CN108897783A - 记账模式确定方法、账户状态预测方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例涉及一种记账模式确定方法、账户状态预测方法、装置及电子设备，包括：在监测到交易请求时，从所述交易请求中提取特征数据；基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

Description

记账模式确定方法、账户状态预测方法、装置及电子设备

技术领域

本说明书实施例涉及网络技术领域，尤其涉及一种记账模式确定方法、账户状态预测方法、装置及电子设备。

背景技术

电子商务的普及推动产生了越来越多的交易数据，一般通过记账的方式将交易数据记录存储至数据库。

然而，由于数据库存在悲观锁机制，当某一账户的交易数量达到一定程度，会导致访问数据库失败。目前，可通过人工判别账户状态的方式，根据账户的交易访问日志以及经验决策账户的记账模式。但是，现有的判别方式工作量大，且判别结果不准确。

发明内容

本说明书实施例提供一种记账模式确定方法、账户状态预测方法、装置及电子设备，用以解决现有技术中账户状态判别不准确而导致交易失败或余额透支的问题。

为了解决上述技术问题，本说明书实施例采用下述技术方案：

第一方面，提供了一种记账模式确定方法，包括：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

第二方面，提供了一种账户状态预测方法，包括：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

第三方面，提供了一种记账模式确定装置，包括：

提取模块，在监测到交易请求时，从所述交易请求中提取特征数据；

检测模块，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

确定模块，根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

第四方面，提供了一种账户状态检测装置，包括：

提取模块，在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

检测模块，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

第五方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

第六方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：

在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

第七方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

第八方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过采用上述技术方案，基于从交易请求中提取出的特征数据以及状态检测模型，预测交易请求对应的账户的账户状态，提升预测的便捷性和准确性；进而，根据账户状态决策为该账户采用实时记账模式还是缓冲记账模式，减少由于预测不准确而导致的交易失败以及余额透支的情况，提升记账效率。

附图说明

为了更清楚地说明本说明书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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的记账模式确定方法的步骤示意图；

图2为本说明书实施例提供的账户状态预测方法的步骤示意图；

图3为本说明书实施例提供的基于状态检测模型进行账户状态预测及记账模式确定的流程示意图；

图4为本说明书实施例提供的服务器的硬件结构示意图；

图5a为本说明书实施例提供的记账模式确定装置的结构示意图；

图5b为本说明书实施例提供的账户状态预测装置的结构示意图。

具体实施方式

为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书实施例保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

--热点账户：由于数据库的悲观锁机制，当某账户的交易量增大到一定程度时，对数据库的访问过于频繁会出现“抢锁”现象，当超过数据库最大承载量时，便会出现访问数据库失败，无法完成交易的情况，导致账户成为热点账户。

实施例一

参照图1所示，为本说明书实施例提供的记账模式确定方法的步骤示意图，该确定方法的执行主体可以是服务器，例如，具有对支付交易进行记录的服务器，这些服务器可以是银行的服务器或是电商企业的服务器，也可以是其它涉及交易数据记录的服务器。

所述记账模式确定方法主要包括以下步骤：

步骤102：在监测到交易请求时，从所述交易请求中提取特征数据。

在本说明书实施例中，服务器可以实时监控交易数据的录入(即将账户信息存储至数据库)，当监测到任一账户的交易请求时，可以从该交易请求中提取特征数据，所述特征数据为用于表征与本次交易相关的交易数据中的部分或全部。

应理解，与本次交易相关的交易数据包括本次交易数据和历史交易数据。

步骤104：基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

在提取特征数据之后，将特征数据作为输入数据输入至状态检测模型，得到的输出结果即为预测到的账户状态，从而，可以便捷、准确的对所述交易请求对应的账户在发生所述交易请求时的账户状态进行预测。

应理解，在本说明书实施例中，所述状态检测模型是基于服务器所能采集到的所有账户的历史交易数据进行训练得到。其实，本说明书实施例并不对历史交易数据的数量以及账户的数量进行限制，应以实际训练时所能够采集的数量为准，当然，训练样本的数量越多，训练得到的状态检测模型的性能越佳。

