为可选方式，可按照预定时间间隔来执行步骤S100，即，信息获取装置100可按照预定时间间隔来获取关于待定价项和/或待定价项的支付者的信息。

这里，信息获取装置100可按照规则的时间间隔(例如，每个月)来批量地获取关于现金分期申请、交易完成或账单生成等事件的消息，并从获取的消息中提取相关的属性信息。

例如，这些消息可被存储为相应的记录(例如，分期请求日志)，以备后续使用。

接下来，作为示例，信息获取装置100可根据上述消息，继续获取关于分期产品和/或支付者(即，信用卡持有者)的其他相关信息。例如，信息获取装置100可在本地或通过网络找到待定价项和/或相应支付者的一个或多个相关数据表，并取回这些数据表。具体说来，在获取了如上所述的消息之后，信息获取装置100可在银行内部的数据库中查找该支付者的其他相关信息，例如，从银行的各种报表中拼接出与分期产品和/或支付者相关的完整数据记录，这些报表中的某些属性字段可反映支付者的历史交易(包括待定价分期产品和其他分期产品的历史交易情况)、理财情况、资产、收入等更多用户个人信息，也可反映出分期产品的更多历史销售情况、竞品信息等更多商品信息。作为可选方式，在进行数据报表的拼接过程当中，信息获取装置100还可执行各种需要的时序统计操作，从而完成数据表之间的复杂拼接。例如，假设原始的数据表是支付者的按月分期的记录，则信息获取装置100在执行拼表操作时，可额外获取支付者在过去一段时间内(如，6个月)的分期统计信息，例如，分期总额等等。此外，信息获取装置100还可获取其他人为设置的信息，例如，分期期数等关于支付方式的信息。这里，所获取的完整信息数据记录也可被存储在差异化定价系统中，以备后续使用。

参照图3，在步骤S200中，由预测样本产生装置200基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本。

这里，针对由信息获取装置100在步骤S100获取的各种信息，预测样本产生装置200可对相关的信息进行特征工程处理以获取可用于进行机器学习的样本特征的属性特征。例如，预测样本产生装置200可对获取的原始信息字段进行诸如离散化、字段组合、提取部分字段值、取整等各种特征工程的处理，从而将原始属性信息转换为可用于机器学习的属性特征。

接下来，预测样本产生装置200可将产生的属性特征的集合与各个候选价格分别进行组合，以产生多条预测样本。

在上述关于分期产品的示例中，预测样本产生装置200在产生了关于分期产品和/或信用卡持有者的属性特征之后，将这些属性特征分别与分期利率进行组合，以得到差异化定价模型的多条预测样本。

具体说来，分期产品的差异化定价的第i个预测样本x_i可具有除了分期期数之外的d个其他属性特征，其中，i和d为正整数，除此之外，x_i还可包括候选价格，在分期产品的示例中，该候选价格指的是分期利率，并且，x_i还可包括相应的分期期数特征。

相应地，第i个预测样本x_i可表示为x_i＝(x_i,1；x_i,2；…；x_i,d；r_i；n_i)，其中，x_i,j表示x_i的第j个属性特征，j为正整数，且1≤j≤d，该属性特征是由预测样本产生装置200基于由信息获取装置100在步骤S100中获取的信息而产生的。这里的属性特征x_ij可指示信用卡持有者的历史分期、资产、收入等个人信息，也可反映出分期产品的历史销售情况、竞品信息等商品信息。此外，r_i表示第i个预测样本x_i的分期利率，作为示例，r_i可取值0.68％、0.70％、0.72％之中的任何一个，n_i表示第i个预测样本x_i的分期期数，作为示例，n_i可取值3个月、6个月、12个月之中的任何一个，其中，每种分期期数可对应于上述三种分期利率之中的任何一种。由此可见，在上述分期产品的示例中，针对每一组的d个属性特征，可最终产生k×l条预测样本，其中，k为r_i的取值个数，l为n_i的取值个数，例如，在上述示例中，可产生9条分别对应不同的分期利率和分期期数的预测样本。

