User's sequential behavior-逢甲資料科學大講堂
•
3 j'aime•759 vues
We reshaped user's behavior into a word, transformed past sequential behavior into a sentence, and applied Natural Language Processing(NLP) model. Results showed that the application of NLP on user's sequntial behavior was successful.
Recommandé
Contenu connexe
Similaire à User's sequential behavior-逢甲資料科學大講堂
User's sequential behavior-逢甲資料科學大講堂
- 1. User’s Sequential Behavior Modeling How we used in Cathay Financial Holdings Speaker: Ta-Chun Su
- 2. Agenda 01 The importance of Sequential Behavior Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling ✦ Problem
- 3. Agenda 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” 03 Case- MyRewards ✦ Embedding- Better representations of a word 01 The importance of Sequential Behavior Information ✦ Application- 1. Visualization 2. Modeling ✦ Behavior ✦ Sequence ✦ Problem
- 4. 什麼是⾏為序列 Timeline 2018-10-30 20:38 在 MOMO 消費 195 元 2019-08-07 17:45 進線客服: 信⽤卡異常 2019-08-07 08:41 在 Uber 消費 185 元 2019-08-07 16:39 在星巴克信義店消費 授權失敗 2018-04-30 12:11 客訴網路當機 2018-01-23 15:11 官網購買長榮機票 2017-9-23 01:42 官網點擊長榮機票 2017-9-25 17:24 官網點擊長榮機票
- 6. 模型訓練⽅式 男 20 是 … 2 0 1 … 1 … 熱拿鐵 男 21 否 … 4 2 1 … 1 … 茶葉蛋 女 22 是 … 0 1 1 … 1 … 茶葉蛋 女 35 是 … 1 1 0 … 0 … 85度c 性別 年紀 商品的歷史兌換次數 (one-hot encoding) Y… 茶葉蛋熱拿鐵 冰拿鐵養樂多 過去N天 是否兌換
- 7. 歷史訊息彙總類變數 1. 易造成維度過⾼問題 2. 看不出: ⾏為(商品)之間的關聯性 3. 看不出: ⽤⼾⾏為序列間的關聯性 1-of-N Encoding問題
- 12. ⾏為之間的關聯性 Timeline ⼩韓 ⼩芬 2019-08-07 22:012019-08-07 19:022019-08-07 18:31 2019-08-07 17:41
- 13. ⾏為之間的關聯性 Timeline ⼩韓 ⼩芬 2019-08-07 22:012019-08-07 19:022019-08-07 18:31 2019-08-07 18:532019-08-07 17:41
- 14. ⾏為之間的關聯性 Timeline ⼩韓 ⼩芬 2019-08-07 22:012019-08-07 19:022019-08-07 18:31 2019-08-07 18:53 2019-08-07 21:552019-08-07 17:41
- 15. ⾏為之間的關聯性 Timeline ⼩韓 ⼩芬 2019-08-07 22:012019-08-07 19:022019-08-07 18:31 2019-08-07 18:53 2019-08-07 21:552019-08-07 17:41
- 16. ⼩韓 ⾏為序列間的關聯性: 以⾏動⽀付為例 1/29 1/311/301/30 收到轉帳款項 收到轉帳款項修改帳⼾資訊更改⽤⼾⼤頭貼 轉出款項 Timeline ⼩呱
- 17. ⼩韓 ⾏為序列間的關聯性: 以⾏動⽀付為例 1/29 1/311/301/30 收到轉帳款項 收到轉帳款項修改帳⼾資訊更改⽤⼾⼤頭貼 轉出款項 Timeline ⼩呱
- 18. ⾏為序列很重要
- 19. ⾏為序列很重要 如何萃取⾏為意義
- 20. Agenda 01 The importance of Sequential Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling ✦ Problem
- 21. [1, 0, 0, 0, 0, 0, 0, …, 0] [0, 1, 0, 0, 0, 0, 0, …, 0] [0, 0, 1, 0, 0, 0, 0, …, 0] [0, 0, 0, 1, 0, 0, 0, …, 0] [0, 0, 0, 0, 1, 0, 0, …, 0] catapple wordv 過去：定義⽂字向量
- 22. [1, 0, 0, 0, 0, 0, 0, …, 0] [0, 1, 0, 0, 0, 0, 0, …, 0] [0, 0, 1, 0, 0, 0, 0, …, 0] [0, 0, 0, 1, 0, 0, 0, …, 0] [0, 0, 0, 0, 1, 0, 0, …, 0] catapple wordv 過去：定義⽂字向量 現在：Word Embedding