步骤106：根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

在本说明书实施例中，所涉及的记账模式是在交易过程中账户信息写入数据库的方式，具体可以包括：实时记账模式和缓冲记账模式。

应理解，所述实时记账模式是指每条交易数据(或者交易信息)均实时写入数据库，且写入数据库前都会进行余额的检验，防止余额透支，即余额出现负数。所述缓冲记账模式是指在一定时间段内的交易数据先写入缓存或队列中，然后再一次性写入数据库，在这段时间内不进行余额的检查，有可能出现余额透支。在预测出账户的账户状态后，可根据账户状态选择是采用实时记账模式对本次交易请求中的交易数据进行记录，还是采用缓冲记账模式对本次交易请求中的交易数据进行记录。

通过采用上述技术方案，基于从交易请求中提取出的特征数据以及状态检测模型，预测交易请求对应的账户的账户状态，提升预测的便捷性和准确性；进而，根据账户状态决策为该账户采用实时记账模式还是缓冲记账模式，减少由于预测不准确而导致的交易失败以及余额透支的情况，提升记账效率。

可选地，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述业务特征包括：交易码、子交易码、产品码等；

所述交易特征包括：前一秒的每秒交易量、历史最大每秒交易量、当前秒/分钟累计交易量等；

所述余额特征包括：历史最低余额、历史最大余额减少量、历史最大余额减少率、前一秒余额、前一秒余额减少量、当前余额等；

所述时间特征包括：是否周末、是否节假日、当天第几个小时、是否有运营活动等。

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

在进行训练时，是对多个账户的历史交易数据进行训练，将从相应账户的历史交易数据中提取特征数据以及该账户当前的账户状态标签作为输入数据，代入预设训练模型，在经过模型训练后，得到所需的状态检测模型。由于该状态检测模型是根据多个账户的历史交易数据训练得到，因此，该状态检测模型的预测性能更为准确。

应理解，本说明书所涉及的作为训练所需输入数据的特征数据并不限于上述几种，还可以包含其它的与交易数据相关的内容。预设训练模型也并不限于上述提及的模型，还可以包括其它分类模型。

可选地，在本说明书实施例中，所述交易请求携带有账户标识和交易数据；那么，相应地，步骤102在从所述交易请求中提取特征数据时，可具体执行为：

第一步，根据所述账户标识从历史交易数据中提取历史特征数据。

应理解，考虑到在进行模型训练时，是基于历史交易数据提取的特征数据作为输入数据的，这些特征数据不仅包含了历史某一时刻的交易数据，还包含了在该历史某一时刻之前的交易数据。举例说明，如果当前时刻为22:00时，从历史交易数据中提取特征数据时，以采集之前18:00时的交易数据为例，不仅需要从18:00时进行的交易数据中提取特征数据，还需要从18:00时之前的历史交易数据中提取历史特征数据。虽然在进行模型训练时并未详述，但是应理解隐含在模型训练中。这样，在进行预测阶段，也需要采集与训练阶段相应的特征数据。即根据账户标识从历史交易数据中提取历史特征数据，例如，前一秒余额、前一秒的每秒交易量等。

第二步，从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

同时，服务器还可从当前交易请求携带的交易数据中提取当前特征数据，例如，当前秒/分钟累计交易量、交易码、交易子码等。之后，将提取的历史特征数据与当前特征数据组合为特征数据，即得到状态检测模型的输入数据。

应理解，历史特征数据与当前特征数据组合为特征数据的具体组合方式并不作限定，可以进行一些数据的逻辑组合，也可以仅是简单的形式组合，例如，将历史特征数据和当前特征数据合在一起作为特征数据。

可选地，在本说明书实施例中，所述的状态检测模型可以包括：热点账户检测模型和余额透支检测模型；所述特征数据包括：第一特征数据和第二特征数据；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