作为示例，这里的预测样本也可被存储在差异化定价系统中，从而有助于后续直接读取并使用构成预测样本的各个特征。

通过上述方式，可不需要针对每一组属性特征来直接预估价格，而是针对候选价格分别预估其被接受的概率，从而提升了差异化定价的针对性，并有助于增量学习的实现。

在步骤S300中，由预估装置300通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率。

这里，差异化定价模型可以是由差异化定价系统预先训练好的机器学习模型，也可以是从外部获取的机器学习模型。该模型基于历史实例的训练样本，以二分类算法训练而成，从而可基于上述预测样本给出关于相应的候选价格在预定时间段被接受的概率。根据本发明的示例性实施例，用于训练差异化定价模型的二分类算法并不受限于任何具体的算法。

具体说来，预估装置300可将预测样本输入差异化定价模型，从而获得关于价格接受概率的预估结果P_i。例如，在分期产品的示例中，针对某个用户的某期信用卡账单，当该期账单生成时，差异化系统可得到相关的消息，该消息中可包括用户标识符、信用卡类型、分期类型(例如，账单分期)、卡号、金额、申请渠道等。接下来，信息获取装置100可在步骤S100中基于用户标识符和卡号等信息，获取关于账单分期产品和所述用户的相关报表，并对这些报表进行拼接。作为示例，在拼接的过程中，信息获取装置100可对报表记录的各个字段进行筛选、统计和其他处理，例如，可对多张按月分期报表的相关字段进行合计、求平均等各种统计运算。预测样本产生装置200可在步骤S200中基于拼表结果的各个字段和人为设定的特征(例如，分期期数)来产生预测样本的属性特征，并结合分期利率来生成预测样本。这里，预估装置300可将这样的预测样本输入差异化定价模型，以得到所述用户是否会在预定时间段内(例如，接下来的30个自然日内)接受账单分期还款的预测概率。

通过上述方式，可获得该用户针对他/她的这一期账单，以各种利率和分期期数进行还款的预估概率。

例如，以下的表1示出差异化定价模型的预估结果：

表1

其他属性特征	分期利率	分期期数(月)	价格接受概率
				xi,1；xi,2；…；xi，d	ri＝0.68％	ni＝3	Pi
xi+1，1；xi+1，2；…；xi+1,d	ri+1＝0.68％	ni+1＝6	Pi+1
				xi+2,1；xi+2,2；…；xi+2,d	ri+2＝0.68％	ni+2＝12	Pi+2
xi+3,1；xi+3,2；…；xi+3,d	ri+3＝0.70％	ni+3＝3	Pi+3
				xi+4,1；xi+4,2；…；xi+4,d	ri+4＝0.70％	ni+4＝6	Pi+4
xi+5,1；xi+5,2；…；xi+5,d	ri+5＝0.70％	ni+5＝12	Pi+5
				xi+6,1；xi+6,2；…；xi+6,d	ri+6＝0.72％	ni+6＝3	Pi+6
xi+7,1；xi+7,2；…；xi+7,d	ri+7＝0.72％	ni+7＝6	Pi+7
				xi+8,1；xi+8，2；…；xi+8，d	ri+8＝0.72％	ni+8＝12	Pi+8

从以上描述可知，上述9条预测样本可对应于某用户在某个月的信用卡账单，在表1中，这一组预测样本的其他属性特征的取值是一样的，即，对应于所述某用户的账单的属性特征值。在该示例中，分期利率有三种取值，每一种分期利率可应用三种分期期数之中的任何一种，相应地，将产生9种不同的预估结果，P_i到P_i+8。

应注意，上述关于账单分期的示例仅用于解释本发明的示例性实施例，而非对本发明的示例性实施例进行任何方面的限定。

在获得价格接受概率之后，在步骤S400中，由确定装置400基于预估出的价格接受概率来确定待定价项的价格。

这里，确定装置400可参考价格接受概率来最终确定待定价项的价格，例如，确定装置400可通过分析各价格接受概率的数值大小来确定价格，作为示例，确定装置400可将价格接受概率明显偏高的候选价格确定为待定价项的价格。

此外，可选地，确定装置400可在参考价格接受概率的同时，进一步考虑各种约定约束条件和预定业务目标等，以完成差异化定价的最终决策。

例如，确定装置400可基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，作为示例，所述预定业务目标可涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。确定装置400可将这些业务目标表示为与价格接受概率相关的表达式，相应地，根据各表达式的取值来确定待定价项的价格。

