CN116228411A - 信用卡交易行为的预测方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种信用卡交易行为的预测方法、装置及电子设备。涉及人工智能领域，该方法包括：在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息；基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果；基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果；基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。本发明解决了现有技术中对信用卡交易行为的预测准确度低的技术问题。

Description

信用卡交易行为的预测方法、装置及电子设备

技术领域

本发明涉及人工智能领域，具体而言，涉及一种信用卡交易行为的预测方法、装置及电子设备。

背景技术

随着电子支付的不断发展，信用卡使用程度越来越广泛，由此引发的信用卡交易异常(如：失卡冒用等)问题也成为当前社会和学界研究的一个热点问题。当前的信用卡交易的数据量空前巨大，通过人工方式去甄别信用卡的交易行为越来越无法满足实际应用的需求，且目前往往采取单一特征对信用卡交易行为进行预测，从而具有预测准确度低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种信用卡交易行为的预测方法、装置及电子设备，以至少解决现有技术中对信用卡交易行为的预测准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种信用卡交易行为的预测方法，包括：在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息；基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，交易行为类型为以下之一：交易异常和交易正常；基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，其中，第一模型的模型结构与第二模型的模型结构不同；基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。

进一步地，信用卡交易行为的预测方法还包括：对对象信息进行数据格式转换处理，得到对象信息对应的特征数据；基于第一模型和特征数据，预测目标交易属于每种交易行为类型的概率，得到第一预测结果。

进一步地，信用卡交易行为的预测方法还包括：基于预设的多个对象属性，从对象信息中提取出与每个对象属性对应的目标属性值；基于预设的目标对应关系，确定每个目标属性值所对应的数字编号，其中，目标对应关系至少表征每个目标属性值与数字编号之间的对应关系；基于独热编码以及每个目标属性值所对应的数字编号，确定对象信息对应的特征数据。

进一步地，信用卡交易信息包括目标交易对应的交易信息以及目标信用卡在预设时间范围内对应的历史交易信息。

进一步地，信用卡交易行为的预测方法还包括：基于信用卡交易信息构建目标特征矩阵；基于第二模型和目标特征矩阵，预测目标交易属于每种交易行为类型的概率，得到第二预测结果。

进一步地，信用卡交易行为的预测方法还包括：获取预设的多个信用卡交易特征以及每个信用卡交易特征对应的多个目标时间范围；基于信用卡交易信息，确定每个信用卡交易特征在不同目标时间范围内对应的目标特征值；基于目标特征值构建与信用卡交易信息对应的目标特征矩阵。

进一步地，信用卡交易行为的预测方法还包括：基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易属于目标交易行为类型的目标概率，其中，目标交易行为类型为交易异常和交易正常中的之一；基于目标概率，确定目标交易的交易行为类型。

进一步地，信用卡交易行为的预测方法还包括：获取多个历史信用卡中每个历史信用卡对应的目标信用卡交易信息，并获取每个历史信用卡对应的目标对象信息；基于每个历史信用卡对应的目标信用卡交易信息以及每个历史信用卡对应的目标对象信息，构建训练样本集；构建初始混合神经网络模型，并基于训练样本集以及预设的损失函数训练初始混合神经网络模型，得到目标混合神经网络模型。

根据本发明实施例的另一方面，还提供了一种信用卡交易行为的预测装置，包括：第一获取模块，用于在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息；第一预测模块，用于基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，交易行为类型为以下之一：交易异常和交易正常；第二预测模块，用于基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，其中，第一模型的模型结构与第二模型的模型结构不同；第三预测模块，用于基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的信用卡交易行为的预测方法。

根据本发明实施例的另一方面，还提供了一种电子设备，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程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的信用卡交易行为的预测方法。

在本发明实施例中，采用基于混合神经网络模型中的不同模型对不同数据进行处理，从而预测信用卡交易行为的方式，通过在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息，然后基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，接着基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，从而基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。其中，交易行为类型为以下之一：交易异常和交易正常，第一模型的模型结构与第二模型的模型结构不同。