所述第一特征数据为对应热点账户检测模型的输入数据，所述第二特征数据为对应余额透支检测模型的输入数据。通过上述两个检测模型，分别对所述交易请求对应的账户的账户状态进行预测，进而，可以分别预测到所述账户是否会发生热点，同时，还可以预测所述账户是否会发生余额透支，即通过这两个检测模型，可以分别预测到：账户会发生热点、账户不会发生热点、账户会发生余额透支、账户不会发生余额透支。从而，实现了对账户状态的有效预测，且预测准确率较高。

应理解，所述热点账户检测模型和余额透支检测模型也是基于历史交易数据训练得到的，在具体的训练阶段，热点账户检测模型所使用的训练模型可以是预设训练模型中的任意一种，输入数据可以是特征数据中的一种或全部；同理，余额透支检测模型所使用的训练模型也可以是预设训练模型中的任意一种，输入数据可以是特征数据中的一种或全部。

其实，热点账户检测模型和余额透支检测模型所使用的训练模型可以相同也可以不同，输入数据也可以相同或是存在差异。本说明书实施例并不对此进行限定，应以具体训练时模型的特性以及所需检测模型的性能进行合理选用。

可选地，在本说明书实施例中，所述状态检测模型包括：热点与余额透支检测模型；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否：发生热点且不发生余额透支。

在本说明书实施例中，通过该热点与余额透支检测模型，即可预测所述账户的账户状态是否：发生热点且不发生余额透支。从而，通过一个二分类检测模型即可实现对账户状态的有效预测，且预测准确率较高。

可选地，根据预测到的账户状态为所述交易请求对应的账户确定记账模式，包括：

如果预测到所述账户发生热点且不发生余额透支，则为所述账户确定缓冲记账模式；

如果预测到所述账户不发生热点或发生余额透支，则为所述账户确定实时记账模式。

应理解，在具体的实现过程中，该最终的账户状态结果可以采用逻辑运算关系产出，例如，采用“与”运算，将热点账户检测模型的预测结果和余额透支检测模型的预测结果进行“与”运算，得到关联有热点情况和余额透支情况的账户状态。其实，本说明书实施例还可以通过其它的决策方式产出最终的账户状态，并不对此进行限定。

考虑到热点账户由于频繁访问数据库而可能存在访问失败的情况，可通过缓冲记账模式缓解这一问题。但是，由于缓冲记账模式又不会对余额进行检验，因此，仅根据是否发生热点来选取缓冲记账模式过于粗暴，本说明书中在得到账户状态后，同时考虑账户是否会发生热点以及是否会发生余额透支，来决定为该账户确定合适的记账模式。具体可以在预测到账户会发生热点且不会发生余额透支时，才会为账户确定缓冲记账模式，而在预测到账户不会发生热点或是会发生余额透支时，为账户确定实时记账模式，这样，既可以缓解频繁访问数据库而造成的访问失败的情况，还可以保证缓冲记账时账户不会发生余额透支，进而，保证交易正常运行。

进一步，采用上述技术方案，还可以在交易进行过程中，根据账户的交易频繁程度以及预测到的账户状态，在每次记账前，为账户切换至合适的记账模式，例如，当在某次交易请求到来时，预测到该账户会发生热点且不会发生余额透支，说明该账户即将成为不会发生余额透支的热点账户，则为该账户确定缓冲记账模式，即本次交易数据通过缓冲记账方式存入数据库。而在下次交易请求到来时，预测到该账户不会发生热点不会发生余额透支，说明该账户不会成为热点账户，没有必要采用缓冲记账模式，则为该账户确定实时记账模式以保证可以实时存入数据库且可以进行余额透支检验。

本说明书实施例还提供了一种账户状态预测方法，参照图2所示，该账户状态预测方法主要包括以下步骤：

步骤202：在监测到交易请求时，从所述交易请求中提取特征数据。

具体操作可参照步骤102，在此不做赘述。

步骤204：基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

具体操作可参照步骤104，在此不做赘述。

通过该技术方案，可以通过状态检测模型对交易请求对应的账户的账户状态进行便捷、准确的预测，且预测结果更为客观、准确。

可选地，所述交易请求携带有账户标识和交易数据；从所述交易请求中提取特征数据，包括：

根据所述账户标识从历史交易数据中提取历史特征数据；

从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

可选地，所述状态检测模型包括：热点账户检测模型和余额透支检测模型；所述特征数据包括第一特征数据和第二特征数据；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

