[发明专利]处理交易数据的方法及装置

说明书

本说明书实施例提供一种处理交易数据的方法和装置，方法包括，首先获取与连续的n个时间段分别对应的n个数据集，其中各个数据集i包括对应的时间段中用户的交易明细数据。然后，基于对应的数据集i中的交易明细数据衍生出衍生变量，并基于衍生变量形成与各数据集对应的特征向量。基于此，将各个特征向量按照时间顺序输入时间递归的神经网络，从该神经网络获得处理结果。如此，更加有效地对交易数据进行挖掘和分析。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及处理交易数据的方法和装置。

背景技术

随着互联网技术的发展，人们越来越频繁地利用互联网和电子钱包进行各种交易，由此形成了交易数据。交易数据是具有很高价值的数据资产，特别是在目前的大数据背景下，如何深入挖掘交易数据，提炼出数据价值，在技术提升和业务提升方面都有重要的意义。

进一步地，在对数据进行深入挖掘的同时，还需要考虑应用场景问题和安全性问题。交易数据一般反映用户的交易历史，如果能通过交易数据的挖掘和处理，将交易数据的信息应用在更广泛的应用场景，例如信用业务场景，将进一步提升数据的利用率。此外，在许多情况下，存在与其他机构共建模型的可能，这就需要将初步处理的数据发给其他机构。此时，既希望挖掘的数据有较高的数据价值和数据含义，又要考虑数据泄露的系统风险和用户隐私的保护，而尽量隐藏业务含义。如此，对数据的挖掘和处理提出很高的要求。

因此，希望能有改进的方案，更有效地对交易数据进行处理。

发明内容

本说明书一个或多个实施例描述了一种方法和装置，通过结合变量衍生的初步数据挖掘和神经网络的进一步数据分析，更有效地对交易数据进行处理。

根据第一方面，提供了一种处理交易数据的方法，包括：

获取与连续的n个预设时间段分别对应的n个数据集，其中各个数据集i包括对应的时间段中用户的交易明细数据；

形成与所述n个数据集分别对应的n个特征向量，其中各个特征向量Fi分别包括，基于对应的数据集i中的交易明细数据衍生出的衍生变量；

将所述n个特征向量按照时间顺序输入时间递归的神经网络，从所述时间递归的神经网络获得处理结果。

根据一个实施例，交易明细数据包括多个字段，所述多个字段至少包括：交易时间字段，交易金额字段，以及至少一个类别字段。

在一种可能的设计中，形成特征向量的步骤包括：获取数据集i中所述交易明细数据的所述多个字段；对所述多个字段的数据进行聚合操作，从而获得衍生变量；将所述衍生变量作为所述特征向量Fi的向量元素。

根据一个实施例，对多个字段中的数据进行聚合操作包括：从所述多个字段中选择至少一部分字段进行组合，得到组合字段；对组合字段的数据进行运算操作，从而得到衍生变量。

进一步地，在一个实施例中，上述运算操作包括以下中的一项或多项：数值判断、计数、求和、求平均、求标准差、求分位数、分布统计。

根据一种可能的设计，形成特征向量的步骤还包括：获取数据集i中所述至少一个类别字段的内容；利用词嵌入模型，将所述至少一个类别字段的内容转换为词向量；将所述词向量作为所述特征向量Fi的一部分。

在一个实施例中，上述时间递归的神经网络采用循环神经网络RNN，长短期记忆神经网络LSTM，门控循环单元神经网络GRU之一。

在一个实施例中，时间递归的神经网络还包括至少一个全连接层。

根据一个实施例，所述时间递归的神经网络利用已标定数据集进行训练，所述已标定数据集包括历史交易数据，且具有是否发生信用违约的标签。