在上述过程中，通过基于第一模型和对象信息确定第一预测结果，实现了从对象信息的维度对信用卡交易行为的准确预测，通过基于第二模型和信用卡交易信息确定第二预测结果，实现了从信用卡交易信息的维度对信用卡交易行为的准确预测，进一步地，通过基于目标混合神经网络模型中的全连接层，对基于不同维度的数据得到的预测结果进行整合，以预测目标交易的交易行为类型，实现了对信用卡的交易行为的准确预测，提高了预测准确度。此外，由于对象信息和信用卡交易信息的数据形式存在不同，因此，通过基于不同模型结构的第一模型和第二模型分别进行处理，进一步地提高了预测准确性。

由此可见，本申请所提供的方案达到了采用基于混合神经网络模型中的不同模型对不同数据进行处理，从而预测信用卡交易行为的目的，从而实现了提高预测准确度的技术效果，进而解决了现有技术中对信用卡交易行为的预测准确度低的技术问题。

附图说明

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

图1是根据本发明实施例的一种可选的信用卡交易行为的预测方法的示意图；

图2是根据本发明实施例的一种可选的目标混合神经网络模型的工作示意图；

图3是根据本发明实施例的一种可选的构建目标特征矩阵的过程示意图；

图4是根据本发明实施例的一种可选的信用卡交易行为的预测装置的示意图；

图5是根据本发明实施例的一种可选的电子设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

实施例1

根据本发明实施例，提供了一种信用卡交易行为的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的信用卡交易行为的预测方法的示意图，如图1所示，该方法包括如下步骤：

步骤S101，在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息。

在步骤S101中，可以通过电子设备、应用系统、服务器等装置获取目标信用卡的信用卡交易信息以及目标信用卡对应的对象信息，在本实施例中，通过预测系统获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息。

可选的，预测系统可以在获取到目标信用卡发起目标交易的情况下，从预设的存储区域中获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息，其中，前述的目标交易可以是转账、取款等交易形式，目标信用卡的信用卡交易信息至少包括目标交易对应的交易信息，该交易信息可以包括交易金额、交易终端、交易方式等，目标信用卡的信用卡交易信息还可以包括该目标信用卡在预设时间范围内对应的历史交易信息，例如，该目标信用卡在过去一个月内的相关交易信息等，前述的对象信息为申请办理该目标信用卡的用户的用户信息，该用户信息可以是用户在办理该目标信用卡时所填写的，且用户可以对该用户信息定期进行更新，用户信息可以包括用户性别、年龄、职业等。

步骤S102，基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，交易行为类型为以下之一：交易异常和交易正常。

在步骤S102中，预测系统可以基于预设的第一规则对前述的对象信息进行数据处理，然后如图2所示，将数据处理后的对象信息输入到目标混合神经网络模型中的第一模型中，以预测目标交易属于每种交易行为类型的概率，从而得到第一预测结果，例如，一种可选的第一预测结果可以是[0.4，0.8]，其中，前述的0.4表示目标交易属于交易异常的概率，前述的0.8表示目标交易属于交易正常的概率。可选的，前述的目标混合神经网络模型为预选训练好的模型，且目标混合神经网络模型中至少包括模型结构不同的第一模型和第二模型，其中，第一模型可以是反向传播神经网络(BPNN，Back Propagation Neural Network)模型。

需要说明的是，通过基于第一模型和对象信息确定第一预测结果，实现了从对象信息的维度对信用卡交易行为的准确预测。

步骤S103，基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，其中，第一模型的模型结构与第二模型的模型结构不同。

在步骤S103中，预测系统可以基于预设的第二规则对前述的信用卡交易信息进行数据处理，然后如图2所示，将数据处理后的信用卡交易信息输入到目标混合神经网络模型中的第二模型中，以预测目标交易属于每种交易行为类型的概率，从而得到第二预测结果。其中，第二模型可以是卷积神经网络(CNN，Convolution Neural Network)模型，第二预测结果与前述第一预测结果的表现形式相同，但数值可能不同，故此处不再赘述。

需要说明的是，通过基于第二模型和信用卡交易信息确定第二预测结果，实现了从信用卡交易信息的维度对信用卡交易行为的准确预测。其中，由于对象信息和信用卡交易信息的数据形式存在不同，因此，通过基于不同模型结构的第一模型和第二模型分别进行处理，进一步地提高了预测结果的准确性。