可选地，所述状态检测模型包括：热点与余额透支检测模型；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否发生热点和余额透支。

可选地，所述状态检测模型包括：热点账户检测模型；基于所述特征数据和状态检测模型检测账户状态，包括：

基于所述特征数据和所述热点账户检测模型预测所述账户是否发生热点。

从而，可以通过热点账户检测模型，对交易请求对应的账户的账户状态进行热点预测，准确、便捷的预测出所述账户是否会发生热点，进而，为后续决策提供有效依据。

可选地，所述状态检测模型包括：余额透支检测模型；基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述余额透支检测模型确定所述账户是否发生余额透支。

从而，可以通过余额透支检测模型，对交易请求对应的账户的账户状态进行余额透支预测，准确、便捷的预测出所述账户是否会发生余额透支，进而，为后续决策提供有效依据。

可选地，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

需要说明的是，在本说明书实施例中，预测出的账户状态均表示即将发生的情况，其实，对于已经发生热点或是余额透支的账户，可采用现有的监测系统来进行问题推送，以通过其它方式处理这类账户。

下面通过一个具体的实例对本说明书所涉及的账户状态预测方法和记账模式确定方法进行结合介绍。

参照图3所示，是本说明书实施例提供的基于状态检测模型进行账户状态预测及记账模式确定的流程示意图。

具体地，图3所示流程可包括：

(1)、历史数据采集

服务器从历史数据库中采集多个账户的历史交易数据和账户状态，这些历史交易数据和账户状态可以作为历史数据存储在历史数据库中，一方面便于模型训练时的采集，另一方面还可以便于在预测账户状态时对当前交易请求下的当前特征数据进行特征补全。

具体地，在采集时，可以根据不同维度进行选取，例如，以时间维度，选择历史时间段内不同账户发生的交易数据，同时，还要获取各个账户在相应交易请求对应时刻的账户状态标签，例如，是否发生热点、是否发生余额透支、是否发生热点且不发生余额透支。其实，账户状态标签可以根据训练模型的个数选择，若设置两个训练模型，分别进行热点账户检测模型训练和余额透支检测模型，那么，获取账户的账户状态标签时，需要分别获取：是否发生热点、是否发生余额透支，这两类标签，每类对应两个结果的标签，以实现分别进行模型训练。

(2)、二分类模型训练

之后，将历史数据进行一些预处理，然后送入预设训练模型中进行模型训练，具体训练方式可参考现有技术中相关模型训练方法，不再赘述。

应理解，本说明书实施例中，是对历史数据同时进行两类预设模型训练，即历史数据相同，由于标签不一致(发生热点与不发生热点、发生余额透支与不发生余额透支)，最终也会训练出不同的两类检测模型：热点账户检测模型和余额透支检测模型。

(3)、在线数据采集

在线数据采集的步骤与步骤(1)中历史数据采集的步骤类似，不同在于，历史数据采集的同时也相应隐含了特征补全的过程。而在预测阶段需要对数据特征进行特征补全。

应理解，线上的每一条交易请求(即在线数据)都会落入历史数据库中。

(4)、数据特征补全

具体地，对采集到的在线数据，可以通过实时从历史数据中提取历史特征数据的方式进行特征补全，以便于送入状态检测模型的输入数据与训练时送入预设训练模型的输入数据相对应。从而，保证对账户状态预测的准确性。

(5)、基于两个二分类模型预测账户状态

将进行调整补全后的特征数据分别送入热点账户检测模型和余额透支检测模型进行预测。

举例说明，将特征数据送入热点账户检测模型，如果该账户会发生热点，则标记为1，如果该账户不会发生热点，则标记为0；同时，将特征数据送入余额透支检测模型，如果该账户不会发生余额透支，则标记为1，如果该账户会发生余额透支，则标记为0。

