CN111553685B - 确定交易路由通道的方法、装置、电子设备和存储介质 - Google Patents

确定交易路由通道的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111553685B
CN111553685B CN202010352887.6A CN202010352887A CN111553685B CN 111553685 B CN111553685 B CN 111553685B CN 202010352887 A CN202010352887 A CN 202010352887A CN 111553685 B CN111553685 B CN 111553685B
Authority
CN
China
Prior art keywords
transaction
historical
routing channel
candidate
random forest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010352887.6A
Other languages
English (en)
Other versions
CN111553685A (zh
Inventor
雷琼
王凯
耿少羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010352887.6A priority Critical patent/CN111553685B/zh
Publication of CN111553685A publication Critical patent/CN111553685A/zh
Application granted granted Critical
Publication of CN111553685B publication Critical patent/CN111553685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种确定交易路由通道的方法，包括：获取历史交易信息样本集，其中，历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与历史路由通道相关联的参数信息，N为正整数；对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，其中，强势特征集包括Y个强势特征，Y为正整数；基于强势特征集生成第一随机森林模型；利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。本公开还提供了一种确定交易路由通道的装置、一种电子设备和一种计算机可读存储介质。

Description

确定交易路由通道的方法、装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，更具体地，涉及一种确定交易路由通道的方法、一种确定交易路由通道的装置、一种电子设备和一种计算机可读存储介质。
背景技术
在相关技术中，银行与支付机构之间的交易结算一般需要通过卡组织银联或网联平台这两个通道进行资金清算服务，使得银行与支付机构之间“断直连”。因此，网联和银联处在了枢纽的位置。
目前，在进行交易支付时，无论是通过银联还是网联进行支付，支付路由通道一般是固定路由模式，即确定后一般不能改变路由方式。发明人发现相关技术中至少存在如下弊端：由于支付路由通道确定后一般不能改变，一旦被选择的通道如银联或者网联平台发生系统问题，银行或者支付机构只能被动等待银联或者网联平台解决，造成支付市场风险，将导致支付功能不可用或者部分可用。进一步地，由于不同支付路由通道、不同银行卡对支付限额不同，对于大额的支付，固定路由通道的限额可能达不到，从而无法成功支付。此外，不同的通道对于不同类型的支付交易收取手续费用不同，固定路由模式不能达到银行、支付机构效益最大化的要求。
发明内容
有鉴于此，有必要提出一种技术方案，为当前交易确定较为合适的支付路由通道，从而较大程度地提升客户支付成功率，并为银行获取较好的效益。
本公开提供了一种确定交易路由通道的方法、一种确定交易路由通道的装置、一种电子设备和一种计算机可读存储介质。
本公开的一个方面提供了一种确定交易路由通道的方法，包括：获取历史交易信息样本集，其中，所述历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与所述历史路由通道相关联的参数信息，N为正整数；对所述历史交易信息样本集进行特征分析，确定用于选择所述历史路由通道的强势特征集，其中，所述强势特征集包括Y个强势特征，Y为正整数；基于所述强势特征集生成第一随机森林模型；利用所述第一随机森林模型对当前待处理交易进行处理，确定所述待处理交易的交易路由通道。
本公开的另一个方面提供了一种确定交易路由通道的装置，包括获取模块、第一确定模块、生成模块和第二确定模块。
获取模块用于获取历史交易信息样本集，其中，所述历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与所述历史路由通道相关联的参数信息，N为正整数。
第一确定模块用于对所述历史交易信息样本集进行特征分析，确定用于选择所述历史路由通道的强势特征集，其中，所述强势特征集包括Y个强势特征，Y为正整数。
生成模块用于基于所述强势特征集生成第一随机森林模型。
第二确定模块用于利用所述第一随机森林模型对当前待处理交易进行处理，确定所述待处理交易的交易路由通道。