步骤S104，基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。

在步骤S104中，目标混合神经网络模型中的全连接层可以对第一预测结果和第二预测结果进行处理，从而得到一个为唯一数值的输出结果，该输出结果用于表示目标交易为正常交易的目标概率，或者，用于表示目标交易为异常交易的目标概率。之后，预测系统可以基于前述的输出结果确定目标交易的交易行为类型。

需要说明的是，基于目标混合神经网络模型中的全连接层，实现了对基于不同维度的数据得到的预测结果的整合，从而实现了对信用卡的交易行为的准确预测。

基于上述步骤S101至步骤S103所限定的方案，可以获知，在本发明实施例中，采用基于混合神经网络模型中的不同模型对不同数据进行处理，从而预测信用卡交易行为的方式，通过在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息，然后基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，接着基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，从而基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。其中，交易行为类型为以下之一：交易异常和交易正常，第一模型的模型结构与第二模型的模型结构不同。

容易注意到的是，在上述过程中，通过基于第一模型和对象信息确定第一预测结果，实现了从对象信息的维度对信用卡交易行为的准确预测，通过基于第二模型和信用卡交易信息确定第二预测结果，实现了从信用卡交易信息的维度对信用卡交易行为的准确预测，进一步地，通过基于目标混合神经网络模型中的全连接层，对基于不同维度的数据得到的预测结果进行整合，以预测目标交易的交易行为类型，实现了对信用卡的交易行为的准确预测，提高了预测准确度。此外，由于对象信息和信用卡交易信息的数据形式存在不同，因此，通过基于不同模型结构的第一模型和第二模型分别进行处理，进一步地提高了预测准确性。

由此可见，本申请所提供的方案达到了采用基于混合神经网络模型中的不同模型对不同数据进行处理，从而预测信用卡交易行为的目的，从而实现了提高预测准确度的技术效果，进而解决了现有技术中对信用卡交易行为的预测准确度低的技术问题。

在一种可选的实施例中，在基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果的过程中，预测系统可以对对象信息进行数据格式转换处理，得到对象信息对应的特征数据，然后基于第一模型和特征数据，预测目标交易属于每种交易行为类型的概率，得到第一预测结果。

可选的，预测系统可以根据对象信息的数据形式，基于预设的第一规则对对象信息进行数据格式转换处理，以将其转换为特定数据结构的特征数据，从而基于第一模型和特征数据，预测目标交易属于每种交易行为类型的概率，得到第一预测结果。

需要说明的是，通过对象信息进行数据格式转换处理，以便于第一模型能够更好的识别该数据，从而得到更加准确的第一预测结果。

在一种可选的实施例中，在对对象信息进行数据格式转换处理，得到对象信息对应的特征数据的过程中，预测系统可以基于预设的多个对象属性，从对象信息中提取出与每个对象属性对应的目标属性值，然后基于预设的目标对应关系，确定每个目标属性值所对应的数字编号，从而基于独热编码以及每个目标属性值所对应的数字编号，确定对象信息对应的特征数据。其中，目标对应关系至少表征每个目标属性值与数字编号之间的对应关系。

具体地，预测系统可以从预设的存储区域中，确定预设的多个对象属性，其中，对象属性包括但不限于年龄、性别、职业、教育程度、单位、婚姻状况、职务级别、单位种类、资产总额、本年日均资产等。之后，预测系统可以基于预设的多个对象属性，从对象信息中提取出与每个对象属性对应的目标属性值，例如，与年龄对应的目标属性值可以为22，与性别对应的目标属性值可以是男，与职业对应的目标属性值可以是自由职业者等。

进一步地，预测系统可以基于预设的目标对应关系，确定每个目标属性值所对应的数字编号。例如，性别对应的目标属性值包括男、女、未知。则在目标对应关系中，男对应的数字编号可以为01，女对应的数字编号可以为02，未知对应的数字编号可以为00。即同一对象属性对应的不同目标属性值与不同的数字编号相对应。又例如，年龄对应的目标属性值为连续变量，则在目标对应关系中，可以将年龄处于[0，20]区间的目标属性值对应的数字编号确定为01，将年龄处于[21，40]区间的目标属性值对应的数字编号确定为02，将年龄处于[41，60]区间的目标属性值对应的数字编号确定为03，将年龄大于60的目标属性值对应的数字编号确定为04。即不同对象属性对应的目标属性值可以对应于相同的数字编号。