在上述关于分期产品的示例中，可将“分期利率”、“分期期数”和“价格接受概率”三者的乘积作为确定价格的考虑因素，相应地，确定装置400可针对每条预测样本分别计算上述三者的乘积，并将与乘积最大值相应的分期利率作为账单分期的利率。

进一步地，确定装置400还可针对不同金额的信用卡账单，采用有所区别的定价策略，例如，对于金额非常大的账单，可优先考虑价格接受概率高的利率，从而确保用户会分期还款；而对于普通金额的账单，则可主要基于利润差别来确定利率。上述策略也可应用于其他业务情景，例如，对于从未尝试过分期还款的用户而言，优先考虑价格接受概率高的利率以促使用户首次尝试分期还款。

可以看出，由于通常价格越高会导致其被接受的概率越低，因此，单纯追求利润很可能会降低实际成交额，为此，确定装置400可在追求利润最大化的同时将总成交额作为优化目标。

例如，以分期产品为例，假设共有M(M为大于1的整数)个用户有可能进行分期还款，其中，第m个用户的分期金额为F_m，1≤m≤M。如上所述，假设第m个用户共有K种定价方式{C_mk}(例如，C_mk作为分期期数与分期利率的乘积)，相应的价格接受概率为{P_mk}，其中，1≤k≤K。相应地，确定装置400在于针对每个用户确定其最终采用的定价方式，即，确定装置400针对第m个用户，从相应的价格接受概率{P_mk}中选择一个。换言之，确定装置400将针对第m个用户的K种定价方式来确定相应的系数{a_mk}，其中，a_mk＝1或0且

作为示例，确定装置400可确定一组系数{a_mk}，使得 取得最大值且满足m＝1Mk＝1Kamk×Pmk×Fm>T，其中，T为预先设置的成交额阈值。或者，确定装置400可确定一组系数{a_mk}，使得取得最大值且满足 其中，W为预先设置的利润阈值。

此外，确定装置400还可在各种预设的约束条件下确定待定价项的价格，例如，在上述分期产品的示例中，在针对不同分期期数确定相应的利率时，确定装置400还可应用限制条件：3个月的分期利率<6个月的分期利率<12个月的分期利率，并根据该限制条件来确定和调整分期利率。

应注意，上述业务目标和约束条件仅仅是为了解释本发明示例性实施例的示例，绝非用于限制本发明的范围，本领域技术人员可根据实际需要来设置适宜的定价策略，使得确定装置400在相应的定价策略下，基于预测出的价格接受概率来确定待定价项的价格。

这里，可通过预先设置候选价格的取值规则来简化确定装置400需要满足的约束条件。

作为示例，可以看到，在上述示例中，当需要向信用卡用户推荐3个月、6个月和12个月的分期利率时，在考虑利润因素来确定利率的同时，还需要符合“3个月的分期利率<6个月的分期利率<12个月的分期利率”的约束条件。作为替代方式，可预先将候选利率分为三组，即，高利率组、中利率组和低利率组，每一组利率包括针对3个月、6个月和12个月的三个分期利率，并且，在每一组利率中，已经满足“3个月的分期利率<6个月的分期利率<12个月的分期利率”。例如，可按照表2来设置候选分期利率：

表2

类似地，在预估出表2所示的9种“分期利率+分期期数”组合所对应的各个价格接受概率之后，确定装置400可按照利率分组来计算整个组的利润之和，例如，对于高利率组而言，确定装置400可按照“0.70％*3*对应的价格接受概率”来计算3个月分期的可能利润，按照“0.72％*6*对应的价格接受概率”来计算6个月分期的可能利润，并按照“0.74％*12*对应的价格接受概率”来计算12个月分期的可能利润，将这三个可能利润求和即可得到高利率组所对应的利润。在依次计算出高利率组、中利率组和低利率组的相应利润之后，确定装置400可选择利润最高组的三个利率作为确定的价格来推荐给信用卡用户。

可以看出，根据本发明的示例性实施例，通过预估候选价格的接受概率来确定待定价项的价格，相应地，可通过设计候选价格的取值来容易地应用定价时的决策依据，例如，约束条件或业务目标等等。