本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，通过对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，基于强势特征集生成第一随机森林模型，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。由于第一随机森林模型是根据用于选择历史路由通道的强势特征集生成的，所以生成的第一随机森林模型可以为当前待处理交易确定较为合适的交易路由通道，通过确定的该较为合适的交易路由通道可以较大程度提升客户交易成功率，并为银行或支付机构获取较大的效益，至少可以部分解决采用相关技术进行交易支付时，固定的交易路由通道与当前待处理交易不匹配，导致支付失败，或不能达到银行和支付机构效益较大化的要求。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用确定交易路由通道的方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的可以应用确定交易路由通道的方法及装置的场景流程图；
图3示意性示出了根据本公开实施例的确定交易路由通道的方法的流程图；
图4示意性示出了根据本公开实施例的利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道的流程图；
图5示意性示出了根据本公开实施例的对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集的流程图；
图6示意性示出了根据本公开实施例的生成第二随机森林模型的示意图；
图7示意性示出了根据本公开实施例的基于强势特征集生成第一随机森林模型的流程图；
图8示意性示出了根据本公开实施例的确定交易路由通道的装置的框图；以及
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随机森林(Random Forests)算法是一种机器学习模型。在生成随机森林模型时，首先可以从样本集中采样选出n个样本，然后从所有属性中随机选择k个属性，选择最佳分割属性作为节点建立决策树，重复上述两步骤m次，也就是建立了m棵决策树，最后这m棵树形成随机森林，通过投票表决结果，得出输入数据属于哪一类。经典的机器学习模型应属神经网络，神经网络虽能做到精确预测，但是计算量大。随机森林对于多维特征的数据集分类有很高的效率，还可以做特征重要性的选择，而且在运算量没有显著增大的前提下提高了预测精度。
随机森林简单而言就是随机生成一个森林，森林里面由多棵决策树组成，并且每一棵决策树之间没有关联。得到森林之后，当有一个新的输入样本进入时，森林中的每一棵决策树就会判断该样本应该属于哪一类，最后通过投票决定预测这个样本为哪一类。
本公开的实施例提供了一种确定交易路由通道的方法，包括：获取历史交易信息样本集，其中，历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与历史路由通道相关联的参数信息，N为正整数；对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，其中，强势特征集包括Y个强势特征，Y为正整数；基于强势特征集生成第一随机森林模型；利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。
图1示意性示出了根据本公开实施例的可以应用确定交易路由通道的方法及装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括个人终端设备101、商户系统102、银行系统103、银联系统104、网联系统105和网络106。网络106用以在个人终端设备101和商户系统102之间、商户系统102和银行系统103之间、银行系统103与银联系统104和网联系统105之间、或者商户系统102与银联系统104和网联系统105之间提供通信链路的介质，当然，本公开的网络106也可以根据实际需要为其它通讯端之间提供通信链路。网络106可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用个人终端设备101通过网络106与商户系统102交互，以接收或发送消息等。个人终端设备101上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
个人终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
商户系统102、银行系统103、银联系统104、网联系统105中的每个系统可以包括一个或多个服务器，用于提供处理功能。
需要说明的是，本公开实施例所提供的确定交易路由通道的方法一般可以由个人终端设备101、商户系统102、银行系统103中的任意一个执行。相应地，本公开实施例所提供的确定交易路由通道的装置一般可以设置于个人终端设备101、商户系统102、银行系统103中的任意一个中。本公开实施例所提供的确定交易路由通道的方法也可以由不同于个人终端设备101、商户系统102、银行系统103且能够与个人终端设备101、商户系统102、银行系统103、银联系统104、网联系统105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的确定交易路由通道的装置也可以设置于不同于个人终端设备101、商户系统102、银行系统103且能够与个人终端设备101、商户系统102、银行系统103、银联系统104、网联系统105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图2对本公开的实施例可以应用确定交易路由通道的方法及装置的场景流程图进行说明。