可选的，在本实施例中，一种可选的用于记录目标对应关系的数据字典表如表1所示。

表1-数据字典表

更进一步地，当确定了对象信息中每个对象属性对应的目标属性值所对应的数字编号后，预测系统可以利用独热(onehot)编码，将每个数字编号转换为onehot变量，并按照预设的顺序，将对象信息中每个对象属性对应的目标属性值所对应的onehot变量进行排序，从而得到对象信息对应的特征数据。例如，对象信息对应中包括年龄和性别这两个对象属性，对应的目标属性值为“20，女”，则对应的数字编号为“01，02”，经过onehot编码处理后，对应的onehot变量为“001，0010”，因此，可以确定“0010010”为该对象信息对应的特征数据。

需要说明的是，通过独热编码以及每个目标属性值所对应的数字编号，确定对象信息对应的特征数据，可以有效提高第一模型对对象信息的识别效率，从而提高预测准确性和预测效率。

在一种可选的实施例中，对第一模型对特征数据的处理过程进行说明。可选的，如图2所示，第一模型包括依次设置的第一输入层、第一隐藏层、第二隐藏层和第一全连接层(即图2中的全连接层1)。若对象信息对应的特征数据为134维的特征数据，则输入至第一模型的输入结构为134维的数据，之后，第一隐藏层对前述的134维的数据进行处理，输出为120维的数据，接着，第二隐藏层对前述的120维的数据进行处理，输出为50维的数据。进一步地，第一全连接层对前述的50维的数据进行处理，输出为2维的数据，该2维的数据即为前述的第一预测结果。

在一种可选的实施例中，信用卡交易信息包括目标交易对应的交易信息以及目标信用卡在预设时间范围内对应的历史交易信息。

可选的，前述的预设时间范围可以是基于目标交易的发起时间所确定的，例如，预设时间范围为目标交易的发起天的前一年，或者预设时间范围为目标交易的发起天的前一个月等。

需要说明的是，通过将信用卡的历史交易信息和最新的一次交易的交易信息均作为信用卡交易信息以预测信用卡交易行为是否异常，能够更进一步地提高预测的准确度。

在一种可选的实施例中，在基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果的过程中，预测系统可以基于信用卡交易信息构建目标特征矩阵，从而基于第二模型和目标特征矩阵，预测目标交易属于每种交易行为类型的概率，得到第二预测结果。

可选的，预测系统可以根据信用卡交易信息的数据形式，基于预设的第二规则对对象信息进行数据处理，从而得到对应的目标特征矩阵，进而可以基于第二模型和目标特征矩阵，预测目标交易属于每种交易行为类型的概率，得到第二预测结果。

需要说明的是，通过基于交易行为类型构建目标特征矩阵，以便于第二模型能够更好的识别该数据，从而得到更加准确的第二预测结果。

在一种可选的实施例中，在基于信用卡交易信息构建目标特征矩阵的过程中，预测系统可以获取预设的多个信用卡交易特征以及每个信用卡交易特征对应的多个目标时间范围，然后基于信用卡交易信息，确定每个信用卡交易特征在不同目标时间范围内对应的目标特征值，从而基于目标特征值构建与信用卡交易信息对应的目标特征矩阵。

具体地，如图3所示，预测系统可以从预设的存储区域中，确定预设的多个信用卡交易特征，其中，信用卡交易特征包括但不限于平均交易金额、汇总交易金额、交易误差金额、交易数目、最多交易方式、交易终端数目、最多交易渠道类型、交易渠道类型的熵、最多交易的时间段、最大交易金额的时间段、平均交易额与日均资产的比例、总交易额与日均资产的比例、最大交易额与日均资产的比例。

