CN109903140A - 一种信用服务推荐方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种信用服务推荐方法、装置及设备。方案包括：获取待分类的信用履约数据；将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；根据所述信用服务类型进行信用服务推荐。

Description

一种信用服务推荐方法、装置及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种信用服务推荐方法、装置及设备。

背景技术

随着围绕互联网大数据建立起来的信用评价体系的成熟，各种信用服务越来越多，用户可以在贷款、租车、租房、婚恋、签证等多领域享受信用带来的好处。用户在各类不同的信用应用场景下完成履约后，会生成履约数据，履约数据经由各业务层订单，汇总到信用账，并在客户端透出给用户做守约管理展示。当前信用账有数以亿计的信用履约数据，但是欠缺通过对履约数据的分类和挖掘，分析出用户的履约行为习惯，从而对信用服务的应用场景进行推荐的方法。

发明内容

有鉴于此，本申请实施例提供了一种信用服务推荐方法、装置及设备，可以根据信用履约数据分析出用户的履约行为习惯，从而对信用服务进行推荐。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种信用服务推荐方法，包括：

获取待分类的信用履约数据；

将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

根据所述信用服务类型进行信用服务推荐。

本说明书实施例提供的一种信用服务推荐装置，包括：

待分类的信用履约数据获取模块，用于获取待分类的信用履约数据；

信用服务类型输出模块，用于将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

信用服务推荐模块，用于根据所述信用服务类型进行信用服务推荐。

本说明书实施例提供的一种信用服务推荐设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待分类的信用履约数据；

将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

根据所述信用服务类型进行信用服务推荐。

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：

本说明书实施例根据信用服务分类器确定待分类的信用履约数据对应的信用服务类型，然后根据信用服务类型进行信用服务推荐。本说明书实施例通过信用服务分类器对履约数据进行分类和挖掘，分析出用户的履约行为习惯，从而可以根据信用履约数据分析出用户的履约行为习惯，从而对信用服务进行推荐。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的一种信用服务推荐方法的流程示意图；

图2为本说明书实施例提供的对应于图1的一种信用服务推荐装置的结构示意图；

图3为本说明书实施例提供的对应于图1的一种信用服务推荐设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的一种信用服务推荐方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。

如图1所示，该流程可以包括以下步骤：

步骤101：获取待分类的信用履约数据。

在本说明书实施例中，信用履约是信用用户在各类信用服务中对于信用约定的履行情况的数据，可以包括成功履约的数据，也可以包括非成功履约的数据。成功履约是指用户在信用服务规定的期限内完成的履约行为。非成功履约可以包括用户没有在信用服务规定的期限内完成履约行为，即履约行为超出了规定期限，还可以包括在信用服务规定的期限没有完结时的用户履约行为。

在本说明书实施例中，待分类的信用履约数据可以是用户已经完成的履约数据，可以是一次的信用履约数据，也可以是一段时间内，针对同一种(类型的)信用服务的多次信用履约数据的统计数据。

在本说明书实施例中，待分类的信用履约数据可以包括业务信息，如用户ID，商户ID、业务订单号、履约记录等，又可以包括用户特征信息，如用户芝麻分，用户学历，用户年龄，还可以包括服务提供方特征信息：服务总人数，服务总人次，履约率(用户履约的概率)。

步骤102：将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型。

在本说明书实施例中，信用服务分类器是根据信用履约数据样本进行训练的模型，可以将待分类的信用履约数据进行特征提取，然后根据其内部的算法，对待分类的信用履约数据进行相应的分类，其输出的结果即为待分类的信用履约数据对应的信用服务类型。

在本说明书实施例中，“信用履约数据样本”与步骤101中的“待分类的信用履约数据”的最大的不同点在于，信用履约数据样本的信用服务类型已知。

在本说明书实施例中，用户的信用等级是影响所述信用服务类型的至少一个维度。其中，用户的信用等级与用户的信用分数，以及信用履约情况相关。

步骤103：根据所述信用服务类型进行信用服务推荐。

在本说明书实施例中，在得到待分类的信用履约数据的信用服务类型之后，就可以针对此次“待分类的信用履约数据”进行信用服务推荐。

在本说明书实施例中，信用服务推荐的主体可以是用户，也可以是信用服务提供方(商户)。对于用户，进行信用服务推荐时，可以推荐与信用服务类型相符的信用服务。例如，如果待分类的信用履约数据的信用服务类型是免押金，那么可以给用户推荐免押金租车、免押金借伞等信用服务，信用服务可以是多种。对于商户，可以推荐使用过与商户提供的服务类型一样的信用服务的用户，用户可以为多个，以用户列表的形式展示出来。