- 23. Hottest Pre-trained Embedding Method BERT ELMO XLNETMT − DNN Word2Vec ERNIE
- 24. Hottest Pre-trained Embedding Method BERT ELMO XLNETMT − DNN Word2Vec ERNIE
- 25. Word2Vec
- 26. Word2Vec
- 27. Word2Vec
- 29. 1. Word Vector + Visualization 2. Modeling Convolutional Neural Networks for Sentence Classification Word embedding 應⽤
- 30. 1. Word Vector + Visualization 2. Modeling Convolutional Neural Networks for Sentence Classification Word embedding 應⽤
- 31. Agenda 01 The importance of Sequential Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” ✦ Problem 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling
- 32. ⼀篇⽂章 韓國 氣象廳 表⽰ ， 康芮 在 沖繩 東南⽅ 1080 公⾥ 附近 海上 ， 以 時速 20 公⾥ 的 速度 ， 往 ⻄北 偏⻄ ⽅向 移動 ⼀連串的序列⾏為 點擊商品茶葉蛋 點擊商品紅茶拿鐵 我要兌換紅茶拿鐵 我要送禮紅茶拿鐵
- 33. 19 韓國 氣象廳 表⽰ ， 康芮 在 沖繩 東南⽅ 1080 公⾥ 附近 海上 ， 以 時速 20 公⾥ 的 速度 ， 往 ⻄北 偏⻄ ⽅向 移動 點擊商品茶葉蛋 點擊商品紅茶拿鐵 我要兌換紅茶拿鐵 我要送禮紅茶拿鐵 ⼀篇⽂章 ⼀連串的序列⾏為
- 34. 19 韓國 氣象廳 表⽰ ， 康芮 在 沖繩 東南⽅ 1080 公⾥ 附近 海上 ， 以 時速 20 公⾥ 的 速度 ， 往 ⻄北 偏⻄ ⽅向 移動 點擊商品茶葉蛋 點擊商品紅茶拿鐵 我要兌換紅茶拿鐵 我要送禮紅茶拿鐵 透過前後⽂， 描述詞語間的關聯性: Word Embedding ⼀篇⽂章 ⼀連串的序列⾏為
- 35. 19 韓國 氣象廳 表⽰ ， 康芮 在 沖繩 東南⽅ 1080 公⾥ 附近 海上 ， 以 時速 20 公⾥ 的 速度 ， 往 ⻄北 偏⻄ ⽅向 移動 點擊商品茶葉蛋 點擊商品紅茶拿鐵 我要兌換紅茶拿鐵 我要送禮紅茶拿鐵 透過前後⽂， 描述詞語間的關聯性: Word Embedding 透過前後⾏為， 描述⾏為間的關聯性: Behavior Embedding ⼀篇⽂章 ⼀連串的序列⾏為
- 36. 如何⽤在推薦系統
- 40. Visualization MR2V Dimensions (4 dim) Item Vectors [ [ [ [ [ [ [ [ 全國電⼦ 森森百貨 頂好超市 燦坤3c 中杯拿鐵 ⼤杯紅茶拿鐵 冰淇淋單球 ⿊咖啡 摩絲漢堡 台灣⾃來⽔⽔費 北市⾃來⽔⽔費 中華電信 台灣⼤哥⼤ 漢神巨蛋 中友百貨 Corpus Item embedding
- 41. Agenda 01 The importance of Sequential Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” ✦ Problem 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling
- 42. Problem of Word2vec Apple The Rock Same meaning in different context
- 43. Contexualized Word Embeddings Hey ELMo, What’s the embedding of the word “apple”? Okay. I mean: “I have an apple” There are multiple possible embeddings! Use it in a sentence. Chatbot
- 44. Agenda 01 The importance of Sequential Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling ✦ Problem
- 45. 預測目的 幫助客服專員解決服務的三個痛點 客戶問題描述不清 繁雜問題常進線客服 客戶進線缺乏耐心 客戶不熟銀行業務易誤用詞彙 應對複雜的熱門商品 93% 進線客服為信用卡業務 客戶最為關心信用卡帳務 通話服務及時間壓力 法規: 80 % 進線須於 30 秒內接起 時常要安撫客戶情緒 員工流動率高、培訓成本增
- 46. 2018-10-30 20:38 在 MOMO 消費 195 元 2019-08-07 17:45 進線客服: 信⽤卡異常 2019-08-07 08:41 在 新光三越 消費 104 元 2019-08-07 16:39 在星巴克信義店消費授權失敗 2018-10-18 20:38 進線客服申請信⽤卡掛失 2018-10-12 15:19 信⽤卡開卡 2018-10-01 18:41 在好市多消費 2145 元 2018-10-02 09:23 在新光三越消費 184 元 假設：有因有果
- 47. ⾦控客⼾歷程
- 49. Reactive ETL 響應式資料處理流服務 ML Serving 將機器學習流程拆成微服務 HIPPO Manager 部署、控制與監控服務 Data Serving 即時傳達智能資料 訊息與資料交換的 Mailbox