图2示意性示出了根据本公开实施例的可以应用确定交易路由通道的方法及装置的场景流程图。
首先，客户通过商户网站或者APP进行下单后，提交订单。商户基于客户输入的内容建立订单信息，客户可以选择支付方式为银行支付或者其他支付机构。
然后，商户可以将订单信息提交到所选银行或者其他支付机构(其中，订单要素至少包括：交易金额，客户标识等等)。
再然后，以客户选择支付方式为银行支付为例，银行对客户身份进行认证，并提供银行卡号信息等供客户选择或输入。
此外，银行可以实时从监控系统获取系统成功率、业务成功率等信息，并从信息系统获取通道交易限额、手续费、上次交易通道等信息，连同本次订单信息及客户选择支付卡信息，一起输入到路由预测模块，确定本次交易的路由通道，例如，确定本次交易的路由通道为通过银联进行订单交易处理。根据本公开的实施例，路由预测模块可以是第一随机森林模型，该第一随机森林模型可以是对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集之后，基于强势特征集训练生成的。
再然后，银行根据确定的路由通道提交对应请求给银联或者网联，并获取交易结果。银行记录交易结果，并将交易结果通知到商户。
最后，商户记录交易结果，并将交易结果展示给个人客户，从而完成一笔交易的处理。
通过本公开的实施例，利用随机森林模型可以为当前待处理交易确定较为合适的交易路由通道，通过该较为合适的交易路由通道可以较大程度提升客户交易成功率，并为银行或支付机构获取较大的效益，至少可以部分解决采用相关技术进行交易支付时，固定的交易路由通道与当前待处理交易不匹配，导致支付失败，或不能达到银行和支付机构效益较大化的要求。
图3示意性示出了根据本公开实施例的确定交易路由通道的方法的流程图。
如图3所示，该方法包括操作S310～S340。
在操作S310，获取历史交易信息样本集，其中，该历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与历史路由通道相关联的参数信息，N为正整数。
根据本公开的实施例，例如，对于某一条历史交易信息样本，交易时所使用的历史路由通道为银联通道，对于该条历史交易信息样本，还包括当时使用银联通道时与银联通道相关联的参数信息。参数信息例如可以包括通道系统成功率、通道业务成功率、交易使用的卡号、通道交易限额、通道交易手续费等等。
根据本公开的实施例，历史交易信息样本可以是跨行支付交易信息样本。跨行支付交易信息样本数据可选择地包括：银联通道系统成功率、网联通道系统成功率、银联通道业务成功率、网联通道业务成功率、交易使用银行卡号、交易金额、银联通道交易限额、网联通道交易限额、银联通道交易手续费、网联通道交易手续费、客户最近一次使用的交易通道。
在操作S320，对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，其中，该强势特征集包括Y个强势特征，Y为正整数。
本公开的实施例对历史交易信息样本的待选特征进行分析，自动找出历史交易路由选择的强势特征。
根据本公开的实施例，强势特征可以包括以下至少之一：M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、每个候选交易路由通道的交易手续费、每个候选交易路由通道的交易限额、待处理交易的交易账号和交易金额、交易账号最新一次所使用的交易路由通道，其中，M为大于1的整数。
根据本公开的实施例，候选交易路由通道的个数M不做限定，例如，可以是2个候选交易路由通道，3个候选交易路由通道等等。在实际应用中，候选交易路由通道例如可以是网联通道，银联通道等等。
在操作S330，基于强势特征集生成第一随机森林模型。
根据本公开的实施例，例如，可以根据强势特征集中的若干个特征建立预测交易的决策树，由所有的决策树生成随机森林，其中，强势特征集中的所有特征可以包含在各决策树中。
在操作S340，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。
根据本公开的实施例，可以对跨行支付交易信息样本进行特征分析，得到跨行支付交易的强势特征集，基于跨行支付交易的强势特征集生成第一随机森林模型，可以实现基于随机森林分类的跨行支付路由的预测。
根据本公开的实施例，通过对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，基于强势特征集生成第一随机森林模型，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。由于第一随机森林模型是根据用于选择历史路由通道的强势特征集生成的，所以生成的第一随机森林模型可以为当前待处理交易确定较为合适的交易路由通道，通过确定的该较为合适的交易路由通道可以较大程度提升客户交易成功率，并为银行或支付机构获取较大的效益，至少可以部分解决采用相关技术进行交易支付时，固定的交易路由通道与当前待处理交易不匹配，导致支付失败，或不能达到银行和支付机构效益较大化的要求。
下面参考图4～图7，结合具体实施例对图3所示的方法做进一步说明。
图4示意性示出了根据本公开实施例的利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道的流程图。
如图4所示，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道包括操作S410～S430。
在操作S410，获取待处理交易的关联信息。