(6)、基于“与”运算器输出最终账户状态

将上述步骤(5)得到的两类结果进行“与”运算的关联，这样，可以将账户的热点情况与余额透支情况关联在一起，形成最终账户状态。

仍延续上述举例，将通过热点账户检测模型进行预测得到的结果(即标记)，以及通过余额透支检测模型进行预测得到的结果(即标记)同时送入“与”运算器，如果该账户会发生热点且不会发生余额透支，则标记为1，如果该账户不会发生热点或会发生余额透支，则标记为0。

应理解，本说明书实施例中账户不会发生热点或会发生余额透支，可以包括以下账户状态：账户不会发生热点且不会发生余额透支、账户不会发生热点且会发生余额透支、账户会发生热点且会发生余额透支。

(7)、基于最终账户状态选择记账模式进行记账

如果最终账户状态是：账户会发生热点且不会发生余额透支，即标记为1，则会为该账户确定缓冲记账模式，将交易数据批量写入数据库；如果最终账户状态是：账户不会发生热点或会发生余额透支，即标记为0，则会为该账户确定实时记账模式，将交易数据实时写入数据库。

本说明书实施例中利用机器学习中分类算法的思想解决热点账户的问题，采用二分类检测模型实现对热点及余额透支的实时预测。且通过两个二分类模型预测判别了两个关键问题：“是否会发生热点”和“是否会发生余额透支”，并且通过“与”运算的结果，实现当“会发生热点”和“不会发生余额透支”同时成立时，才会切换到“缓冲记账”模式，而其它账户状态均采用“实时记账”模式。本说明书实施例方案可减少交易失败发生的情况，降低余额透支风险。由于突然发生热点的账户亦有一定规律性，所以本说明书实施例亦可对突发热点的账户进行很好的预测识别。由于二分类模型本身可以对预测结果进行评价，这样就大大提高了缓冲记账模式和实时记账模式之间切换的可靠性。

实施例二

下面参照图4详细介绍本说明书实施例的电子设备(其中，服务器可称为电子设备)。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成内容推荐装置。处理器，执行存储器所存放的程序，并具体用于执行前文所述服务器作为执行主体时所执行的方法操作。

上述如本说明书实施例图1-图3所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1-图3的方法，并实现记账模式确定装置和账户状态预测装置在图1-图3所示实施例的功能，本说明书实施例在此不再赘述。

当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

实施例三

本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

实施例四

参照图5a所示，为本说明书实施例提供的记账模式确定装置的结构示意图，该装置主要包括：

提取模块502a，在监测到交易请求时，从所述交易请求中提取特征数据；

检测模块504a，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

确定模块506a，根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

可选地，所述交易请求携带有账户标识和交易数据；

所述提取模块502a具体可用于：

根据所述账户标识从历史交易数据中提取历史特征数据；

从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

可选地，所述状态检测模型包括：热点账户检测模型和余额透支检测模型；所述特征数据包括：第一特征数据和第二特征数据；

所述检测模块504a具体可用于：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

可选地，所述状态检测模型包括：热点与余额透支检测模型；

所述检测模块504a具体可用于：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否：发生热点且不会发生余额透支。

可选地，所述确定模块506a具体可用于：

如果预测到所述账户发生热点且不发生余额透支，则为所述账户确定缓冲记账模式；

如果预测到所述账户不发生热点或发生余额透支，则为所述账户确定实时记账模式。

可选地，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

参照图5b所示，为本说明书实施例提供的账户状态预测装置的结构示意图，该装置主要包括：

提取模块502b，在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

检测模块504b，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

可选地，所述交易请求携带有账户标识和交易数据；

所述提取模块502b具体可用于：

根据所述账户标识从历史交易数据中提取历史特征数据；

从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

可选地，所述状态检测模型包括：热点账户检测模型和余额透支检测模型；所述特征数据包括：第一特征数据和第二特征数据；

所述检测模块504b具体可用于：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

可选地，所述状态检测模型包括：热点与余额透支检测模型；

所述检测模块504b具体可用于：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否：发生热点且不发生余额透支。