图1中的方法，根据信用服务分类器确定待分类的信用履约数据对应的信用服务类型，然后根据信用服务类型进行信用服务推荐。本说明书实施例通过信用服务分类器对履约数据进行分类和挖掘，分析出用户的履约行为习惯，从而提高信用服务推荐的准确性。

基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。

可选的，在步骤101之前，还可以包括：

获取信用履约数据样本；

根据所述信用履约数据样本训练信用服务分类器，所述信用履约数据样本的信用服务类型是已知的。

在本说明书实施例中，在本说明书实施例中，信用履约数据样本可以是以多类型、多渠道(用户信息、商户信息、信用服务履约信息、外部如征信报告数据)的信用履约数据为输入，经过数据判定和关联得到的。

在本说明书实施例中，信用履约数据是用户在某一信用服务下的履约周期结束后，生成的履约数据。一般情况下，信用履约数据可以包括：用户信息、商户信息和信用服务履约信息。信用服务可以包括：信用免押金借伞，信用免押金租车，信用先试后买，等等。以信用免押金借伞为例，其信用履约数据可以包括：用户信息、服务提供方(商户)信息、借用时间、借用地点、归还时间和伞的金额。另外，本说明书中的信用履约数据样本还可以包括用户的一些其它信息，如，姓名、证件类型和证件号。而且还可以根据用户的上述信息去调用第三方的一些信用数据来补充用户的信用信息，可以是征信系统，也可以是其他系统中的信用数据，如信用分数等。

在本说明书实施例中，信用履约数据样本的数量可以是很大的，可以包括多种种类的信用履约数据。另外，这些信用履约数据已经进行了打标签操作，该标签用于表示信用履约数据的信用服务类型；即每个信用履约数据样本的信用服务类型已知。本说明书实施例就是根据已经打标签的信用履约数据来对未分类的信用履约数据进行分类，从而进行信用服务的推荐。

在本说明书实施例中，信用服务分类器是根据信用履约数据样本中的多种类型的信用履约数据进行训练得到的。可以基于信用大数据，采用集成学习的方法进行分类模型的训练。还可以根据打有标签的信用履约数据进行多次修正，直到信用服务分类器对信用履约数据进行分类的正确率达到预设值。如此操作，数据越多，信用服务分类器进行分类的准确率越高。待分类的信用履约数据的信息量越大，越有利于对其进行正确的分类。分类准确率是正确地被分类的数据在待分类数据集合中的占比。

在本说明书实施例中，所述信用服务类型可以包括：信用免预存服务、信用免押服务、信用先试后买服务和/或信用预定服务。另外，对于具体的某一种信用服务类型而言，还可以根据信用服务提供的物品的金额进行进一步的类型划分。如，信用免押服务还可以进一步细分为第一信用免押服务和第二信用免押服务，例如，可以设定第一信用免押服务提供的物品的金额小于300元，第二信用免押服务提供的物品的金额为大于300元，小于800元。

可选的，在所述获取信用履约数据样本之前，还可以包括：

获取信用服务类型已知的第一信用履约数据；所述第一信用履约数据包含用户身份信息；

获取第三方存储的第二信用履约数据；所述第二信用履约数据的用户身份信息与所述第一信用履约数据的用户身份信息相同；

根据所述第一信用履约数据与所述第二信用履约数据，得到所述信用履约数据样本。

在本说明书实施例中，第一信用履约数据可以是用户使用信用服务的过程中产生并存储的数据，存储的字段可以包括用户ID、商户ID、业务订单号、履约记录等，第一信用履约数据可以理解为系统内部的履约数据。

在本说明书实施例中，第一信用履约数据不仅仅包括用户身份信息、服务提供方信息和支付交易信息，还可以根据用户身份信息获取第二信用履约数据。第二信用履约数据，可以理解为非本系统中的履约数据，即系统外部的履约数据，如银行、法院等机构的履约数据信息，征信报告就是其中的一种表现形式。