根据本公开的实施例，关联信息可以包括以下至少之一：M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、每个候选交易路由通道的交易手续费、每个候选交易路由通道的交易限额、待处理交易的交易账号和交易金额、交易账号最新一次所使用的交易路由通道，其中，M为大于1的整数。
在操作S420，将待处理交易的关联信息输入第一随机森林模型。
在操作S430，通过第一随机森林模型输出待处理交易的交易路由通道。
根据本公开的实施例，例如，当前待处理交易的关联信息可选地包括：银联通道当前系统成功率、网联通道当前系统成功率、银联通道当前业务成功率、网联通道当前业务成功率、交易使用银行卡号、交易金额、银联通道交易限额、网联通道交易限额、银联通道交易手续费、网联通道交易手续费、客户最近一次使用的交易通道等等。
根据本公开的实施例，利用第一随机森林模型对当前待处理交易进行处理时，可以将当前待处理交易的关联信息输入第一随机森林模型中，输出待处理交易的交易路由通道。
根据本公开的实施例，利用第一随机森林模型，可以将当前待处理交易进行路由分类，例如对本次跨行支付交易进行路由分类，确定本次交易的交易路由通道，例如，本次交易的交易路由通道可以是银联通道或网联通道。
图5示意性示出了根据本公开实施例的对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集的流程图。
如图5所示，对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集包括操作S510～S560。
在操作S510，对历史交易信息样本集进行特征分析，确定候选特征集，其中，候选特征集包括X个候选特征，X为大于1的整数。
在操作S520，从候选特征集中选择k个候选特征，其中，k为小于X的正整数。
根据本公开的实施例，在每次生成一棵决策树的过程中，可以从X个候选特征中随机选择k个候选特征。
在操作S530，从历史交易信息样本集中选择n条历史交易信息样本，其中，n为小于N的正整数。
根据本公开的实施例，在每次生成一棵决策树的过程中，可以从N条历史交易信息样本中随机选择n条历史交易信息样本。
在操作S540，根据择k个候选特征和n条历史交易信息样本建立一棵决策树。
在操作S550，重复执行上述建立一棵决策树的操作，直到生成m棵决策树，其中，m棵决策树形成第二随机森林模型，m为正整数。
根据本公开的实施例，可以重复执行操作S520～操作S540，在每次执行操作S520～操作S540后，可以得到一棵决策树。m可以是正整数。例如，可以是2，3或者5等等。
在操作S560，基于第二随机森林模型确定用于选择历史路由通道的强势特征集。
本公开的实施例通过第二随机森林模型可以分析得到交易路由通道的强势特征，并由新构建的第一随机森林模型的各决策树投票获得待预测交易的支付路由通道，完成分类，可以有效地提前规避支付过程中各通道的限制，包含业务级别的限制以及系统级别的限制，提升了支付成功率。在对历史交易信息样本集进行特征分析时，还可以加入手续费等银行效益相关的属性特征，从而协助银行获取较大的收益。
本公开的实施例通过候选特征集中的候选特征生成第二随机森林模型，通过第二随机森林模型确定用于选择历史路由通道的强势特征集，通过强势特征集中的强势特征生成第一随机森林模型，通过第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。本公开的实施例利用候选特征集和强势特征集分次生成不同的随机森林，不同的随机森林具有不同的功能，提出了一种有效地交易路由通道的确定方法，相比于利用样本数据直接生成用于确定交易路由通道的随机森林的方案，具有更高的客户交易成功率，并为银行或支付机构获取更大的效益。
图6示意性示出了根据本公开实施例的生成第二随机森林模型的示意图。
第二随机森林模型可以包括m棵决策树，每棵决策树可以具有对应的训练集，根据m个训练集构造了m棵决策树。如图6所示，每棵决策树对应的训练样本集可以是随机从原始训练样本集中随机抽取的n条样本生成新的训练集。假设每个样本所有特征数目为X，对n条样本选择X个特征中的k个特征，用建立决策树的方式获得最佳分割点，新数据的分类结果按决策树投票多少形成分数而定，再根据数据分类的好坏筛选出具有最好特征值的集合。
根据本公开的实施例，可以从历史交易信息样本集N中采取有放回的抽样，每次选出n个样本。从X个特征中随机选择k个特征，对选出的样本利用这些特征建立决策树。重复以上两步骤m次，即生成m棵决策树，形成第二随机森林模型。
例如，在第1棵决策树中，有n个样本，特征为(K1、K2...Kk)，根据这k个候选特征和n条历史交易信息样本建立第1棵决策树。
在第2棵决策树中，有n个样本，特征为(K2、K3...Kk+1)，根据这k个候选特征和n条历史交易信息样本建立第2棵决策树。
在第m棵决策树中，有n个样本，特征为(Km、Km+1...Kk+m-1)，根据这k个候选特征和n条历史交易信息样本建立第m棵决策树。
随机森林模型实质上可以认为是对决策树算法的一种改进，合并多棵决策树，每棵树的建立依赖于一个独立的样本，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择哪些有价值的特征值。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类与最有价值的特征值。
本公开的实施例通过第二随机森林模型分析得到支付交易路由的强势特征，基于强势特征生成第一随机森林，并由第一随机森林中的各决策树投票决定当前待处理交易的路由的最终分类结果。能够采用客观科学的方法快速预测跨行支付交易的路由通道，提升支付交易的成功率并为银行获取较大的效益。