其中，前述的平均交易金额表示过去时间T内的平均交易金额，前述的汇总交易金额表示过去时间T内的总共交易金额，前述的交易误差金额表示本次交易(即前述的目标交易)与过去时间T内的平均交易金额的误差，前述的交易数目表示过去时间T内的总交易数目，最多交易方式表示过去时间T内的最多交易方式，交易终端数目表示过去时间T内的本交易对应卡的交易终端数目，最多交易渠道类型表示过去时间T内的最多交易的渠道类型，交易渠道类型的熵表示过去时间T内的交易渠道类型的增益，最多交易的时间段表示过去时间T内的最多交易所在的时间段，最大交易金额的时间段表示过去时间T内的最大交易所在的时间段，平均交易额与日均资产的比例表示过去时间T内的平均交易额与日均资产的比例，总交易额与日均资产的比例表示过去时间T内的总交易额与日均资产的比例，最大交易额与日均资产的比例表示过去时间T内的最大交易额与日均资产的比例。其中，前述的过去时间T为相对于目标交易的发起时间。

之后，如图3所示，预测系统可以确定每个信用卡交易特征对应的多个目标时间范围，从而基于信用卡交易信息，确定信用卡交易信息对应的每个信用卡交易特征在不同目标时间范围内对应的目标特征值。例如，以信用卡交易特征为平均交易金额为例，平均交易金额对应的多个目标时间范围为一天、三天、一周、一个月、三个月等，则预测系统需要确定目标信用卡在过去一天内的平均交易金额、目标信用卡在过去三天内的平均交易金额、目标信用卡在过去一周内的平均交易金额、目标信用卡在过去一个月内的平均交易金额以及目标信用卡在过去三个月内的平均交易金额，从而得到该信用卡交易特征与时间因素相关联的多个目标特征值。其中，每个信用卡交易特征所对应的目标时间范围相同。

更进一步地，预测系统可以基于每个信用卡交易特征所对应的多个目标特征值构建目标特征矩阵，目标特征矩阵为结合了时间维度和特征维度的矩阵。在一种可选的实施例中，如图3所示的目标特征值的排列逻辑，目标特征矩阵中的不同行表示不同信用卡交易特征的所对应的目标特征值，不同列表示某一个信用卡交易特征在不同目标时间范围内对应的目标特征值。例如，总共有13个信用卡交易特征，8个目标时间范围，则目标特征矩阵为13*8的数据矩阵。

需要说明的是，通过信用卡交易信息对应的目标特征矩阵，可以有效提高第二模型对信用卡交易信息的识别效率，从而提高预测准确性和预测效率。另外，通过结合时间因素构建目标特征矩阵，丰富了预测信用卡交易行为的参考因素，从而能够更进一步地提高预测准确性。

在一种可选的实施例中，对第二模型对目标特征矩阵的处理过程进行说明。可选的，如图2所示，第二模型包括依此设置的第二输入层、第三隐藏层、第四隐藏层、第五隐藏层和第二全连接层(即图2中的全连接层2)。若目标特征矩阵为13*8的数据矩阵，则输入至第二模型的输入结构为[1，13，8]，其中第一数据位表示宽度大小，第二数据位表示高度大小，第三数据位表示深度大小。之后，第三隐藏层对前述的数据结构为[1，13，8]的数据进行处理，输出数据结构为[20，10，9]的数据。其中，第三隐藏层包括一个卷积层和一个最大池化层。更进一步地，第四隐藏层对前述的数据结构为[20，10，9]的数据进行处理，输出数据结构为[50，8，7]的数据，其中，第四隐藏层同样包括一个卷积层和一个最大池化层。之后，第五隐藏层对前述的数据结构为[50，8，7]的数据进行处理，输出数据结构为[100，2，2]的数据，其中，第五隐藏层同样包括一个卷积层和一个最大池化层。最后，第二全连接层对前述的数据结构为[100，2，2]的数据进行处理，输出为2维的数据，该2维的数据即为前述的第二预测结果。

可选的，第二模型的模型参数可以如表2所示。

表2-模型参数

在一种可选的实施例中，在基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型的过程中，预测系统可以基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易属于目标交易行为类型的目标概率，从而基于目标概率，确定目标交易的交易行为类型。其中，目标交易行为类型为交易异常和交易正常中的之一。

可选的，在本实施例中，如图2所示，第一预测结果中包含两个概率数值，第二预测结果中同样包含两个概率数值，目标混合神经网络模型中的全连接层(即图2中的全连接层3)在获取到前述的第一预测结果和第二预测结果后，对第一预测结果和第二预测结果进行加权求和，从而得到唯一的目标概率。其中，在加权求和的过程中，权重的值为基于对目标混合神经网络模型的训练所得到的，且目标概率所对应的目标交易行为类型为根据实际应用需求，在构建初始混合神经网络模型时所设置的。

