基于数十亿笔支付卡交易刻画美国餐厅画像

支付卡（如借记卡或信用卡）是最便捷的购买商品与服务支付方式之一。全球每日发生数亿笔卡交易，生成海量交易数据。这些数据呈现了持卡人–商户交互的整体视图，包含可惠及支付欺诈检测与商户推荐等各类应用的洞察。然而，利用这些洞察常需数据所有者（即支付公司）视角下缺失的商户附加信息。例如，支付公司不知晓商户所售产品的确切类型。出于商业目的从外部来源收集商户属性可能代价高昂。受此限制驱动，我们旨在从交易数据推断潜在商户属性。作为概念验证，我们聚焦于餐厅，并从交易中推断餐厅的菜系类型。为此，我们提出一个从交易数据推断餐厅菜系类型的框架。我们提出的框架包含三步。第一步，我们通过弱监督为有限数量的餐厅生成菜系标签。第二步，我们从餐厅交易中提取多种统计特征与神经嵌入。第三步，我们使用深度神经网络（DNNs）推断其余餐厅的菜系类型。所提框架在对美国餐厅分类时达到 76.2% 准确率。据我们所知，这是首个仅以交易数据为唯一来源推断餐厅菜系类型的框架。