本技術(shù)涉及金融，尤其涉及一種信用卡行為特征識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在金融領(lǐng)域中，挖掘銀行信用卡交易流水?dāng)?shù)據(jù)，理解并識(shí)別客戶(hù)使用信用卡的行為特征，對(duì)于風(fēng)險(xiǎn)管理，提供個(gè)性化服務(wù)和營(yíng)銷(xiāo)策略，并使得銀行利潤(rùn)最大化具有重要的現(xiàn)實(shí)意義。

2、目前，理解并識(shí)別客戶(hù)使用信用卡行為特征的研究方法，一方面是需要依賴(lài)客戶(hù)的工作年限、婚姻狀況和收入等隱私數(shù)據(jù)進(jìn)行分析。另一方面，使用依賴(lài)于領(lǐng)域?qū)I(yè)知識(shí)和如額度使用率、還款率等專(zhuān)家知識(shí)的特征工程方法，如邏輯回歸、支持向量機(jī)等；提取特征的表達(dá)性和描述能力較為有限。并且，很多研究集中于對(duì)長(zhǎng)期或整個(gè)客戶(hù)進(jìn)行信用卡行為特征識(shí)別，這與客戶(hù)使用信用卡行為特征復(fù)雜且隨時(shí)間細(xì)粒度變化這一事實(shí)是不一致的。

3、cn114722935a提供了一種信用卡客戶(hù)數(shù)據(jù)細(xì)分方法及裝置。該方法首先根據(jù)細(xì)分需求對(duì)原始信用卡客戶(hù)數(shù)據(jù)進(jìn)行預(yù)處理，得到目標(biāo)信用卡客戶(hù)數(shù)據(jù)集。然后，利用目標(biāo)信用卡客戶(hù)數(shù)據(jù)集創(chuàng)建信用卡客戶(hù)數(shù)據(jù)kd-樹(shù)；最后，使用信用卡客戶(hù)數(shù)據(jù)kd-樹(shù)與dbscan算法相結(jié)合的空間搜索算法，對(duì)目標(biāo)信用卡客戶(hù)數(shù)據(jù)集進(jìn)行細(xì)分。該專(zhuān)利一方面基于如客戶(hù)收入和消費(fèi)金額信用卡等客戶(hù)屬性計(jì)算不同維度上的數(shù)據(jù)方差，選出最大的方差值作為分割維度，這種依賴(lài)于領(lǐng)域?qū)I(yè)知識(shí)定義的指標(biāo)提取相關(guān)特征的能力比較有限。另一方面，該專(zhuān)利是在整個(gè)信用卡客戶(hù)粒度上進(jìn)行細(xì)分，不能反映客戶(hù)在短期內(nèi)的信用卡使用行為特征，進(jìn)而難以做出及時(shí)且準(zhǔn)確的風(fēng)險(xiǎn)管控和提供個(gè)性化服務(wù)。

4、cn116385145a提出了一種信用卡客戶(hù)行為的預(yù)測(cè)方法。首先，在特征工程方面，根據(jù)歷史的客戶(hù)信用卡逾期記錄，采取了缺失值填充、獨(dú)熱編碼、卡方分析、相關(guān)性分析、數(shù)據(jù)裝箱等數(shù)據(jù)分析處理技術(shù)，產(chǎn)生建模數(shù)據(jù)表。然后，構(gòu)建基于聚類(lèi)和裝袋的xgboost分類(lèi)模型，并使用所述訓(xùn)練集進(jìn)行訓(xùn)練。最后，通過(guò)調(diào)參獲取所述預(yù)訓(xùn)練好的信用卡客戶(hù)行為預(yù)測(cè)模型。該專(zhuān)利一方面研究的是客訴行為正樣本和負(fù)樣本特征表示學(xué)習(xí)，是一種二分類(lèi)問(wèn)題，不適用于客戶(hù)在短期內(nèi)復(fù)雜信用卡使用行為特征識(shí)別問(wèn)題。另一方面，該發(fā)明使用了傳統(tǒng)的機(jī)器學(xué)習(xí)方法，此類(lèi)方法在提取高級(jí)特征的能力方面，相對(duì)深度學(xué)習(xí)、表示學(xué)習(xí)等人工智能算法比較有限，進(jìn)而難以有效地解決復(fù)雜的多分類(lèi)問(wèn)題。

5、有鑒于此，如何解決短期內(nèi)信用卡使用行為特征的識(shí)別問(wèn)題成為亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本技術(shù)的主要目的在于提供一種信用卡行為特征識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，在短期內(nèi)精確識(shí)別信用卡使用行為特征。

2、本技術(shù)第一方面提供了一種信用卡行為特征識(shí)別方法，該方法包括：

3、獲取交易流水?dāng)?shù)據(jù)，并對(duì)交易流水?dāng)?shù)據(jù)進(jìn)行預(yù)處理得到多個(gè)數(shù)據(jù)樣本，數(shù)據(jù)樣本包括標(biāo)記樣本以及非標(biāo)記樣本，標(biāo)記樣本帶有信用卡行為特征類(lèi)型標(biāo)記；