更进一步地，在确定了目标概率后，预测系统可以基于目标概率确定目标交易的交易行为类型。例如，若预测系统预测的为目标交易属于正常交易的目标概率，则当目标概率大于或等于0.5时，可以确定目标交易交易正常，也即信用卡交易行为正常，又例如，若预测系统预测的为目标交易属于异常交易的目标概率，则当目标概率大于或等于0.5时，可以确定目标交易交易异常，也即信用卡交易行为异常。

需要说明的是，通过基于目标混合神经网络模型的输出结果确定信用卡交易行为，实现了对信用卡交易行为的准确预测。

在一种可选的实施例中，对目标混合神经网络模型的训练过程进行说明。预测系统可以获取多个历史信用卡中每个历史信用卡对应的目标信用卡交易信息，并获取每个历史信用卡对应的目标对象信息，然后基于每个历史信用卡对应的目标信用卡交易信息以及每个历史信用卡对应的目标对象信息，构建训练样本集，从而构建初始混合神经网络模型，并基于训练样本集以及预设的损失函数训练初始混合神经网络模型，得到目标混合神经网络模型。

可选的，在训练的过程中，预测系统可以从预设的存储区域中，获取到多个历史信用卡中每个历史信用卡对应的目标信用卡交易信息、每个历史信用卡对应的目标对象信息以及每个历史信用卡的目标信用卡交易信息中最新一次交易对应的真实交易行为标签(交易正常或交易异常)，从而可以基于每个历史信用卡对应的目标信用卡交易信息、每个历史信用卡对应的目标对象信息构建训练样本集。

进一步地，预测系统可以构建初始混合神经网络模型，然后基于训练样本集、预设的损失函数以及前述的真实交易行为标签对初始混合神经网络模型进行训练，从而得到目标混合神经网络模型。其中，初始混合神经网络模型与目标混合神经网络模型的模型结构相同。

可选的，在训练过程中，预测系统向初始混合神经网络模型输入多批次的数据进行训练，在每个批次中，预测系统可以向初始混合神经网络模型输入多个历史信用卡所对应的目标信用卡交易信息以及目标对象信息，因此，在每个批次中，对初始混合神经网络模型的目标对象信息的输入可以表示为[batchsize，134]，对初始混合神经网络模型的目标信用卡交易信息的输入可以表示为[batchsize，13，8]，其中，前述的batchsize表示每次送入的批次的大小，例如，当一批次包括十个目标历史信用卡所对应的数据时，batchsize为10。

在另一种可选的实施例中，对目标混合神经网络模型的训练阶段可以分为以下四个阶段：数据准备阶段、训练阶段、测试阶段。其中，在数据准备阶段中，预测系统可以从信用卡数据库中抽取历史信用卡的信用卡交易信息和相关客户信息(即前述的目标对象信息)，并抽取有用的特征形成数据集，然后划分为训练集和测试集。在训练阶段，预测系统可以通过信用卡交易信息和客户信息的训练集对初始混合神经网络模型进行调参训练。在测试阶段，预测系统可以利用评价指标对模型进行评估，获得最优的模型参数，从而得到目标混合神经网络模型。之后，可以进入应用阶段，对实际应用中的信用卡的交易行为进行预测，以预测交易属于正常交易还是异常交易。

需要说明的是，在本申请中，通过基于用户信息的反向传播神经网络和基于信用卡交易信息的卷积神经网络分别对静态特征的个人客户信息和动态特征的个人交易信息进行处理，得到预测结果，最后把两种预测结果融合起来判断信用卡交易是否存在异常交易行为，充分利用机器学习算法的自学习能力，有效降低了人的主观认识影响，从而提高了识别筛选客观性与准确性。

由此可见，本申请所提供的方案达到了采用基于混合神经网络模型中的不同模型对不同数据进行处理，从而预测信用卡交易行为的目的，从而实现了提高预测准确度的技术效果，进而解决了现有技术中对信用卡交易行为的预测准确度低的技术问题。