根据本公开的实施例，在生成第二随机森林模型之后，可以基于第二随机森林模型确定用于选择历史路由通道的强势特征集。
根据本公开的实施例，可以将每条历史交易信息样本中与候选特征集中的每个候选特征对应的数据，输入m棵决策树中，计算每个候选特征在第二随机森林中的每棵树上的信息增益值；根据与每个候选特征对应的信息增益值从候选特征集中确定出一个或多个强势特征；以及基于一个或多个强势特征生成强势特征集。
根据本公开的实施例，可以将每个候选特征按照与每个候选特征对应的信息增益值的大小进行排序；以及根据排序结果从候选特征集中确定出一个或多个强势特征。
具体地，可以将样本数据输入第二随机森林模型的m棵决策树中，采用ID3算法，计算得到每个特征在随机森林中的每棵树上的贡献值，即信息增益值，将这些特征按照贡献值降序排列，然后根据要剔除的比例，将贡献值小的特征进行剔除，得到一个强势特征集。
根据本公开的实施例，ID3算法可以包括如下3个公式。
公式1：
Figure BDA0002470844830000131
公式2：
Figure BDA0002470844830000132
公式3：gain(A)＝info(D)-infoA(D)。
其中，上述公式1是在所有类别D中信息熵的表示，pi为第i类别(其中，不同的交易路由通道作为不同的类别，例如，第一交易路由通道作为第一类别，第二交易路由通道作为第二类别)在所有类别D中出现的概率，换言之，pi表示每一个交易路由通道在当前所有类别中出现的概率，g表示类别总数，即类别的总数量。在公式2中，假设将所有类别D按照A特征属性进行划分，则表示A特征属性对所有类别D所划分的期望信息熵，Dj/D表示特征A的第j个类别的数量占特征A所有类别的概率，r为基于特征A下的类别数量。那么，在按照A特征属性划分后所得到的信息增益gain(A)如公式3所表示，所有的特征值可以按照信息增益来进行递归排序，从而构建整个决策树。在随机森林体系所构建的决策树中不需要进行减枝，这样对训练数据就会表现很精确，尽管对其他数据没有那么精确，会出现过拟合，但对于集成学习来说，可以通过多个决策树共同决策来避免单个决策树的过拟合。
图7示意性示出了根据本公开实施例的基于强势特征集生成第一随机森林模型的流程图。
如图7所示，基于强势特征集生成第一随机森林模型包括操作S710～S740。
在操作S710，从强势特征集中选择y个强势特征，其中，y为小于Y的正整数。
根据本公开的实施例，在每次生成一棵决策树的过程中，可以从Y个候选强势特征中随机选择y个候选特征。
在操作S720，从历史交易信息样本集中选择z条历史交易信息样本，其中，z为小于N的正整数。
根据本公开的实施例，在每次生成一棵决策树的过程中，可以从N条历史交易信息样本中随机选择z条历史交易信息样本。
在操作S730，根据y个强势特征和z条历史交易信息样本建立一棵决策树。
在操作S740，重复执行上述建立一棵决策树的操作，直到生成q棵决策树，其中，q棵决策树形成第一随机森林模型，q为正整数。
根据本公开的实施例，可以重复执行操作S710～操作S730，在每次执行操作S710～操作S730后，可以得到一棵决策树。q可以是正整数。例如，可以是2，5或者10等等。
根据本公开的实施例，基于强势特征集中的强势特征生成第一随机森林模型，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。由于第一随机森林模型是根据用于选择历史路由通道的强势特征集生成的，所以生成的第一随机森林模型可以为当前待处理交易确定较为合适的交易路由通道，通过确定的该较为合适的交易路由通道可以较大程度提升客户交易成功率，并为银行或支付机构获取较大的效益。
图8示意性示出了根据本公开实施例的确定交易路由通道的装置的框图。
如图8所示，确定交易路由通道的装置800包括：获取模块801、第一确定模块802、生成模块803和第二确定模块804。
获取模块801用于获取历史交易信息样本集，其中，上述历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与上述历史路由通道相关联的参数信息，N为正整数。
第一确定模块802用于对上述历史交易信息样本集进行特征分析，确定用于选择上述历史路由通道的强势特征集，其中，上述强势特征集包括Y个强势特征，Y为正整数。
生成模块803用于基于上述强势特征集生成第一随机森林模型。
根据本公开的实施例，上述生成模块803可以用于从上述强势特征集中选择y个强势特征，其中，y为小于Y的正整数；从上述历史交易信息样本集中选择z条历史交易信息样本，其中，z为小于N的正整数；根据上述y个强势特征和上述z条历史交易信息样本建立一棵决策树；以及重复执行上述建立一棵决策树的操作，直到生成q棵决策树，其中，上述q棵决策树形成上述第一随机森林模型，q为正整数。
第二确定模块804用于利用上述第一随机森林模型对当前待处理交易进行处理，确定上述待处理交易的交易路由通道。
根据本公开的实施例，通过对历史交易信息样本集进行特征分析，确定用于选择历史路由通道的强势特征集，基于强势特征集生成第一随机森林模型，利用第一随机森林模型对当前待处理交易进行处理，确定待处理交易的交易路由通道。由于第一随机森林模型是根据用于选择历史路由通道的强势特征集生成的，所以生成的第一随机森林模型可以为当前待处理交易确定较为合适的交易路由通道，通过确定的该较为合适的交易路由通道可以较大程度提升客户交易成功率，并为银行或支付机构获取较大的效益，至少可以部分解决采用相关技术进行交易支付时，固定的交易路由通道与当前待处理交易不匹配，导致支付失败，或不能达到银行和支付机构效益较大化的要求。
