[發(fā)明專利]賬戶用途的識別方法及裝置

有效

• 申請?zhí)枺?/td>: 201710502380.2
• 申請日: 2017-06-27
• 公開（公告）號: CN107403311B
• 公開（公告）日: 2020-04-21
• 發(fā)明（設(shè)計(jì)）人: 周揚(yáng)
• 申請（專利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類號: G06Q20/22
• 分類號: G06Q20/22;G06Q20/34
• 代理公司: 北京博思佳知識產(chǎn)權(quán)代理有限公司 11415
• 代理人: 林祥

1.一種賬戶用途的識別方法，所述方法包括：

從交易數(shù)據(jù)樣本集合中統(tǒng)計(jì)出與N個(gè)目標(biāo)賬戶分別對應(yīng)的M個(gè)維度的交易金額頻次特征；其中，所述N個(gè)目標(biāo)賬戶中至少包括K個(gè)攜帶用途標(biāo)簽，并且賬戶用途互不相同的的單用途賬戶；

基于所述N個(gè)目標(biāo)賬戶以及所述M個(gè)維度的交易金額頻次特征生成N*M維的目標(biāo)矩陣；

基于預(yù)設(shè)的概率矩陣分解模型對所述目標(biāo)矩陣進(jìn)行矩陣分解，得到由所述N個(gè)目標(biāo)賬戶以及與所述N個(gè)賬戶分別對應(yīng)的K個(gè)維度的概率值生成的N*K維的目標(biāo)子矩陣；

查找所述目標(biāo)子矩陣中與所述單用途賬戶對應(yīng)的目標(biāo)向量，并基于各單用途賬戶的用途標(biāo)簽，對所述目標(biāo)向量中取值最大的概率值對應(yīng)的維度分別進(jìn)行標(biāo)記。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述交易數(shù)據(jù)樣本集合中交易數(shù)據(jù)樣本包括賬戶標(biāo)識、交易時(shí)間、交易場景以及交易金額；

所述交易金額頻次特征包括各目標(biāo)賬戶的交易金額分別落入多個(gè)預(yù)設(shè)的分位數(shù)區(qū)間的基礎(chǔ)交易頻次；以及，基于所述基礎(chǔ)交易頻次、交易時(shí)間以及交易場景交叉構(gòu)建出的衍生交易頻次。

3.根據(jù)權(quán)利要求2所述的方法，所述衍生交易頻次，包括：

各目標(biāo)賬戶的交易金額落入各分位數(shù)區(qū)間的基礎(chǔ)交易頻次中，分別隸屬于多個(gè)預(yù)設(shè)的交易場景的第一交易頻次；以及，所述第一交易頻次中，分別隸屬于預(yù)設(shè)的多個(gè)交易時(shí)間段內(nèi)的第二交易頻次；或者，

各目標(biāo)賬戶的交易金額落入各分位數(shù)區(qū)間的基礎(chǔ)交易頻次中，分別隸屬于多個(gè)預(yù)設(shè)的交易時(shí)間段的第三交易頻次；以及，所述第三交易頻次中，分別隸屬于預(yù)設(shè)的多個(gè)預(yù)設(shè)的交易場景的第四交易頻次。

4.根據(jù)權(quán)利要求1所述的方法，所述概率矩陣分解模型為概率主題模型；

所述基于預(yù)設(shè)的概率矩陣分解模型對所述目標(biāo)矩陣進(jìn)行矩陣分解，包括：

基于預(yù)設(shè)的概率主題模型，以及用戶輸入的矩陣分解參數(shù)對所述N*M維的目標(biāo)矩陣進(jìn)行矩陣分解；其中，所述矩陣分解參數(shù)包括所述K的取值。

5.根據(jù)權(quán)利要求4所述的方法，所述概率主題模型為基于貝葉斯估計(jì)算法的概率主題模型。

6.根據(jù)權(quán)利要求4所述的方法，所述方法還包括：

如果所述N*K維的目標(biāo)子矩陣中，與任一目標(biāo)賬戶對應(yīng)的向量中，所述K個(gè)維度的概率值均相同，則計(jì)算該K個(gè)維度的概率值的信息熵；

判斷計(jì)算出的所述信息熵是否大于預(yù)設(shè)閾值；

如果所述信息熵大于所述預(yù)設(shè)閾值，則確定該目標(biāo)賬戶為多用途賬戶。

7.根據(jù)權(quán)利要求1所述的方法，所述目標(biāo)賬戶為支付客戶端綁定的銀行卡賬戶。

8.一種賬戶用途的識別裝置，所述裝置包括：

提取模塊，從交易數(shù)據(jù)樣本集合中統(tǒng)計(jì)出與N個(gè)目標(biāo)賬戶分別對應(yīng)的M個(gè)維度的交易金額頻次特征；其中，所述N個(gè)目標(biāo)賬戶中至少包括K個(gè)攜帶用途標(biāo)簽，并且賬戶用途互不相同的的單用途賬戶；

生成模塊，基于所述N個(gè)目標(biāo)賬戶以及所述M個(gè)維度的交易金額頻次特征生成N*M維的目標(biāo)矩陣；

分解模塊，基于預(yù)設(shè)的概率矩陣分解模型對所述目標(biāo)矩陣進(jìn)行矩陣分解，得到由所述N個(gè)目標(biāo)賬戶以及與所述N個(gè)賬戶分別對應(yīng)的K個(gè)維度的概率值生成的N*K維的目標(biāo)子矩陣；

標(biāo)記模塊，查找所述目標(biāo)子矩陣中與所述單用途賬戶對應(yīng)的目標(biāo)向量，并基于各單用途賬戶的用途標(biāo)簽，對所述目標(biāo)向量中取值最大的概率值對應(yīng)的維度分別進(jìn)行標(biāo)記。

9.根據(jù)權(quán)利要求8所述的裝置，其中，所述交易數(shù)據(jù)樣本集合中交易數(shù)據(jù)樣本包括賬戶標(biāo)識、交易時(shí)間、交易場景以及交易金額；

所述交易金額頻次特征包括各目標(biāo)賬戶的交易金額分別落入多個(gè)預(yù)設(shè)的分位數(shù)區(qū)間的基礎(chǔ)交易頻次；以及，基于所述基礎(chǔ)交易頻次、交易時(shí)間以及交易場景交叉構(gòu)建出的衍生交易頻次。