实施例2

根据本发明实施例，提供了一种信用卡交易行为的预测装置的实施例，其中，图4是根据本发明实施例的一种可选的信用卡交易行为的预测装置的示意图，如图4所示，该装置包括：

第一获取模块401，用于在获取到目标信用卡发起目标交易的情况下，获取目标信用卡的信用卡交易信息，并获取目标信用卡对应的对象信息；

第一预测模块402，用于基于目标混合神经网络模型中的第一模型和对象信息，预测目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，交易行为类型为以下之一：交易异常和交易正常；

第二预测模块403，用于基于目标混合神经网络模型中的第二模型和信用卡交易信息，预测目标交易属于每种交易行为类型的概率，得到第二预测结果，其中，第一模型的模型结构与第二模型的模型结构不同；

第三预测模块404，用于基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易的交易行为类型。

需要说明的是，上述第一获取模块401、第一预测模块402、第二预测模块403以及第三预测模块404对应于上述实施例中的步骤S101至步骤S104，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。

可选的，第一预测模块还包括：转换子模块，用于对对象信息进行数据格式转换处理，得到对象信息对应的特征数据；第一预测子模块，用于基于第一模型和特征数据，预测目标交易属于每种交易行为类型的概率，得到第一预测结果。

可选的，转换子模块还包括：提取单元，用于基于预设的多个对象属性，从对象信息中提取出与每个对象属性对应的目标属性值；第一确定单元，用于基于预设的目标对应关系，确定每个目标属性值所对应的数字编号，其中，目标对应关系至少表征每个目标属性值与数字编号之间的对应关系；第二确定单元，用于基于独热编码以及每个目标属性值所对应的数字编号，确定对象信息对应的特征数据。

可选的，信用卡交易信息包括目标交易对应的交易信息以及目标信用卡在预设时间范围内对应的历史交易信息。

可选的，第二预测模块还包括：构建子模块，用于基于信用卡交易信息构建目标特征矩阵；第二预测子模块，用于基于第二模型和目标特征矩阵，预测目标交易属于每种交易行为类型的概率，得到第二预测结果。

可选的，构建子模块还包括：获取单元，用于获取预设的多个信用卡交易特征以及每个信用卡交易特征对应的多个目标时间范围；第三确定单元，用于基于信用卡交易信息，确定每个信用卡交易特征在不同目标时间范围内对应的目标特征值；构建单元，用于基于目标特征值构建与信用卡交易信息对应的目标特征矩阵。

可选的，第三预测模块还包括：第三预测子模块，用于基于目标混合神经网络模型中的全连接层、第一预测结果和第二预测结果，预测目标交易属于目标交易行为类型的目标概率，其中，目标交易行为类型为交易异常和交易正常中的之一；确定子模块，用于基于目标概率，确定目标交易的交易行为类型。

可选的，信用卡交易行为的预测装置还包括：第二获取模块，用于获取多个历史信用卡中每个历史信用卡对应的目标信用卡交易信息，并获取每个历史信用卡对应的目标对象信息；构建模块，用于基于每个历史信用卡对应的目标信用卡交易信息以及每个历史信用卡对应的目标对象信息，构建训练样本集；训练模块，用于构建初始混合神经网络模型，并基于训练样本集以及预设的损失函数训练初始混合神经网络模型，得到目标混合神经网络模型。

实施例3

根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的信用卡交易行为的预测方法。

实施例4

根据本发明实施例的另一方面，还提供了一种电子设备，其中，图5是根据本发明实施例的一种可选的电子设备的示意图，如图5所示，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程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的信用卡交易行为的预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种信用卡交易行为的预测方法，其特征在于，包括：

在获取到目标信用卡发起目标交易的情况下，获取所述目标信用卡的信用卡交易信息，并获取所述目标信用卡对应的对象信息；

基于目标混合神经网络模型中的第一模型和所述对象信息，预测所述目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，所述交易行为类型为以下之一：交易异常和交易正常；

基于所述目标混合神经网络模型中的第二模型和所述信用卡交易信息，预测所述目标交易属于所述每种交易行为类型的概率，得到第二预测结果，其中，所述第一模型的模型结构与所述第二模型的模型结构不同；