在本说明书实施例中，用户身份信息可以包括：姓名、证件类别和证件号码。证件类别可以是身份证、护照和驾照等。证件号码即为证件类型对应的号码。这些数据，可以从用户的注册信息中获取。另外，用户信息还可以包括：用户信用分数，用户学历和用户年龄等。

在本说明书实施例中，信用履约数据样本由第一信用履约数据和第二信用履约数据两方面构成，即包括用户在系统内部的履约数据，又包括用户在系统外部的履约数据，更有利于挖掘用户的行为习惯，提高用户的信用履约数据的分类准确性。

可选的，所述获取信用服务类型已知的第一信用履约数据，具体可以包括：

获取信用服务类型已知的第一信用履约数据对应的履约行为的用户信息、服务提供方信息、支付信息和/或物品信息。

在本说明书实施例中，当履约行为中存在服务提供方时，还可以从信用履约数据库中拉取服务提供方的信息，以进一步提高分类的精度。这里所说的“服务提供方”，即提供服务的商户，服务提供方的信息可以包括：业务类型、服务总人数，服务总人次，履约率。例如，“商户A，免押金租赁、128、247和90％”，可以表示商户A的服务总人数为128人，服务总人次为247次，用户的履约率为90％。

在本说明书实施例中，当履约行为中存在支付信息时，还可以从信用履约数据库中拉取交易相关信息，以进一步提高分类的精度。例如，交易是否成功、交易是否有退款和交易账单。以信用免押金租充电宝为例，一个小时1元钱，一共租借了2个小时，则支付信息为2元。

在本说明书实施例中，当履约行为中包含物品信息时，还可以从信用履约数据库中拉取物品相关信息，如品类、价格，以进一步提高分类的精度。以信用免押金租充电宝为例，物品的品类为充电宝(日用品)，价格为128元。

在本说明书实施例中，信用履约数据不仅仅包括交易单号及金额字段，而可以包括交易详细信息，用来加强分类。信息越具体，后期在进行信用服务分类器训练时，得到的信用服务分类器的分类结果越准确。

可选的，所述根据所述信用履约数据样本训练信用服务分类器，具体可以包括：

对所述信用履约数据样本中的信用履约数据进行特征提取，所述特征包括：履约类特征、金额类特征、服务提供方特征、规则特征、用户特征和/或第三方反馈特征；

将特征化后的信用履约数据样本向量化；

根据向量化的信用履约数据样本采用随机森林算法训练多个信用服务类型决策树；

对所述多个信用服务类型决策树采用多数投票原则合成信用服务分类器。

在本说明书实施例中，特征提取是对履约数据的行为进行统计，计算出的特征向量。根据履约行为特征和履约场景构造出以履约数据为行向量、行为特征为列向量、履约场景为分类值的矩阵。履约场景为信用服务的具体化，即一个服务提供方提供的一个具体的服务，如商户A，××免押金借伞。

在本说明书实施例中，用户的信用等级是影响所述信用服务类型的至少一个维度。用户特征和第三方反馈特征可以是信用等级的两个决定因素。用户特征可以包括：用户信用分，用户学历，用户年龄。第三方反馈特征可以包括：是否有法院仲裁负面信息、是否有银行违约。例如，数据“用户A、666分、本科和32岁、无”，可以表示用户A的信用分为666分，最高学历为本科，年龄为32岁，征信无违约行为。

在本说明书实施例中，除了用户的信用等级，用户的履约行为习惯也是影响信用服务类型的另一个维度，可以根据用户的信用履约数据挖掘用户的履约行为习惯，如，履约类特征和金额类特征。履约类特征可以包括：次数/月，是否金融场景，是否存在违约，履约场景数。金额类特征可以包括：履约金额/次，优惠金额/次。例如，数据“用户C、16次/月、金融场景、无违约、5个”表示用户C该月的履约次数为16次，为金融场景，无违约行为，有5个履约场景。