根据本公开的实施例，上述第二确定模块804具体用于：获取上述待处理交易的关联信息；将上述待处理交易的关联信息输入上述第一随机森林模型；以及通过上述第一随机森林模型输出上述待处理交易的交易路由通道。
根据本公开的实施例，上述关联信息包括以下至少之一：M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、上述每个候选交易路由通道的交易手续费、上述每个候选交易路由通道的交易限额、上述待处理交易的交易账号和交易金额、上述交易账号最新一次所使用的交易路由通道，其中，M为大于1的整数。
根据本公开的实施例，上述第一确定模块802用于：对上述历史交易信息样本集进行特征分析，确定候选特征集，其中，上述候选特征集包括X个候选特征，X为大于1的整数；从上述候选特征集中选择k个候选特征，其中，k为小于X的正整数；从上述历史交易信息样本集中选择n条历史交易信息样本，其中，n为小于N的正整数；根据上述择k个候选特征和上述n条历史交易信息样本建立一棵决策树；重复执行上述建立一棵决策树的操作，直到生成m棵决策树，其中，上述m棵决策树形成第二随机森林模型，m为正整数；以及基于上述第二随机森林模型确定用于选择上述历史路由通道的强势特征集。
根据本公开的实施例，基于上述第二随机森林模型确定用于选择上述历史路由通道的强势特征集包括：将上述每条历史交易信息样本中与上述候选特征集中的每个候选特征对应的数据，输入上述m棵决策树中，计算上述每个候选特征在上述第二随机森林中的每棵树上的信息增益值；根据与上述每个候选特征对应的信息增益值从上述候选特征集中确定出一个或多个强势特征；以及基于上述一个或多个强势特征生成强势特征集。
根据本公开的实施例，根据与上述每个候选特征对应的信息增益值从上述候选特征集中确定出一个或多个强势特征包括：将上述每个候选特征按照与上述每个候选特征对应的信息增益值的大小进行排序；以及根据排序结果从上述候选特征集中确定出一个或多个强势特征。
根据本公开的实施例，上述强势特征包括以下至少之一：M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、上述每个候选交易路由通道的交易手续费、上述每个候选交易路由通道的交易限额、上述待处理交易的交易账号和交易金额、上述交易账号最新一次所使用的交易路由通道，其中，M为大于1的整数。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，获取模块801、第一确定模块802、生成模块803和第二确定模块804中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块801、第一确定模块802、生成模块803和第二确定模块804中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块801、第一确定模块802、生成模块803和第二确定模块804中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中确定交易路由通道的装置部分与本公开的实施例中确定交易路由通道的方法部分是相对应的，确定交易路由通道的装置部分的描述具体参考确定交易路由通道的方法部分，在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备可以是计算机系统900。根据本公开实施例的计算机系统900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM903中，存储有系统900操作所需的各种程序和数据。处理器901、ROM902以及RAM903通过总线904彼此相连。处理器901通过执行ROM902和/或RAM903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM902和RAM903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，系统900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种确定交易路由通道的方法，包括：
获取历史交易信息样本集，其中，所述历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与所述历史路由通道相关联的参数信息，所述N为正整数；
对所述历史交易信息样本集进行特征分析，确定用于选择所述历史路由通道的强势特征集，其中，所述强势特征集包括Y个强势特征，所述Y为正整数；
基于所述强势特征集生成第一随机森林模型；
利用所述第一随机森林模型对当前待处理交易进行处理，确定所述待处理交易的交易路由通道。
2.根据权利要求1所述的方法，其中，利用所述第一随机森林模型对当前待处理交易进行处理，确定所述待处理交易的交易路由通道包括：
获取所述待处理交易的关联信息；
将所述待处理交易的关联信息输入所述第一随机森林模型；以及
通过所述第一随机森林模型输出所述待处理交易的交易路由通道。
3.根据权利要求2所述的方法，其中，所述关联信息包括以下至少之一：
M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、所述每个候选交易路由通道的交易手续费、所述每个候选交易路由通道的交易限额、所述待处理交易的交易账号和交易金额、所述交易账号最新一次所使用的交易路由通道，其中，所述M为大于1的整数。
4.根据权利要求1所述的方法，其中，对所述历史交易信息样本集进行特征分析，确定用于选择所述历史路由通道的强势特征集包括：
对所述历史交易信息样本集进行特征分析，确定候选特征集，其中，所述候选特征集包括X个候选特征，所述X为大于1的整数；