基于所述目标混合神经网络模型中的全连接层、所述第一预测结果和所述第二预测结果，预测所述目标交易的交易行为类型。

2.根据权利要求1所述的方法，其特征在于，基于目标混合神经网络模型中的第一模型和所述对象信息，预测所述目标交易属于每种交易行为类型的概率，得到第一预测结果，包括：

对所述对象信息进行数据格式转换处理，得到所述对象信息对应的特征数据；

基于所述第一模型和所述特征数据，预测所述目标交易属于所述每种交易行为类型的概率，得到所述第一预测结果。

3.根据权利要求2所述的方法，其特征在于，对所述对象信息进行数据格式转换处理，得到所述对象信息对应的特征数据，包括：

基于预设的多个对象属性，从所述对象信息中提取出与每个对象属性对应的目标属性值；

基于预设的目标对应关系，确定每个目标属性值所对应的数字编号，其中，所述目标对应关系至少表征所述每个目标属性值与数字编号之间的对应关系；

基于独热编码以及所述每个目标属性值所对应的数字编号，确定所述对象信息对应的特征数据。

4.根据权利要求1所述的方法，其特征在于，所述信用卡交易信息包括所述目标交易对应的交易信息以及所述目标信用卡在预设时间范围内对应的历史交易信息。

5.根据权利要求4所述的方法，其特征在于，基于所述目标混合神经网络模型中的第二模型和所述信用卡交易信息，预测所述目标交易属于所述每种交易行为类型的概率，得到第二预测结果，包括：

基于所述信用卡交易信息构建目标特征矩阵；

基于所述第二模型和所述目标特征矩阵，预测所述目标交易属于所述每种交易行为类型的概率，得到所述第二预测结果。

6.根据权利要求5所述的方法，其特征在于，基于所述信用卡交易信息构建目标特征矩阵，包括：

获取预设的多个信用卡交易特征以及每个信用卡交易特征对应的多个目标时间范围；

基于所述信用卡交易信息，确定所述每个信用卡交易特征在不同目标时间范围内对应的目标特征值；

基于所述目标特征值构建与所述信用卡交易信息对应的目标特征矩阵。

7.根据权利要求1所述的方法，其特征在于，基于所述目标混合神经网络模型中的全连接层、所述第一预测结果和所述第二预测结果，预测所述目标交易的交易行为类型，包括：

基于所述目标混合神经网络模型中的全连接层、所述第一预测结果和所述第二预测结果，预测所述目标交易属于目标交易行为类型的目标概率，其中，所述目标交易行为类型为所述交易异常和所述交易正常中的之一；

基于所述目标概率，确定所述目标交易的交易行为类型。

8.根据权利要求1所述的方法，其特征在于，所述目标混合神经网络模型基于以下方法训练得到：

获取多个历史信用卡中每个历史信用卡对应的目标信用卡交易信息，并获取所述每个历史信用卡对应的目标对象信息；

基于所述每个历史信用卡对应的目标信用卡交易信息以及所述每个历史信用卡对应的目标对象信息，构建训练样本集；

构建初始混合神经网络模型，并基于所述训练样本集以及预设的损失函数训练所述初始混合神经网络模型，得到所述目标混合神经网络模型。

9.一种信用卡交易行为的预测装置，其特征在于，包括：

第一获取模块，用于在获取到目标信用卡发起目标交易的情况下，获取所述目标信用卡的信用卡交易信息，并获取所述目标信用卡对应的对象信息；

第一预测模块，用于基于目标混合神经网络模型中的第一模型和所述对象信息，预测所述目标交易属于每种交易行为类型的概率，得到第一预测结果，其中，所述交易行为类型为以下之一：交易异常和交易正常；

第二预测模块，用于基于所述目标混合神经网络模型中的第二模型和所述信用卡交易信息，预测所述目标交易属于所述每种交易行为类型的概率，得到第二预测结果，其中，所述第一模型的模型结构与所述第二模型的模型结构不同；

第三预测模块，用于基于所述目标混合神经网络模型中的全连接层、所述第一预测结果和所述第二预测结果，预测所述目标交易的交易行为类型。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的信用卡交易行为的预测方法。

11.一种电子设备，其特征在于，所述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程序，当所述一个或多个程序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用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至8任一项中所述的信用卡交易行为的预测方法。

Images