4、通過(guò)對(duì)各標(biāo)記樣本進(jìn)行節(jié)點(diǎn)狀態(tài)計(jì)算，生成各標(biāo)記樣本對(duì)應(yīng)的節(jié)點(diǎn)狀態(tài)序列；

5、將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)換為多視角圖，并基于多視角圖訓(xùn)練多視角圖表示學(xué)習(xí)模型；

6、通過(guò)訓(xùn)練好的多視角圖表示學(xué)習(xí)模型對(duì)未標(biāo)記樣本進(jìn)行信用卡行為特征識(shí)別。

7、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，對(duì)交易流水?dāng)?shù)據(jù)進(jìn)行預(yù)處理得到多個(gè)數(shù)據(jù)樣本，包括：

8、將交易流水?dāng)?shù)據(jù)劃分為多個(gè)連續(xù)且等長(zhǎng)的數(shù)據(jù)片段，以得到多個(gè)數(shù)據(jù)樣本；

9、從多個(gè)數(shù)據(jù)樣本中隨機(jī)選取多個(gè)用于模型訓(xùn)練的數(shù)據(jù)樣本，并為多個(gè)用于模型訓(xùn)練的數(shù)據(jù)樣本添加信用卡行為特征類(lèi)型標(biāo)記，以得到多個(gè)標(biāo)記樣本。

10、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，交易流水?dāng)?shù)據(jù)由按時(shí)間排序的一系列交易點(diǎn)構(gòu)成；將交易流水?dāng)?shù)據(jù)劃分為多個(gè)連續(xù)且等長(zhǎng)的數(shù)據(jù)片段，包括：

11、從交易流水?dāng)?shù)據(jù)的第一個(gè)交易點(diǎn)開(kāi)始，通過(guò)預(yù)設(shè)長(zhǎng)度的時(shí)間窗口，以預(yù)設(shè)長(zhǎng)度的步幅連續(xù)滑動(dòng)至交易流水?dāng)?shù)據(jù)的最后一個(gè)交易點(diǎn)，以得到多個(gè)連續(xù)且等長(zhǎng)的數(shù)據(jù)片段，數(shù)據(jù)片段與時(shí)間窗口的長(zhǎng)度相同。

12、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，通過(guò)對(duì)各標(biāo)記樣本進(jìn)行節(jié)點(diǎn)狀態(tài)計(jì)算，生成各標(biāo)記樣本對(duì)應(yīng)的節(jié)點(diǎn)狀態(tài)序列，包括：

13、對(duì)于各標(biāo)記樣本，通過(guò)信用額度以及剩余額度描述標(biāo)記樣本中各交易點(diǎn)的節(jié)點(diǎn)狀態(tài)；

14、將信用額度的額度范圍劃分為m個(gè)信用額度的離散化區(qū)間，將剩余額度的額度范圍劃分為n個(gè)剩余額度的離散化區(qū)間，并由m個(gè)信用額度的離散化區(qū)間以及n個(gè)剩余額度的離散化區(qū)間構(gòu)成m*n個(gè)離散化節(jié)點(diǎn)狀態(tài)，其中，m以及n均為正整數(shù)；

15、基于各交易點(diǎn)的節(jié)點(diǎn)狀態(tài)，將各交易點(diǎn)映射到相應(yīng)的離散化節(jié)點(diǎn)狀態(tài)，以得到標(biāo)記樣本對(duì)應(yīng)的節(jié)點(diǎn)狀態(tài)序列。

16、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，多視角圖包括：頻率圖以及時(shí)間圖，將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)換為多視角圖，包括：

17、基于不同離散化節(jié)點(diǎn)狀態(tài)之間的狀態(tài)轉(zhuǎn)換頻率，將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)換為頻率圖，其中，頻率圖的節(jié)點(diǎn)表示離散化節(jié)點(diǎn)狀態(tài)，頻率圖的邊表示不同離散化節(jié)點(diǎn)狀態(tài)之間的狀態(tài)轉(zhuǎn)換頻率；

18、基于不同離散化節(jié)點(diǎn)狀態(tài)之間的狀態(tài)轉(zhuǎn)換平均時(shí)間，將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)換為時(shí)間圖，其中，時(shí)間圖的節(jié)點(diǎn)表示離散化節(jié)點(diǎn)狀態(tài)，時(shí)間圖的邊表示不同離散化節(jié)點(diǎn)狀態(tài)之間的狀態(tài)轉(zhuǎn)換平均時(shí)間。

19、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，多視角圖表示學(xué)習(xí)模型包括：圖卷積網(wǎng)絡(luò)以及分類(lèi)器；

20、圖卷積網(wǎng)絡(luò)用于提取和池化多視角圖中各節(jié)點(diǎn)的節(jié)點(diǎn)特征，并將各節(jié)點(diǎn)的節(jié)點(diǎn)特征展平為一維后映射到樣本標(biāo)記空間，以得到數(shù)據(jù)樣本在不同信用卡客戶(hù)行為特征類(lèi)別上的概率分布；