作为示例，在所述差异化定价方法中，还可结合当前得到的价格接受概率和/或预定业务目标对候选价格进行相应的调整。可在获得价格接受概率时执行该调整步骤，或者，每当预定业务目标变换时执行该调整步骤。

此外，在确定了待定价项的价格之后，可选地，所述方法可还包括：由确定装置400输出所确定的待定价项的价格。这里，确定装置400可响应于用户的请求来输出所确定的价格，也可基于预设的触发机制(例如，定期)自动输出所确定的价格。确定装置400可通过网络将所确定的价格直接发送给支付者或经由其他中介向所述支付者提供所确定的价格。

在关于分期产品的示例中，确定装置400可将确定的价格输出给营销装置(营销装置可包括在差异化定价系统中，或与所述差异化定价系统相连接)，该营销装置可根据营销策略来选择性地向某些用户进行分期营销，例如，电话营销、消息营销等。

这里，以现金分期为例，在基于差异化定价模型确定了各用户的分期利率之后，可计算各用户的分期利率与现金分期金额的乘积，从而按照乘积从大到小的顺序来进行营销，这里，作为示例，现金分期金额可利用金额预测模型来得到，也就是说，预估装置300还可基于金额预测模型来预估用户的现金分期金额。这里，作为示例金额预测模型的特征部分可与差异化定价模型的特征部分相同，只是不包括分期期数和分期利率，另外，金额预测模型的训练样本的标记是真实办理的现金分期金额，而不是对候选价格的接受情况。

此外，根据本发明的示例性实施例，还可在差异化定价方法中完成模型的增量学习，这里，由于差异化模型的设计基于价格被接受的概率，因此，可通过收集支付者实际上对价格的接受/拒绝情况来完成模型的更新。

图4示出根据本发明另一示例性实施例的基于机器学习来执行差异化定价的方法的流程图。这里，作为示例，图4所示的方法可由图2所示的定价系统来执行，也可完全通过计算机程序以软件方式实现，还可通过特定配置的计算装置来执行图4所示的方法。

在图4所示的差异化定价方法中，步骤S100到步骤S400与图1所示的步骤S100到步骤S400类似，这里将不再赘述。

在步骤S500中，由反馈收集装置500接收关于是否在所述预定时间段接受了由确定装置400确定的价格的反馈结果。例如，反馈结果可指示支付者是否在所述预定时间段内完成了购买或支付、或签订了购买的协议、或明确拒绝进行交易或支付等。

具体说来，反馈收集装置500可通过与其连接的输入装置或通过网络来接收关于价格是否被接受的反馈结果。例如，在上述分期产品的示例中，反馈收集装置500可在信用卡用户获知了分期利率之后，在所述预定时间段内持续监测该信用卡用户的行为日志，以获取关于该信用卡用户是否进行分期还款的反馈结果。

在步骤S600中，由训练样本产生装置600基于接收的反馈结果来产生差异化定价模型的训练样本。这里，训练样本由特征和标记两部分组成，这里的标记可基于反馈结果来生成，而这里的特征部分可基于适当的方式来产生，例如，训练样本产生装置600可控制信息获取装置100重新获取相应的信息，并通过借助预测样本产生装置200的一些处理组件来完成训练样本的生成。

此外，训练样本产生装置600也可利用产生预测样本时所生成的结果来产生训练样本的特征。作为示例，训练样本产生装置600可基于信息获取装置100获取的信息、预测样本产生装置200产生的属性特征或预测样本、或反馈结果来产生训练样本的特征。

这里，为了更好地选取训练样本，可加入有助于选取训练样本的特征，例如，在账单分期产品的示例中，还可在训练样本中加入关于营销历史的特征，例如，对于用户执行了账单分期(即，接受了所确定的价格)的正样本，营销特征可包括：客户从当前账单日到购买产品日这段时间该分期产品的电话推销次数，短信推销次数，自行登录次数，登陆时是否能看到其他期数的利率；而对于用户未执行账单分期的负样本，营销特征可包括：客户从当前账单日到下一个账单日这段时间该分期产品的电话推销次数，短信推销次数，自行登录次数，登陆时是否能看到其他期数的利率。上述营销特征的加入是为了克服选取训练样本时的偏离问题，在预测样本中，应将上述营销特征置空以防止发生穿越。