- 50. 2018-06-22 13:57:12 在信義分⾏開立台幣存款帳⼾ 2018-06-11 20:38:07 在 ATM 從台幣存款帳 ⼾提款 3,000 元 2018-06-13 15:19:28 透過業務⼈員詢問防癌保險的投保資訊 2018-06-05 09:23:58 進線客服中⼼申請信⽤卡掛失 2018-06-18 10:38:40 ⽤樹精靈買進國泰⾦股票 55,100 元 建立以客⼾為中⼼的 歷程資料
- 52. 千千萬萬種⾏為 2018-10-30 20:38 在 MOMO 消費 195 元 2019-08-07 17:45 進線客服: 信⽤卡異常 2019-08-07 08:41 在 Uber 消費 185 元 2019-08-07 16:39 在星巴克信義店消費 授權失敗 2018-10-18 20:38 在新光三越消費 184 元 2018-10-12 15:19 KOKO信⽤卡開卡 2018-10-01 18:41 在好市多消費 2145 元 2018-10-02 09:23 信義分⾏ATM提款777元 … 2018-04-30 12:11 台幣存款99元 2018-01-23 15:11 在新光三越消費499元 2017-9-23 01:42 官網瀏覽長榮機票 2017-9-25 17:24 在全家繳信⽤卡帳單200元 Timeline
- 53. Initialized Word Embedding Dimemb Word Vector 0.12 0.32 0.67 0.71 0.54 0.23 0.11 0.67 0.91 0.25 0.12 0.42 0.54 0.44 0.11 0.87 0.24 0.32 0.34 0.22 0.35 0.54 0.11 0.56 0.11 0.58 0.23 -0.12 0.91 0.22 0.24 0.34 0.34 0.39 0.31 0.69 0.67 0.56 0.56 0.55 0.91 … 0.23 0.54 0.93 0.23 0.56 0.67 0.51 0.22 0.68 0.67 0.77 0.91 0.34 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 … 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ 1010 × Dimemb /per month
- 55. Case1 Dimemb Word Vector 0.12 0.32 0.67 0.71 0.54 0.23 0.11 0.67 0.91 0.25 0.12 0.42 0.54 0.44 0.11 0.87 0.24 0.32 0.34 0.22 0.35 0.54 0.11 0.56 0.11 0.58 0.23 -0.12 0.91 0.22 0.24 0.34 0.34 0.39 0.31 0.69 0.67 0.56 0.56 0.55 0.91 … 0.23 0.54 0.93 0.23 0.56 0.67 0.51 0.22 0.68 0.67 0.77 0.91 0.34 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 … 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [
- 56. Case1 Dimemb Word Vector 0.12 0.32 0.67 0.71 0.54 0.23 0.11 0.67 0.91 0.25 0.12 0.42 0.54 0.44 0.11 0.87 0.24 0.32 0.34 0.22 0.35 0.54 0.11 0.56 0.11 0.58 0.23 -0.12 0.91 0.22 0.24 0.34 0.34 0.39 0.31 0.69 0.67 0.56 0.56 0.55 0.91 … 0.23 0.54 0.93 0.23 0.56 0.67 0.51 0.22 0.68 0.67 0.77 0.91 0.34 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 … 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [
- 57. Case2 Dimemb Word Vector 0.12 0.32 0.67 0.71 0.54 0.23 0.11 0.67 0.91 0.25 0.12 0.42 0.54 0.44 0.11 0.87 0.24 0.32 0.34 0.22 0.35 0.54 0.11 0.56 0.11 0.58 0.23 -0.12 0.91 0.22 0.24 0.34 0.34 0.39 0.31 0.69 0.67 0.56 0.56 0.55 0.91 … 0.23 0.54 0.93 0.23 0.56 0.67 0.51 0.22 0.68 0.67 0.77 0.91 0.34 台灣銀⾏提款199 元 國泰世華銀⾏提款199元 富邦銀⾏提款199元 ⽟⼭銀⾏提款199元 … ⼟地銀⾏提款199 元 台新銀⾏提款199元 華南銀⾏提款199 元 花旗銀⾏提款199 元 [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ 王道銀⾏提款199元
- 58. 怎麼把⾏為定義成好的⽂字