从所述候选特征集中选择k个候选特征，其中，所述k为小于X的正整数；
从所述历史交易信息样本集中选择n条历史交易信息样本，其中，所述n为小于N的正整数；
根据所述k个候选特征和所述n条历史交易信息样本建立一棵决策树；
重复执行所述建立一棵决策树的操作，直到生成m棵决策树，其中，所述m棵决策树形成第二随机森林模型，所述m为正整数；以及
基于所述第二随机森林模型确定用于选择所述历史路由通道的强势特征集。
5.根据权利要求4所述的方法，其中，基于所述第二随机森林模型确定用于选择所述历史路由通道的强势特征集包括：
将所述每条历史交易信息样本中与所述候选特征集中的每个候选特征对应的数据，输入所述m棵决策树中，计算所述每个候选特征在所述第二随机森林中的每棵树上的信息增益值；
根据与所述每个候选特征对应的信息增益值从所述候选特征集中确定出一个或多个强势特征；以及
基于所述一个或多个强势特征生成强势特征集。
6.根据权利要求5所述的方法，其中，根据与所述每个候选特征对应的信息增益值从所述候选特征集中确定出一个或多个强势特征包括：
将所述每个候选特征按照与所述每个候选特征对应的信息增益值的大小进行排序；以及
根据排序结果从所述候选特征集中确定出一个或多个强势特征。
7.根据权利要求1所述的方法，其中，所述强势特征包括以下至少之一：
M个候选交易路由通道中每个候选交易路由通道当前的交易成功率、所述每个候选交易路由通道的交易手续费、所述每个候选交易路由通道的交易限额、所述待处理交易的交易账号和交易金额、所述交易账号最新一次所使用的交易路由通道，其中，所述M为大于1的整数。
8.根据权利要求1所述的方法，其中，基于所述强势特征集生成第一随机森林模型包括：
从所述强势特征集中选择y个强势特征，其中，所述y为小于所述Y的正整数；
从所述历史交易信息样本集中选择z条历史交易信息样本，其中，所述z为小于所述N的正整数；
根据所述y个强势特征和所述z条历史交易信息样本建立一棵决策树；以及
重复执行所述建立一棵决策树的操作，直到生成q棵决策树，其中，所述q棵决策树形成所述第一随机森林模型，所述q为正整数。
9.一种确定交易路由通道的装置，包括：
获取模块，用于获取历史交易信息样本集，其中，所述历史交易信息样本集包括N条历史交易信息样本，每条历史交易信息样本包括交易时所使用的历史路由通道以及与所述历史路由通道相关联的参数信息，所述N为正整数；
第一确定模块，用于对所述历史交易信息样本集进行特征分析，确定用于选择所述历史路由通道的强势特征集，其中，所述强势特征集包括Y个强势特征，所述Y为正整数；
生成模块，用于基于所述强势特征集生成第一随机森林模型；以及
第二确定模块，用于利用所述第一随机森林模型对当前待处理交易进行处理，确定所述待处理交易的交易路由通道。
10.根据权利要求9所述的装置，其中，所述第二确定模块用于：
获取所述待处理交易的关联信息；
将所述待处理交易的关联信息输入所述第一随机森林模型；以及
通过所述第一随机森林模型输出所述待处理交易的交易路由通道。
11.根据权利要求9所述的装置，其中，所述第一确定模块用于：
对所述历史交易信息样本集进行特征分析，确定候选特征集，其中，所述候选特征集包括X个候选特征，所述X为大于1的整数；
从所述候选特征集中选择k个候选特征，其中，所述k为小于所述X的正整数；
从所述历史交易信息样本集中选择n条历史交易信息样本，其中，所述n为小于所述N的正整数；
根据所述k个候选特征和所述n条历史交易信息样本建立一棵决策树；
重复执行所述建立一棵决策树的操作，直到生成m棵决策树，其中，所述m棵决策树形成第二随机森林模型，所述m为正整数；以及
基于所述第二随机森林模型确定用于选择所述历史路由通道的强势特征集。
12.根据权利要求9所述的装置，其中，所述生成模块用于：
从所述强势特征集中选择y个强势特征，其中，所述y为小于所述Y的正整数；
从所述历史交易信息样本集中选择z条历史交易信息样本，其中，所述z为小于所述N的正整数；
根据所述y个强势特征和所述z条历史交易信息样本建立一棵决策树；以及
重复执行所述建立一棵决策树的操作，直到生成q棵决策树，其中，所述q棵决策树形成所述第一随机森林模型，所述q为正整数。
13.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个指令，
其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法。
CN202010352887.6A 2020-04-28 2020-04-28 确定交易路由通道的方法、装置、电子设备和存储介质 Active CN111553685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010352887.6A CN111553685B (zh) 2020-04-28 2020-04-28 确定交易路由通道的方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010352887.6A CN111553685B (zh) 2020-04-28 2020-04-28 确定交易路由通道的方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111553685A CN111553685A (zh) 2020-08-18
CN111553685B true CN111553685B (zh) 2023-03-14

Family