在本说明书实施例中，除了用户的信用等级和用户的履约行为习惯，服务提供方的特征也是影响信用服务类型一个维度，服务提供方特征可以包括：服务总人数，服务总人次，履约率。规则特征可以包括：服务折扣，服务准入分。服务总人数可以表示服务提供方总共为多少用户提供过服务。服务总人次可以表示服务提供方总共为用户提供过多少次服务。履约率可以表示使用该服务提供方提供服务的用户成功履约的概率。服务折扣可以表示服务提供方提供的服务的优惠程度。如八折优惠。服务准入分表示服务提供方提供的信用服务的对用户的准入门槛，如信用分数到达到600的用户，才能使用该服务提供方提供的信用服务。例如，“商户B，免押金租赁、237、931、95％和650”，可以表示商户B的服务总人数为237人，服务总人次为931次，用户的履约率为95％，服务准入分为信用分650。从上述数据中，可以推断用户会多次使用商户B提供的服务，且用户的履约率非常高。

随机森林算法的主要流程如下：

1)从信用履约数据库中使用Bootstrap软件随机选取N个样本。

2)从选择出来的特征中随机抽取K个特征，使用C4.5算法得出多个决策树。决策树：通过自顶向下对数据实例的递归，以信息熵差值为标准，归纳出的树形结构模型。采用自顶向下的递归的方法，基本思想是以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处熵值为0，也就是叶子节点的实例归为一类。

3)重复上述过程，直至获得M棵决策树，也就是随机森林，根据投票算法，对履约数据进行履约场景分类，得出最终模型。随机森林是使用集成学习的思想，对数据训练处多棵决策树行程分类模型。集成学习是训练多个分类器，最后集成分类结果以确定元组类别的分类思想。

在本说明书实施例中，采用C4.5算法作为决策树算法，以信息增益率作为特征分裂规则，训练出一组决策树。C4.5算法是决策树算法的一种。决策树算法作为一种分类算法，目标就是将具有p维特征的n个样本分到c个类别中去。相当于做一个投影，c＝f(n)，将样本经过一种变换赋予一种类别标签。决策树为了达到这一目的，可以把分类的过程表示成一棵树，每次通过选择一个特征pi来进行分叉。

在本说明书实施例中，选取的K个特征可以包括多个类型的特征，如履约类特征、金额类特征、用户特征和第三方反馈特征。也可以是同一类特征中的多个特征，如用户特征：用户信用分、用户学历和用户年龄中的一个或者多个。

在本说明书实施例中，采用随机森林算法，利用集成学习随机+投票的方法，增强分类精度，可抗噪声、防过拟合，可以得到高精度的分类准确率和召回率。

在本说明书实施例中，采用随机森林算法训练信用服务分类器。由于单个决策树的分类准确性在不同的分类集合上有较大偏差，也可能会在单个分类集合上出现过拟合。过拟合是指模型在训练集上表现优异，而在测试集上表现很差。原因多为训练集选取不合理，如训练集内基本都是苹果，用该训练集对水果和蔬菜进行分类，训练模型表现特别好，但是测试集出现草莓就无法分类。随机森林借鉴集成学习的思路，使用样本集抽样、特征集合选择以及分类算法选择等方式，训练不同的决策树，然后使用多数投票等原则来完成结果的聚合，不仅可以提高分类准确性，而且能够有效地避免单分类器的过拟合。

可选的，所述根据所述信用服务类型进行信用服务推荐，具体可以包括：

确定符合所述信用服务类型的信用服务；

向所述待分类的信用履约数据对应的用户推荐所述信用服务。

在本说明书实施例中，给用户的推荐可以包括以下信息：

userId：信用服务名称；场景内top商户(可配置)；商户可使用门店(线上或线下)；免押金额(免交金额)。

在本说明书实施例中，履约率高的商户可以优先被推荐给用户。推荐形式可以是“图标+文字”的形式，用户点击相应的图标就可以了解相应的操作说明和使用权益。

例如，信用服务类别为“信用免押”服务，则可以推荐，信用免押借伞、信用免押金租车、信用免押金租房等等。还可以根据用户的信用分数，推荐对应金额的信用免押金服务。如，信用分数高，则说明履约程度高，则可以推荐金额比较大的信用免押金服务，这与在创建信用履约数据样本的过程中，获取的信用履约数据的物品信息是息息相关的。