- 59. 如何定義⽂字 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 在 其他 消費 3位數 在 Uber 消費 3位數 在星巴克授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 其他 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳帳單3位數 原⾏為歷程表⽰ 顆粒度重整-1 顆粒度重整-2 在 MOMO 消費 3位數 在 Uber 消費 3位數 在星巴克信義店授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 MOMO 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳信⽤卡帳單3位數
- 60. 如何定義⽂字 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 在 其他 消費 3位數 在 Uber 消費 3位數 在星巴克授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 其他 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳帳單3位數 原⾏為歷程表⽰ 顆粒度重整-1 顆粒度重整-2 在 MOMO 消費 3位數 在 Uber 消費 3位數 在星巴克信義店授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 MOMO 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳信⽤卡帳單3位數
- 61. 如何定義⽂字 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 2019-08-07 08:41 在 其他 消費 3位數 在 Uber 消費 3位數 在星巴克授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 其他 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳帳單3位數 原⾏為歷程表⽰ 顆粒度重整-1 顆粒度重整-2 在 MOMO 消費 3位數 在 Uber 消費 3位數 在星巴克信義店授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 MOMO 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳信⽤卡帳單3位數
- 62. 如何定義⽂字 信⽤卡刷卡 信⽤卡刷卡 信⽤卡刷卡 信⽤卡刷卡 信⽤卡刷卡 信⽤卡刷卡 信⽤卡刷卡 官網瀏覽 信⽤卡帳單 顆粒度重整-3 在 MOMO 消費 195 元 在 Uber 消費 185 元 在星巴克信義店授權失敗 在新光三越消費 184 元 在好市多消費 2145 元 在 MOMO 消費 299 元 在新光三越消費 499元 官網瀏覽長榮機票 在全家繳信⽤卡帳單200元 在 其他 消費 3位數 在 Uber 消費 3位數 在星巴克授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 其他 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳帳單3位數 原⾏為歷程表⽰ 顆粒度重整-1 顆粒度重整-2 在 MOMO 消費 3位數 在 Uber 消費 3位數 在星巴克信義店授權失敗 在新光三越消費 3位數 在好市多消費 4位數 在 MOMO 消費 3位數 在新光三越消費 3位數 官網瀏覽長榮機票 在全家繳信⽤卡帳單3位數
- 63. 授權 授權是否成功 授權回應敘述 拒絕原因敘述 是否沖正 原始幣別 店家所在國家 折台幣⾦額 授權型態 是否實體卡片⽀付 信⽤卡正附卡 卡種, 卡等 帳單 上期是否繳清 是否⾃動扣繳 本期應繳總額 最低應繳⾦額 預借現⾦ 循環利息 繳款 繳款通路店家 是否為⾃動扣繳 折台幣⾦額 該期繳款第幾次 逾期繳款天數 flag 是否逾期繳款 進件 交易型態 申請書類型 進件通路 進件敘述 是否申請附卡 是否申請商務卡 是否申請 combo 正卡 是否申請 combo 附卡 領卡⽅式 申辦電⼦帳單 指定⾃動扣繳銀⾏ 電話照會原因 信⽤卡年費 信⽤卡類 信⽤卡別 開卡 開卡通路 發卡原因 活動登錄 登錄通路別 登錄專案描述 紅利異動 交易型態 紅利種類 兌換管道 交易描述 異動點數(+)(-) 是否有⾃付⾦額 現⾦回饋新增 請款 交易型態 原始幣別 店家所在國家 折台幣⾦額 MCC 敘述 信⽤卡正附卡 卡種, 卡等 包含分期前單筆消費 客⼾歷程資料: 調整⾏為顆粒度
- 64. 授權 授權結果 拒絕原因 原始幣別 店家的國家 折台幣⾦額 ⼿機⽀付 實體卡片 卡種 卡等 event twd_amt_ flag txn_au_re sp_desc txn_decli ne_desc txn_curre ncy_code merchant_l ocation_co untry_code card_type card_level payment _desc is_physi cal_card event_p ercent creditcard_autho rization positive-4- digits Approved Not Declined TWD TW 9.Costco聯名卡 ⼀般卡 Normal TRUE 10.24% creditcard_autho rization positive-4- digits Approved Not Declined TWD TW 13.台塑聯名卡 ⼀般卡 Normal TRUE 7.45% creditcard_autho rization positive-3- digits Approved Not Declined TWD TW 9.Costco聯名卡 ⼀般卡 Normal TRUE 6.85% creditcard_autho rization positive-4- digits Approved Not Declined TWD TW 1.Bank Card ⼀般卡 Normal TRUE 3.91% creditcard_autho rization positive-3- digits Approved Not Declined TWD TW 1.Bank Card ⼀般卡 Normal TRUE 3.62% 客⼾歷程資料: 調整⾏為顆粒度 A95276897788609 A95276897788609 A95276897788609