21、分類(lèi)器基于所述圖卷積網(wǎng)絡(luò)所提取的特征表示，為數(shù)據(jù)樣本分配信用卡客戶(hù)行為特征類(lèi)別標(biāo)簽。

22、在本技術(shù)第一方面的一些實(shí)現(xiàn)方式中，圖卷積網(wǎng)絡(luò)包括：圖卷積層、圖嵌入池化層、壓平層以及全連接層；

23、圖卷積層用于提取多視角圖中各節(jié)點(diǎn)的特征，以得到多視角圖中各節(jié)點(diǎn)的初始特征表示；

24、圖嵌入池化層通過(guò)加權(quán)凸組合，對(duì)各節(jié)點(diǎn)的初始特征表示進(jìn)行池化，以得到多視角圖中各節(jié)點(diǎn)新的特征表示；

25、壓平層用于將池化后的各節(jié)點(diǎn)新的特征表示展平為一維；

26、全連接層用于將展平后的各節(jié)點(diǎn)新的特征表示映射到樣本標(biāo)記空間，以得到所述數(shù)據(jù)樣本在不同信用卡客戶(hù)行為特征類(lèi)別上的概率分布。

27、本技術(shù)第二方面提供了一種信用卡行為特征識(shí)別裝置，該裝置包括：

28、數(shù)據(jù)處理模塊，用于獲取交易流水?dāng)?shù)據(jù)，并對(duì)交易流水?dāng)?shù)據(jù)進(jìn)行預(yù)處理得到多個(gè)數(shù)據(jù)樣本，數(shù)據(jù)樣本包括標(biāo)記樣本以及非標(biāo)記樣本，標(biāo)記樣本帶有信用卡行為特征類(lèi)型標(biāo)記；

29、序列生成模塊，用于通過(guò)對(duì)各標(biāo)記樣本進(jìn)行節(jié)點(diǎn)狀態(tài)計(jì)算，生成各標(biāo)記樣本對(duì)應(yīng)的節(jié)點(diǎn)狀態(tài)序列；

30、模型訓(xùn)練模塊，用于將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)換為多視角圖，并基于多視角圖訓(xùn)練多視角圖表示學(xué)習(xí)模型；

31、特征識(shí)別模塊，用于通過(guò)訓(xùn)練好的多視角圖表示學(xué)習(xí)模型對(duì)未標(biāo)記樣本進(jìn)行信用卡行為特征識(shí)別。

32、本技術(shù)第三方面提供了一種信用卡行為特征識(shí)別設(shè)備，該設(shè)備包括存儲(chǔ)器和處理器，處理器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的程序，運(yùn)行如本技術(shù)第一方面所提供的任一項(xiàng)的信用卡行為特征識(shí)別方法。

33、本技術(shù)第四方面提供了一種可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如本技術(shù)第一方面所提供的任一項(xiàng)的信用卡行為特征識(shí)別方法的各個(gè)步驟。

34、本技術(shù)所提供的技術(shù)方案具有如下有益效果：

35、在本技術(shù)所提供的技術(shù)方案中，首先，從原始的交易流水?dāng)?shù)據(jù)入手，對(duì)交易流水?dāng)?shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理后的數(shù)據(jù)樣本包括帶標(biāo)簽的標(biāo)記樣本和無(wú)標(biāo)簽的非標(biāo)記樣本，標(biāo)記樣本中的信用卡行為特征類(lèi)型標(biāo)記能夠提供監(jiān)督信息，以構(gòu)建有效模型；然后，基于標(biāo)記樣本的各交易點(diǎn)計(jì)算節(jié)點(diǎn)狀態(tài)，得到節(jié)點(diǎn)狀態(tài)序列，從而連續(xù)的交易行為劃分為狀態(tài)轉(zhuǎn)換過(guò)程，從而在短期變化的角度精確反映客戶(hù)信用卡使用行為特征；之后，將節(jié)點(diǎn)狀態(tài)序列轉(zhuǎn)為多視角圖，并通過(guò)多視角圖訓(xùn)練多視角圖表示學(xué)習(xí)模型，能夠從不同視角提取信用卡使用行為的特征，使得模型學(xué)習(xí)到更全面的行為特征，而不是依賴(lài)單一維度，從而在時(shí)間變化上有較強(qiáng)的細(xì)粒度分析能力，適合于短期內(nèi)的行為識(shí)別；最后，通過(guò)訓(xùn)練好的模型對(duì)非標(biāo)記樣本進(jìn)行特征識(shí)別，利用多視角圖表示學(xué)習(xí)模型的高表達(dá)能力進(jìn)行推斷，適應(yīng)短期內(nèi)快速變化的行為特征。由此可見(jiàn)，本技術(shù)通過(guò)數(shù)據(jù)預(yù)處理、節(jié)點(diǎn)狀態(tài)計(jì)算、節(jié)點(diǎn)狀態(tài)序列以及多視角圖構(gòu)建，結(jié)合多視角圖表示學(xué)習(xí)模型，能夠在短期內(nèi)對(duì)信用卡交易行為特征進(jìn)行精確識(shí)別。