接下来，在步骤S700中，由模型训练装置700基于训练样本来更新差异化定价模型。这里，更新差异化定价模型可指示利用特征组成与先前训练样本相同的新增训练样本来继续训练差异化定价模型，也可指示基于特征组成与先前训练样本不同的新增训练样本来重新训练差异化定价模型。这里，如果新增训练样本的特征组成不同于先前训练样本的特征组成，则模型训练装置700需要对机器模型算法的设置进行相应的调整。

可以看出，根据本发明的示例性实施例，能够有效地接收到新增的样例，并基于这些样例形成新的训练样本，从而完成模型的自更新。

应注意，上述差异化定价系统可完全依赖计算机程序的运行来实现相应的功能，即，各个装置与计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的定价功能。

另一方面，图1或图2所示的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

这里，本发明的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行上述差异化定价方法。

具体说来，所述计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。

这里，所述计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

在所述计算装置中，处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

上述关于差异化定价中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。

处理器可运行存储在存储部件之一中的指令或代码，其中，所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，所述网络接口装置可采用任何已知的传输协议。

存储部件可与处理器集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。

此外，所述计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。

上述差异化方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。

具体说来，如上所述，根据本发明示例性实施例的基于机器学习来执行差异化定价的计算装置可包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行下述步骤：(A)、获取关于待定价项和/或待定价项的支付者的信息；(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；(D)、基于预估出的价格接受概率来确定待定价项的价格。

应注意，以上已经结合图3到图4描述了根据本发明示例性实施例的差异化定价方法的各处理细节，这里将不再赘述计算装置执行各步骤时的处理细节。

以上已经描述了本发明的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，并且本发明也不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本发明的保护范围应该以权利要求的范围为准。

Claims (10)

1.一种基于机器学习来执行差异化定价的方法，包括：

(A)、获取关于待定价项和/或待定价项的支付者的信息；

(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；

(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；

(D)、基于预估出的价格接受概率来确定待定价项的价格。

2.如权利要求1所述的方法，其中，在步骤(D)中，基于预估出的价格接受概率，在预定约束条件下确定待定价项的价格。

3.如权利要求1所述的方法，其中，在步骤(D)中，基于预估出的价格接受概率，在预定业务目标下确定待定价项的价格，其中，所述预定业务目标涉及以下项之中的至少一项：销售利润、销量、销售区域、支付者分布、库存。

4.如权利要求1所述的方法，其中，候选价格基于价格接受概率和/或所述预定业务目标而自动调整。

5.如权利要求1所述的方法，其中，待定价项是指信用卡的现金分期、交易分期或账单分期，其中，待定价项的价格是指现金分期、交易分期或账单分期的利率。

6.如权利要求5所述的方法，其中，响应于信用卡的现金分期申请、交易完成或账单生成来执行步骤(A)，或者，按照预定时间间隔来执行步骤(A)。

7.如权利要求1所述的方法，其中，步骤(D)还包括：输出所确定的待定价项的价格。

8.如权利要求1或7所述的方法，在步骤(D)之后，所述方法还包括：

(E)、接收关于是否在所述预定时间段接受了在步骤(D)确定的价格的反馈结果；

(F)、基于接收的反馈结果来产生差异化定价模型的训练样本，并基于训练样本来更新差异化定价模型。

9.一种基于机器学习来执行差异化定价的系统，包括：

信息获取装置，用于获取关于待定价项和/或待定价项的支付者的信息；

预测样本产生装置，用于基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；

预估装置，用于通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；

确定装置，用于基于预估出的价格接受概率来确定待定价项的价格。

10.一种基于机器学习来执行差异化定价的计算装置，包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行下述步骤：

(A)、获取关于待定价项和/或待定价项的支付者的信息；

(B)、基于获取的信息来产生基于机器学习的差异化定价模型的预测样本所包括的属性特征，并通过将产生的属性特征分别与待定价项的至少一个候选价格之中的每一个候选价格进行组合以产生差异化定价模型的至少一条预测样本；

(C)、通过使用差异化定价模型来基于所述至少一条预测样本分别预估在预定时间段接受各个候选价格的价格接受概率；

(D)、基于预估出的价格接受概率来确定待定价项的价格。