- 66. Recalibrated Behavior Vector Dimemb Word Vector 0.12 0.32 0.71 0.54 0.23 0.11 0.91 0.12 0.42 0.44 0.24 0.32 0.34 0.22 0.54 0.11 0.56 -0.12 0.91 0.22 0.24 0.34 0.39 0.31 0.69 [ [ [ [ [ [ [ [ [ [ [ [ 4 × 104 × Dimemb/per month
- 67. 1. Word Vector + Visualization 2. Modeling Convolutional Neural Networks for Sentence Classification Word embedding 應⽤
- 68. 1. Word Vector + Visualization 2. Modeling Convolutional Neural Networks for Sentence Classification Word embedding 應⽤
- 69. Agenda 01 The importance of Sequential Information ✦ Behavior ✦ Sequence 02 NLP: World of word embedding 04 Case- CIP ✦ Advanced Preprocessing- How we define “word” ✦ Modeling ✦ Preprocessing- How we define “word” 03 Case- MyRewards ✦ Embedding- Better representations of a word ✦ Application- 1. Visualization 2. Modeling ✦ Problem
- 70. 2019/10/01 01 02 03 04 01 02 03 04 05 06 07 08 09 Day Hour ⽤KOKO COMBO卡在PCHOME消費18650元 2018/10/01 02:03 - 信⽤卡交易 ⾦融 ⾏為 ⽤Costco聯名卡在好市多內湖店消費2145元 2018/10/03 00:48 - 信⽤卡交易 ⾦融 ⾏為 CTI CTI CTI ⽤台塑聯名卡在新店加油站消費487元 2018/10/01 04:48 - 信⽤卡交易 ⾦融 ⾏為 2018-10-01 08:58 在其他商家消費3位數 2016-9-23 01:42 官網瀏覽機票 2018-9-25 17:24 在全家繳信⽤卡帳單3位數 … 2018-10-01 03:51 在其他商家消費3位數 2017-9-25 17:24 在MOMO消費5位數 … … 2017-9-25 17:24 在YAHOO消費5位數 定義模型訓練⽅式 過去⼀個⽉內⾏為
- 71. 模型輸入 x1 x2 xn 2019-08-07 17:45 進線客服: 信⽤卡異常 2019-08-07 08:41 在 Uber 消費3位數 2019-08-07 16:39 在星巴克信義店消費 授權失敗 2018-10-12 15:19 信⽤卡開卡 2018-10-01 18:41 在好市多消費4位數 2018-10-02 09:23 進線客服申請信⽤卡掛失 … 2018-01-23 15:11 在新光三越消費3位數 2017-9-23 01:42 官網瀏覽長榮機票 2017-9-25 17:24 在全家繳信⽤卡帳單3位數 … 下⼀通進線問題
- 72. Attention Model Fig. from HuggingFace DeepMoji model 進線問題 *24 xAgg x1 x2 x3 xN…
- 73. Attention Model Fig. from HuggingFace DeepMoji model 進線問題 *24 xAgg x1 x2 x3 xN…
- 74. Attention Score a1 = 0.7 a2 = 0.2 a3 = 0.1 信⽤卡授權, 授權結果 拒絕原因, 原始幣別 店家的國家, 折台幣⾦額 ⼿機⽀付, 實體卡片 卡種,卡等 信⽤卡帳單, 應繳總額, 最低應繳⾦額, 上期是否繳清 循 環利息, 預借現⾦, 是否⾃動扣繳, 繳款截⽌⽇ 交易型態, 紅利種類 兌換管道, 異動點數/⾥程 預借現⾦
- 75. Attention Score a1 = 0.7 a2 = 0.2 a3 = 0.1 信⽤卡授權, 授權結果 拒絕原因, 原始幣別 店家的國家, 折台幣⾦額 ⼿機⽀付, 實體卡片 卡種,卡等 信⽤卡帳單, 應繳總額, 最低應繳⾦額, 上期是否繳清 循 環利息, 預借現⾦, 是否⾃動扣繳, 繳款截⽌⽇ 交易型態, 紅利種類 兌換管道, 異動點數/⾥程 預借現⾦
- 76. 模型成效 AUC
- 77. 模型成效 AUC
- 78. In Progress
- 79. Self Attention Fig. from Jay Alammar
- 81. Applications … Anything related to Sequence ALPHA Chatbot MyRewards Recommender System Fraud Detection
- 82. 結論 Sequential behavior is all you need