可选地，所述状态检测模型包括：热点账户检测模型；

所述检测模块504b具体可用于：

基于所述特征数据和所述热点账户检测模型确定所述账户是否发生热点。

可选地，所述状态检测模型包括：余额透支检测模型；

所述检测模块504b具体可用于：

基于所述特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

可选地，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

通过采用上述技术方案，基于从交易请求中提取出的特征数据以及状态检测模型，预测交易请求对应的账户的账户状态，提升预测的便捷性和准确性；进而，根据账户状态决策为该账户采用实时记账模式还是缓冲记账模式，减少由于预测不准确而导致的交易失败以及余额透支的情况，提升记账效率。

总之，以上所述仅为本说明书实施例的较佳实施例而已，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本说明书实施例中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (19)

1.一种记账模式确定方法，包括：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

2.如权利要求1所述的方法，所述交易请求携带有账户标识和交易数据；

从所述交易请求中提取特征数据，包括：

根据所述账户标识从历史交易数据中提取历史特征数据；

从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

3.如权利要求1所述的方法，所述状态检测模型包括：热点账户检测模型和余额透支检测模型；所述特征数据包括：第一特征数据和第二特征数据；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

4.如权利要求1所述的方法，所述状态检测模型包括：热点与余额透支检测模型；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否：发生热点且不会发生余额透支。

5.如权利要求3或4所述的方法，根据预测到的账户状态为所述交易请求对应的账户确定记账模式，包括：

如果预测到所述账户发生热点且不发生余额透支，则为所述账户确定缓冲记账模式；

如果预测到所述账户不发生热点或发生余额透支，则为所述账户确定实时记账模式。

6.如权利要求1所述的方法，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

7.一种账户状态预测方法，包括：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

8.如权利要求7所述的方法，所述交易请求携带有账户标识和交易数据；

从所述交易请求中提取特征数据，包括：

根据所述账户标识从历史交易数据中提取历史特征数据；

从所述交易数据中提取当前特征数据，并与所述历史特征数据组合为特征数据。

9.如权利要求7所述的方法，所述状态检测模型包括：热点账户检测模型和余额透支检测模型；所述特征数据包括：第一特征数据和第二特征数据；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述第一特征数据和所述热点账户检测模型预测所述账户是否发生热点；以及，

基于所述第二特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

10.如权利要求7所述的方法，所述状态检测模型包括：热点与余额透支检测模型；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述热点与余额透支检测模型预测所述账户是否：发生热点且不发生余额透支。

11.如权利要求7所述的方法，所述状态检测模型包括：热点账户检测模型；

基于所述特征数据和状态检测模型预测账户状态，包括：

基于所述特征数据和所述热点账户检测模型预测所述账户是否发生热点。

12.如权利要求7所述的方法，所述状态检测模型包括：余额透支检测模型；

基于所述特征数据和状态检测模型检测账户状态，包括：

基于所述特征数据和所述余额透支检测模型预测所述账户是否发生余额透支。

13.如权利要求7-12所述的方法，所述状态检测模型是根据历史交易数据中提取出的特征数据以及账户状态标签，基于预设训练模型训练得到；

其中，所述特征数据包括：业务特征、交易特征、余额特征、时间特征中的至少一种或多种组合；

所述预设训练模型包括：逻辑回归模型、决策树模型、神经网络模型、朴素贝叶斯模型。

14.一种记账模式确定装置，包括：

提取模块，在监测到交易请求时，从所述交易请求中提取特征数据；

检测模块，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

确定模块，根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

15.一种账户状态检测装置，包括：

提取模块，在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

检测模块，基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

16.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

17.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：

在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。

18.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到交易请求时，从所述交易请求中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到；

根据预测到的账户状态为所述交易请求对应的账户确定记账模式。

19.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

在监测到账户的交易请求时，从所述交易请求携带的交易数据中提取特征数据；

基于所述特征数据和状态检测模型预测账户状态；其中，所述状态检测模型是基于历史交易数据训练得到。