ID=72004071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010352887.6A Active CN111553685B (zh) 2020-04-28 2020-04-28 确定交易路由通道的方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111553685B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950352A (zh) * 2021-02-08 2021-06-11 北京淇瑀信息科技有限公司 用户筛选策略生成方法、装置及电子设备
CN113141305B (zh) * 2021-05-31 2021-11-23 深圳华云信息系统有限公司 通信方法、装置、电子设备和计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140040114A1 (en) * 2012-08-03 2014-02-06 First Data Corporation Systems and Methods for Optimizing the Routing of Debit Transactions
CN105279691A (zh) * 2014-07-25 2016-01-27 中国银联股份有限公司 基于随机森林模型的金融交易检测方法和设备
CN110610373A (zh) * 2018-06-15 2019-12-24 中国移动通信集团有限公司 一种潜在客户挖掘处理方法及装置
CN109784934A (zh) * 2019-03-14 2019-05-21 浙江鲸腾网络科技有限公司 一种交易风险控制方法、装置以及相关设备和介质

Also Published As

Publication number Publication date
CN111553685A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
US11443305B2 (en) Context augmentation for processing data from multiple sources
WO2019196546A1 (zh) 确定业务请求事件的风险概率的方法及装置
CN109583966B (zh) 一种高价值客户识别方法、系统、设备及存储介质
CN111783039B (zh) 风险确定方法、装置、计算机系统和存储介质
US20220284435A1 (en) System, Method, and Computer Program Product for Determining a Reason for a Deep Learning Model Output
CN111340558A (zh) 基于联邦学习的线上信息处理方法、装置、设备及介质
US20150262184A1 (en) Two stage risk model building and evaluation
CN111553685B (zh) 确定交易路由通道的方法、装置、电子设备和存储介质
CN110930038A (zh) 一种贷款需求识别方法、装置、终端及存储介质
CN111861487A (zh) 金融交易数据处理方法、欺诈行为的监测方法和装置
CN111861521A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN112328869A (zh) 一种用户贷款意愿的预测方法、装置及计算机系统
CN111582315A (zh) 样本数据处理方法、装置及电子设备
CN112669154B (zh) 外币兑换业务开办预测实现方法、装置及计算机设备
Speakman et al. Three population covariate shift for mobile phone-based credit scoring
JP7288062B2 (ja) 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN116308615A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112446777A (zh) 一种信用评估方法、装置、设备及存储介质
US11900062B2 (en) Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models
CN114066513A (zh) 一种用户分类的方法和装置
US12131124B2 (en) Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models
US20240112092A1 (en) Counterfactual samples for maintaining consistency between machine learning models
US11037126B2 (en) Systems and methods for assessing electronic payment readiness
US20240112072A1 (en) Generating counterfactual samples based on user preference
US20240112052A1 (en) Systems and methods for counterfactuals in machine learning applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant