CN109146474A - 一种支付限额定制方法及装置 - Google Patents

Abstract

公开了一种支付限额定制方法及装置。一种支付限额定制方法，该方法包括：获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

Description

一种支付限额定制方法及装置

技术领域

本说明书实施例涉及电子商务技术领域，尤其涉及一种支付限额定制方法及装置。

背景技术

当前随着互联网技术的不断发展，电子支付得到了快速发展，意味着越来越多的交易不再是线下进行。但是随之而来的，例如各种各样的网络诈骗案件不断发生，针对此种现象，目前普遍使用的方式是在交易时支付限额，这里支付限额即支付限定额度(每笔交易资金的限定额度)，例如较为熟悉的银行卡单笔转账限额、银行卡单笔交易限额、支付宝的每日消费限额、电子钱包充值单笔限额等等。

由于支付限额是一个固定值，支付限额总会给用户带来不必要的麻烦，例如随着某些用户消费水平的逐步提升，需要较高的资金使用额度，往往会因为支付限额的原因导致电子支付这种支付方式不可用，这时用户一般会选择更换支付方式进行支付，如此一来降低了用户的支付体验。针对上述问题，因此目前急需一种可以为用户进行个性化定制支付限额的解决方案，即为不同的用户定制不同的支付限额。

发明内容

针对上述技术问题，本说明书实施例提供一种支付限额定制方法及装置，技术方案如下：

一种支付限额定制方法，该方法包括：

获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

一种支付限额定制装置，该装置包括：

用户集获取模块，用于获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

划分模块，用于根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

信息整合模块，用于对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

额度计算模块，用于对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

本说明书实施例所提供的技术方案，通过用户基本特征信息和用户消费信息将具有一定相似性的用户聚为一类，将每一类用户作为整体计算该类用户的预测额度，确定预测额度为每一类用户的个性化定制支付限额，即可视为根据用户的基本特征信息以及消费信息实现了对用户进行个性化定制支付限额，可以提升用户的支付体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。

此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本说明书实施例的支付限额定制方法的流程示意图；

图2是本说明书实施例的确定K值的效果示意图；

图3是本说明书实施例的目标用户集聚类效果示意图；

图4是本说明书实施例的支付限额定制装置的结构示意图；

图5是用于配置本说明书实施例装置的一种设备的结构示意图。

具体实施方式

当前随着互联网技术的不断革新，电子支付得到了迅速发展，电子支付是指消费者、商家和金融机构之间使用安全电子手段把支付信息通过信息网络安全地传递到银行或相应的处理机构，用来实现货币支付或资金流转的行为。电子支付的类型按照电子支付指令发起方式分为网上支付、电话支付、移动支付、销售点终端交易、自动柜员机交易和其他电子支付。

伴随着电子支付的不断发展，随之而来的，例如各种各样的网络诈骗案件不断发生，导致用户的资产存在一定的安全风险。为了保证用户资产的安全，针对诸如上述类似的现象，目前普遍使用的方式是在交易时支付限额，意味着限定了每笔交易资金的最大额度，例如单笔交易资金的额度不能超过500。较为熟悉的有银行卡单笔转账限额、支付宝每日消费限额、微信单笔交易限额等等，当发生诸如上述类似的现象时，可以在一定程度上减少用户资产的损失。

由于支付限额是一个固定值，支付限额总会给用户带来不必要的麻烦，例如在紧急情况下用户急需大量的资金看病，或者伴随着用户消费水平的逐步提升，每日需要较高的资金使用额度，往往会因为支付限额的原因导致电子支付这种支付方式不可用。这时用户一般会选择更换支付方式进行支付，如此一来降低了用户的支付体验。

针对上述问题，本说明书实施例提供了一种技术方案，基于用户基本特征信息和用户消费信息，进行用户个性化定制支付限额，即为不同的用户定制不同的支付限额，并且可以为用户动态定制支付限额，如此可以提升用户的支付体验。

具体的本说明书实施例提供的技术方案如下：

获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。

如图1所示，为本说明书实施例所提供的一种支付限额定制方法的实施流程图，该方法具体可以包括以下步骤：

S101，获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

待定制支付限额的目标用户集，即待定制支付限额的目标用户集合，该目标用户集合中可以包括若干个用户，其中这若干个用户可以是历史上消费金额超过支付限额的用户，也可以是消费金额逐步提升有可能超过支付限额的用户，当然也可以是其它存在定制支付限额需求的用户，本说明书实施例对目标用户集中包括的用户的数量以及用户的具体表现形式不作限定。

对于目标集合中包含的任一用户，至少包括：用户基本特征信息和用户消费信息。

用户基本特征信息，例如可以是用户的性别，年龄，籍贯，学历，工作年限等，值得注意的是，用户基本特征信息还可以是其它形式的信息，本说明书对此不作限定，在此不再一一赘述。

用户消费信息，例如可以是用户平均一天的消费次数，每次平均消费金额，账户余额，过去一段时间(例如，一个月)平均每天的消费金额等，值得注意的是，用户消费信息还可以是其它形式的信息，本说明书对此不作限定，在此不再一一赘述。

本说明书实施例获取上述待定制支付限额的目标用户集，其中目标用户集除包括上述所说的用户基本特征信息和用户消费信息之外，还可以包括其它的用户行为特征信息，本说明书实施例在此不再一一赘述。

另外在获取上述待定制支付限额的目标用户集之前，确定待定制支付限额的目标用户集，获取所确定的待定制支付限额的目标用户集。其中确定待定制支付限额的目标用户集的实现方式有多种，本说明书实施例对其中两种实现方式进行说明：

其中一种确定待定制支付限额的目标用户集的实现方式为：按照预设的周期确定待定制支付限额的目标用户集，意味着在特定时间确定待定制支付限额的目标用户集。例如，以一个月为周期，在月初确定待定制支付限额的目标用户集，其中上月月初确定的待定制支付限额的目标用户集可以是用户A、用户B、用户C、用户D、用户E，而本月月初确定的待定制支付限额的目标用户集可以是用户C、用户D、用户E、用户F，意味着每次所确定的待定制支付限额的目标用户集中可以包括上次的目标用户集中的老用户，当然也可以包括新用户，每个周期所确定的待定制支付限额的目标用户集所包括的用户数量也可能不同。

另外一种确定待定制支付限额的目标用户集的实现方式为：监测待定制支付限额的用户的数量是否达到预设的阈值，若是，则确定由所述用户组成的用户集为待定制支付限额的目标用户集。例如，预设的阈值为1000，若监测当前待定制支付限额的用户的数量达到1000，则确定由上述用户组成的用户集为待定制支付限额的目标用户集。

S102，根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

针对S101所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类，其中本说明书实施例采用的聚类算法为K-means算法，当然也可以是其它的聚类算法，本说明书实施例在此不再详细赘述。

K-means算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

其中在进行聚类之前，一方面要对所获取的目标用户集中所包括的用户基本特征信息和用户消费信息进行标准化处理，标准化处理即为利用预先设置的标准化处理算法将用户基本特征信息和用户消费信息映射到对应的数值区间。

以用户年龄、每天平均消费金额为例，对标准化处理进行说明，其中将用户年龄、每天平均消费金额映射到0-1的数值区间，目标用户集包含5个用户，对应的数据如下表所示，所采用的映射公式如下：

y＝(col-min(col))/(max(col)-min(col))；

上述映射公式的含义为：在用户的某一维度信息中，将某一维度用户信息映射到0-1的数值区间，具体是该用户信息与目标用户集中的最小值作差，除以目标用户集中最大值与最小值的差值，得到的数值正好处在0-1数值区间。以用户年龄为例，在用户年龄这个维度，当前用户年龄为30，目标用户集中最小用户年龄为25，最大用户年龄为40，则当前用户年龄30的映射数值为：

(30-25)/(40-25)＝0.33(用户年龄30对应的映射数值)；

用户编号	用户年龄	映射数值
			1	30	0.33
2	25	0
			3	25	0
4	40	1
			5	35	0.66

用户年龄-表1

用户编号	用户平均每天消费金额	映射数值
			1	50	1
2	35	0.25
			3	40	0.5
4	45	0.75
			5	30	0

用户平均每天消费金额-表2

另一方面，要确定K值，意味着将用户分为几大类，本说明书实施例采用肘部法则确定K值的大小。肘部法则会把不同K值的成本函数值画出来，随着K值的增大，平均畸变程度会减小，每个类包含的样本数会减少，于是样本离其重心会更近。但是随着K值的不断增大，平均畸变程度的改善效果会不断降低，在K值不断增大的过程中，畸变程度的改善效果下降幅度最大的位置对应的K值即为肘部，例如如图2所示，图中拐点即为肘部，也就是K值。

其中对于某些用户特征信息，例如用户性别、用户籍贯、用户学历等信息可以不必进行标准化处理，本身可以视为上述区间的0或1变量。

在确定K值，以及对用户基本特征信息和用户消费信息进行标准化处理之后，可以利用K-means聚类算法将目标用户集中的目标用户分为K类，例如将目标用户集中的目标用户分为3类，其分类后的效果示意图如图3所示。其中在聚类的过程中，涉及到距离的计算，本说明书实施例中距离的计算可以采用欧氏距离，指在m维空间中两点之间的真实距离，或者向量的自然长度。

S103，对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

针对S102中的聚类结果，对每一类用户的用户基本特征信息和用户消费信息进行整合，具体是对每一类用户的用户基本特征信息和用户消费信息进行分类，主要分为两类，一类为文字类信息，另一类为数值类信息。

其中文字类信息具体表现为：用户基本特征信息和用户消费信息中以文字形式表现的信息，例如用户性别，用户学历，用户籍贯等等。数值类信息具体表现为：用户基本信息特征信息和用户消费信息中以数值形式表现的信息，例如用户年龄，用户工作年限，用户最近一段时间(例如一个月)每天的平均消费金额等等。

对每一类用户的数值类信息求平均值进行整合，例如对于A类用户，用户年龄分别为25，30，35，30，25，求平均值进行整合得到A类用户的平均年龄为29，对于其它数值类信息同样进行求平均值进行整合，本说明书实施例在此不再一一赘述。

对每一类用户的文字类信息利用One-Hot编码进行整合。One-Hot编码即独热编码，又称一位有效编码，其方法是使用N位状态寄存器对N个状态进行编码，每个状态都由独立的寄存器，并且在任意时候，其中只有一位有效。下面以用户学历为例，对利用One-Hot编码进行整合进行说明：

A类用户共有100名用户，学历划分为：专科、本科、硕士、博士，其中有80人为本科学历，10人为大专学历，10人为硕士学历，则利用投票法可以认为A类用户的学历为本科，相应的本科对应的寄存器有效，其中1代表有效，0代表无效，则A类用户最终编码结果如下表所示：

用户类别	专科	本科	硕士	博士
					A类	0	1	0	0

A类用户学历One-Hot编码结果-表3

对于其它文字类信息，其One-Hot编码形式和上述基本类似，本说明书实施例在此不再一一赘述。

除上述对每一类用户的用户基本特征信息和用户消费信息进行整合之外，还需从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息，该用户历史平均消费信息，例如可以是每一类用户最近一周每天消费金额的均值，其中在计算每一类用户最近一周每天消费金额的均值的过程中，一种实现方法可以是先计算每一类用户中每名用户最近一周每天消费金额的均值，进而计算每一类用户中所有用户最近一周每天消费金额的均值，另外该用户历史平均消费信息可以是每一类用户最近一个月每天消费金额的均值，或者也可以是每一类用户最近一年每个月消费金额的均值，当然也可以是每一类用户最近一年中，这一年之内任一月份每天消费金额的均值，或者是最近几个月或这一年之内任意几个月每天消费金额的均值，其中这一年之内每个月的权重可能不同，可依据每个月的权重选择相应的月份。值得注意的是，本说明书对用户历史平均消费信息的具体表现形式不作限定，还可以是其他形式的信息，本说明书在此不再一一赘述。例如A类用户共有100名用户，获取每名用户最近一个月每天的消费均值：50、45、50、55……，进而计算这100名用户最近一个月每天的消费均值。

S104，对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

针对S103中整合之后的用户基本特征信息和用户消费信息，以及提取的用户历史平均消费信息，可以代表每一类用户的基本特征信息、消费信息和历史平均消费信息，即可以把每一类用户看成一个整体，例如可以看A类用户看成一个整体，A类用户的年龄为35，学历为本科(1)，历史平均消费信息为50等。

对于每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的XGboost算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。其中用户基本特征信息、用户消费信息以及用户历史平均消费信息分别可以看作是XGboost算法输入的三个变量，经由XGboost算法可以计算出一个预测额度，这个预测额度可以视为每一类用户的定制支付限额。

例如，对于A类用户，A类用户的年龄为35，学历为本科(1)，历史平均消费信息为50等作为XGboost算法输入变量，计算得到A类用户的预测额度为20000，则可以看作20000是A类用户的定制支付限额。

另外，经过上述计算可以得到每一类用户的预测额度，为了防止预测额度与实际值有偏差，需要对预测额度进行调整，其中调整系数可以为上调系数，即预测额度乘以大于1的系数，也可以是下调系数，即预测额度乘以0-1之间的系数。具体调整系数的设置可以根据实际情况而定，本说明书对此不作限定。

根据预先设置的调整系数对预测额度进行调整，将调整之后的预测额度作为每一类用户的定制支付限额。例如，对于A类用户计算得到的预测额度为20000，乘以上调系数1.2，最终A类用户的定制支付限额为24000。

通过上述对本说明书实施例所提供的技术方案的描述，基于用户基本特征信息和用户消费信息，进行用户个性化定制支付限额，即为不同的用户定制不同的支付限额。

另外本说明书实施例提供的技术方案，基于上述所说的确定待定制支付限额的目标用户集的实现方式，获取目标用户集，对于每次获取的目标用户集，都可以采用上述技术方案计算每一类用户的定制支付限额，由此可以为用户动态定制支付限额，如此可以提升用户的支付体验。

相对于上述方法实施例，本说明书实施例还提供了一种支付限额定制装置，如图4所示，可以包括：用户集获取模块410、划分模块420、信息整合模块430、额度计算模块440。

用户集获取模块410，用于获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

划分模块420，用于根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

信息整合模块430，用于对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

额度计算模块440，用于对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

根据本说明书提供的一种具体实施方式，所述划分模块420具体包括：

处理子模块421，用于将所获取的目标用户集中所包括的用户基本特征信息和用户消费信息进行标准化处理，所述标准化处理为利用预先设置的标准化处理算法将用户基本特征信息和用户消费信息映射到对应的数值区间；

划分子模块422，用于根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类。

根据本说明书提供的一种具体实施方式，所述划分子模块422具体用于：

根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的K-means聚类算法将用户分成K类，其中利用肘部法则确定所述K的大小。

根据本说明书提供的一种具体实施方式，信息整合模块430具体用于：

对每一类用户的用户基本特征信息和用户消费信息进行分类，分为文字类信息和数值类信息；

对每一类用户的数值类信息求平均值进行整合，对每一类用户的文字类信息利用One-Hot编码进行整合。

根据本说明书提供的一种具体实施方式，额度计算模块440具体用于：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度；

根据预先设置的调整系数对所述预测额度进行调整，将调整之后的预测额度作为每一类用户的定制支付限额。

根据本说明书提供的一种具体实施方式，所述额度计算模块440具体用于：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的XGboost算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

通过上述对本说明书实施例所提供的技术方案的描述，基于用户基本特征信息和用户消费信息，进行用户个性化定制支付限额，即为不同的用户定制不同的支付限额。

另外本说明书实施例提供的技术方案，基于上述所说的确定待定制支付限额的目标用户集的实现方式，获取目标用户集，对于每次获取的目标用户集，都可以采用上述技术方案计算每一类用户的定制支付限额，由此可以为用户动态定制支付限额，如此可以提升用户的支付体验。