可选的，所述确定符合所述信用服务类型的信用服务，具体包括：

确定所述信用服务类型对应的用户信用等级；

确定所述信用服务类型对应的履约行为特征；

选取满足所述用户信用等级和所述履约行为特征的信用服务。

在本说明书实施例中，在确定符合所述信用服务类型的信用服务时，可以根据两个特征对信用服务进行筛选，如信用服务类型对应的用户信用等级和履约行为特征。

以用户信用等级为例，因为，“信用先试后买服务”通常要求用户对于试用的产品妥善保管，因此对用户信用等级的要求较高。即“信用先试后买服务”对于用户信用等级的要求比“信用免押服务”对于用户的信用等级的要求高。可以根据这一情况为不同的用户群体提供不同的信用服务。例如，“信用先试后买服务”的服务准入分为650，即要求用户的信用分数为650以上才能享受此服务，“信用免押服务”服务准入分为600，即要求用户的信用分数为600以上才能享受此服务。当用户的信用分数为680时，则可以为该用户推荐“信用先试后买服务”，当用户的信用分数为610时，则可以为该用户推荐“信用免押服务”。

除此之外，还可以根据用户的履约行为特征进一步筛选信用服务。如信用服务类型中可以包括对物品金额的限定，并且对信用服务提供的物品的金额进行匹配。例如，用户已有的履约行为包括：免押金租车，租赁的为自行车，自行车的押金为399元，那么可以将对应的用户的信用服务类型匹配为“信用免押服务，500”，表示对于该用户可以提供物品金额小于500元的免押金服务。

可选的，所述根据所述信用服务类型进行信用服务推荐，具体可以包括：

确定所述待分类的信用履约数据对应的用户信息；

确定符合所述信用服务类型的信用服务的服务提供方；

将所述用户信息推荐至所述服务提供方。

在本说明书实施例中，还可以针对商户进行推荐，由于主体是商户，根据商户的经营特征，则需要推送符合一定条件的用户给商户。推荐形式可以如下所示：

给商户的推荐，可以包括以下信息：

信用场景名称，用户A；用户A距离商户最近的门店；用户A最近一次该信用场景是否履约；用户A最近一次该场景消费金额。用户B；距离商户最近的门店；用户B最近一次该场景是否履约；用户B最近一次该场景消费金额，等等。

在本说明书实施例中，根据信用履约数据，将符合一定条件的用户推荐给商户，商户可以概览这些用户信息，并根据这些用户信息制定运行策略，从而提高自身服务，以符合用户的要求。用户可以是多个，用户的排列顺序可以根据信用等级、履约率等进行确定。信用等级高、履约率高的用户可以优先被推荐，信用等级低、履约率低的用户次之。存在违约数据的用户则不会被推荐。

本本说明书实施例通过对已有数据的样本打标分类，特征提取，特征向量化，分类模型训练，分析出用户的履约行为习惯。基于用户履约行为习惯，对已使用信用服务的用户推荐场景，对未使用信用场景的用户进行预测分类。对于商家，可以支持运营策略定制和数据概览；对于用户，可以支持场景分群推荐及场景定向投放。

可选的，在所述根据所述信用服务类型进行信用服务推荐之后，还包括：

将对应所述信用服务的信用履约数据添加至所述信用履约数据样本中。

在本说明书实施例中，基于高准确率的分类模型，对用户进行信用场景定向推荐和分群投放，推荐二次使用结果又反馈回分类模型，进一步提高了分类精度。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图2为本说明书实施例提供的对应于图1的一种信用服务推荐装置的结构示意图。如图2所示，该装置可以包括：