本说明书实施例还提供一种计算机设备，如图5所示，该设备可以包括：处理器510、存储器520、输入/输出接口530、通信接口540和总线550。其中处理器510、存储器520、输入/输出接口530和通信接口540通过总线550实现彼此之间在设备内部的通信连接。

处理器510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器520可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器520中，并由处理器510来调用执行。

输入/输出接口530用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口540用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线550包括一通路，在设备的各个组件(例如处理器510、存储器520、输入/输出接口530和通信接口540)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器510、存储器520、输入/输出接口530、通信接口540以及总线550，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的支付限额定制方法。该方法至少包括：

一种支付限额定制方法，该方法包括：

获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。

Claims (13)

1.一种支付限额定制方法，该方法包括：

获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

2.根据权利要求1所述的方法，所述根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类，包括：

将所获取的目标用户集中所包括的用户基本特征信息和用户消费信息进行标准化处理，所述标准化处理为利用预先设置的标准化处理算法将用户基本特征信息和用户消费信息映射到对应的数值区间；

根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类。

3.根据权利要求2所述的方法，所述根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类，包括：

根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的K-means聚类算法将用户分成K类，其中利用肘部法则确定所述K的大小，所述K≥1。

4.根据权利要求1所述的方法，所述对每一类用户的用户基本特征信息和用户消费信息进行整合，包括：

对每一类用户的用户基本特征信息和用户消费信息进行分类，分为文字类信息和数值类信息；

对每一类用户的数值类信息求平均值进行整合，对每一类用户的文字类信息利用One-Hot编码进行整合。

5.根据权利要求1所述的方法，所述对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额，包括：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度；

根据预先设置的调整系数对所述预测额度进行调整，将调整之后的预测额度作为每一类用户的定制支付限额。

6.根据权利要求1所述的方法，所述对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额，包括：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的XGboost算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

7.一种支付限额定制装置，该装置包括：

用户集获取模块，用于获取待定制支付限额的目标用户集，所述目标用户集至少包括：用户基本特征信息和用户消费信息；

划分模块，用于根据所获取的目标用户集中所包括的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类；

信息整合模块，用于对每一类用户的用户基本特征信息和用户消费信息进行整合，其中从每一类用户的用户消费信息中提取每一类用户的用户历史平均消费信息；

额度计算模块，用于对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

8.根据权利要求7所述的装置，所述划分模块具体包括：

处理子模块，用于将所获取的目标用户集中所包括的用户基本特征信息和用户消费信息进行标准化处理，所述标准化处理为利用预先设置的标准化处理算法将用户基本特征信息和用户消费信息映射到对应的数值区间；

划分子模块，用于根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的聚类算法对用户进行分类。

9.根据权利要求8所述的装置，所述划分子模块具体用于：

根据经过标准化处理之后的用户基本特征信息和用户消费信息，利用预先设置的K-means聚类算法将用户分成K类，其中利用肘部法则确定所述K的大小，所述K≥1。

10.根据权利要求7所述的装置，所述信息整合模块具体用于：

对每一类用户的用户基本特征信息和用户消费信息进行分类，分为文字类信息和数值类信息；

对每一类用户的数值类信息求平均值进行整合，对每一类用户的文字类信息利用One-Hot编码进行整合。

11.根据权利要求7所述的装置，所述额度计算模块具体用于：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的额度算法计算每一类用户的预测额度；

根据预先设置的调整系数对所述预测额度进行调整，将调整之后的预测额度作为每一类用户的定制支付限额。

12.根据权利要求7所述的装置，所述额度计算模块具体用于：

对每一类用户，根据整合之后的用户基本特征信息、用户消费信息以及提取的用户历史平均消费信息，利用预先设置的XGboost算法计算每一类用户的预测额度，确定所计算的预测额度为每一类用户的定制支付限额。

13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。