待分类的信用履约数据获取模块201，用于获取待分类的信用履约数据；

信用服务类型输出模块202，用于将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

信用服务推荐模块203，用于根据所述信用服务类型进行信用服务推荐。

可选的，所述装置还可以包括：

信用履约数据样本获取模块，用于获取信用履约数据样本；

信用服务分类器训练模块，根据所述信用履约数据样本训练信用服务分类器，所述信用履约数据样本的信用服务类型是已知的。

可选的，所述装置还可以包括：

第一信用履约数据获取模块，用于获取信用服务类型已知的第一信用履约数据；所述第一信用履约数据包含用户身份信息；

第二信用履约数据获取模块，用于获取第三方存储的第二信用履约数据；所述第二信用履约数据的用户身份信息与所述第一信用履约数据的用户身份信息相同；

信用履约数据样本得到模块，用于根据所述第一信用履约数据与所述第二信用履约数据，得到所述信用履约数据样本。

可选的，所述第一信用履约数据获取模块，具体可以用于获取信用服务类型已知的第一信用履约数据对应的履约行为的用户信息、服务提供方信息、支付信息和/或物品信息。

可选的，所述信用服务分类器训练模块，具体包括：

特征提取单元，用于对信用履约数据样本进行特征提取，所述特征包括：履约类特征、金额类特征、服务提供方特征、规则特征、用户特征和/或第三方反馈特征；

向量化单元，用于将特征化后的信用履约数据样本向量化；

训练单元，用于根据向量化的信用履约数据样本采用随机森林算法训练多个信用服务类型决策树；

信用服务分类器合成单元，用于对所述多个信用服务类型决策树采用多数投票原则合成信用服务分类器。

可选的，所述信用服务推荐模块203，具体可以包括：

信用服务确定单元，用于确定符合所述信用服务类型的信用服务；

信用服务推荐单元，用于向所述待分类的信用履约数据对应的用户推荐所述信用服务。

可选的，所述信用服务确定单元，具体可以包括：

用户信用等级确定子单元，用于确定所述信用服务类型对应的用户信用等级；

履约行为特征确定子单元，用于确定所述信用服务类型对应的履约行为特征；

信用服务选取子单元，用于选取同时满足所述用户信用等级和所述履约行为特征的信用服务。

可选的，所述信用服务推荐模块203，具体可以包括：

用户信息确定单元，用于确定所述待分类的信用履约数据对应的用户信息；

服务提供方确定单元，用于确定符合所述信用服务类型的信用服务的服务提供方；

用户信息推荐单元，用于将所述用户信息推荐至所述服务提供方。

可选的，所述信用服务类型包括：信用免预存服务、信用免押服务、信用先试后买服务和/或信用预定服务。

可选的，所述装置还可以包括：

信用履约数据添加模块，用于在所述根据所述信用服务类型进行信用服务推荐之后，将对应所述信用服务的信用履约数据添加至所述信用履约数据样本中。

本说明书实施例能够达到的技术效果：全方位、多渠道对信用构建信用履约数据，使用随机森林算法对数据进行训练，集成学习的引入，降低了单棵决策树的过拟合、不抗噪声等缺陷，能够处理离散的、多维的履约数据，具备很高的分类准确率和召回率。

基于同样的思路，本说明书实施例还提供了上述方法对应的设备。

图3为本说明书实施例提供的对应于图1的一种信用服务推荐设备的结构示意图。如图3所示，设备300可以包括：

至少一个处理器310；以及，

与所述至少一个处理器通信连接的存储器330；其中，

所述存储器330存储有可被所述至少一个处理器310执行的指令320，所述指令被所述至少一个处理器310执行，以使所述至少一个处理器310能够：

获取待分类的信用履约数据；

将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

根据所述信用服务类型进行信用服务推荐。

本说明书实施例先通过多渠道、多类型数据采集，构建信用履约数据样本；然后随机选取一定量的履约数据，通过特征提取、模型训练和集成学习投票算法，得出信用履约数据分类器；然后根据履约数据分类器对意向用户的履约数据进行分类，然后针对分类结果定向推荐信用场景。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell UniversityProgramming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

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。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (20)

1.一种信用服务推荐方法，包括：

获取待分类的信用履约数据；

将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

根据所述信用服务类型进行信用服务推荐。

2.如权利要求1所述的方法，在所述获取待分类的信用履约数据之前，还包括：

获取信用履约数据样本；

根据所述信用履约数据样本训练信用服务分类器，所述信用履约数据样本的信用服务类型是已知的。

3.如权利要求2所述的方法，在所述获取信用履约数据样本之前，还包括：

获取信用服务类型已知的第一信用履约数据；所述第一信用履约数据包含用户身份信息；

获取第三方存储的第二信用履约数据；所述第二信用履约数据的用户身份信息与所述第一信用履约数据的用户身份信息相同；

根据所述第一信用履约数据与所述第二信用履约数据，得到所述信用履约数据样本。

4.如权利要求3所述的方法，所述获取信用服务类型已知的第一信用履约数据，具体包括：

获取信用服务类型已知的第一信用履约数据对应的履约行为的用户信息、服务提供方信息、支付信息和/或物品信息。

5.如权利要求2所述的方法，所述根据所述信用履约数据样本训练信用服务分类器，具体包括：

对信用履约数据样本进行特征提取，所述特征包括：履约类特征、金额类特征、服务提供方特征、规则特征、用户特征和/或第三方反馈特征；

将特征化后的信用履约数据样本向量化；

根据向量化的信用履约数据样本采用随机森林算法训练多个信用服务类型决策树；

对所述多个信用服务类型决策树采用多数投票原则合成信用服务分类器。

6.如权利要求1所述的方法，所述根据所述信用服务类型进行信用服务推荐，具体包括：

确定符合所述信用服务类型的信用服务；

向所述待分类的信用履约数据对应的用户推荐所述信用服务。

7.如权利要求6所述的方法，所述确定符合所述信用服务类型的信用服务，具体包括：

确定所述信用服务类型对应的用户信用等级；

确定所述信用服务类型对应的履约行为特征；

选取满足所述用户信用等级和所述履约行为特征的信用服务。

8.如权利要求1所述的方法，所述根据所述信用服务类型进行信用服务推荐，具体包括：

确定所述待分类的信用履约数据对应的用户信息；

确定符合所述信用服务类型的信用服务的服务提供方；

将所述用户信息推荐至所述服务提供方。

9.如权利要求1所述的方法，所述信用服务类型包括：信用免预存服务、信用免押服务、信用先试后买服务和/或信用预定服务。

10.如权利要求1所述的方法，在所述根据所述信用服务类型进行信用服务推荐之后，还包括：

将对应所述信用服务的信用履约数据添加至所述信用履约数据样本中。

11.一种信用服务推荐装置，包括：

待分类的信用履约数据获取模块，用于获取待分类的信用履约数据；

信用服务类型输出模块，用于将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

信用服务推荐模块，用于根据所述信用服务类型进行信用服务推荐。

12.如权利要求11所述的装置，所述装置还包括：

信用履约数据样本获取模块，用于获取信用履约数据样本；

信用服务分类器训练模块，根据所述信用履约数据样本训练信用服务分类器，所述信用履约数据样本的信用服务类型是已知的。

13.如权利要求12所述的装置，所述装置还包括：

第一信用履约数据获取模块，用于获取信用服务类型已知的第一信用履约数据；所述第一信用履约数据包含用户身份信息；

第二信用履约数据获取模块，用于获取第三方存储的第二信用履约数据；所述第二信用履约数据的用户身份信息与所述第一信用履约数据的用户身份信息相同；

信用履约数据样本得到模块，用于根据所述第一信用履约数据与所述第二信用履约数据，得到所述信用履约数据样本。

14.如权利要求13所述的装置，所述第一信用履约数据获取模块，具体用于获取信用服务类型已知的第一信用履约数据对应的履约行为的用户信息、服务提供方信息、支付信息和/或物品信息。

15.如权利要求12所述的装置，所述信用服务分类器训练模块，具体包括：

特征提取单元，用于对信用履约数据样本进行特征提取，所述特征包括：履约类特征、金额类特征、服务提供方特征、规则特征、用户特征和/或第三方反馈特征；

向量化单元，用于将特征化后的信用履约数据样本向量化；

训练单元，用于根据向量化的信用履约数据样本采用随机森林算法训练多个信用服务类型决策树；

信用服务分类器合成单元，用于对所述多个信用服务类型决策树采用多数投票原则合成信用服务分类器。

16.如权利要求11所述的装置，所述信用服务推荐模块，具体包括：

信用服务确定单元，用于确定符合所述信用服务类型的信用服务；

信用服务推荐单元，用于向所述待分类的信用履约数据对应的用户推荐所述信用服务。

17.如权利要求11所述的装置，所述信用服务推荐模块，具体包括：

用户信息确定单元，用于确定所述待分类的信用履约数据对应的用户信息；

服务提供方确定单元，用于确定符合所述信用服务类型的信用服务的服务提供方；

用户信息推荐单元，用于将所述用户信息推荐至所述服务提供方。

18.如权利要求12所述的装置，所述信用服务类型包括：信用免预存服务、信用免押服务、信用先试后买服务和/或信用预定服务。

19.如权利要求12所述的装置，所述装置还包括：

信用履约数据样本添加模块，用于在所述根据所述信用服务类型进行信用服务推荐之后，将对应所述信用服务的信用履约数据添加至所述信用履约数据样本中。

20.一种信用服务推荐设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待分类的信用履约数据；

将所述待分类的信用履约数据输入至信用服务分类器，输出所述待分类的信用履约数据对应的信用服务类型；

根据所述信用服务类型进行信用服务推荐。