CN109191133B - 支付渠道的选择方法及终端设备 - Google Patents
支付渠道的选择方法及终端设备 Download PDFInfo
- Publication number
- CN109191133B CN109191133B CN201810961261.8A CN201810961261A CN109191133B CN 109191133 B CN109191133 B CN 109191133B CN 201810961261 A CN201810961261 A CN 201810961261A CN 109191133 B CN109191133 B CN 109191133B
- Authority
- CN
- China
- Prior art keywords
- payment
- payment channel
- user
- channel
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/405—Establishing or using transaction specific rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/227—Payment schemes or models characterised in that multiple accounts are available, e.g. to the payer
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明适用于数据处理技术领域,提供了一种支付渠道的选择方法及终端设备,通过获取目标金融产品的产品信息,检测该金融产品是否含有渠道标签,在不含有渠道标签时,获取一个以上支付渠道的分类超平面,通过各个分类超平面判断目标金融产品是否符合各个支付渠道的第一支付条件;若目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过目标金融产品的用户作为参考用户,并基于目标用户的用户信息以及参考用户的用户信息,计算目标用户与各个参考用户的相似度,将与目标用户的相似度最高的参考用户的支付渠道作为被选支付渠道,以提高对支付渠道筛选的自动化程度以及准确性。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种支付渠道的选择方法及终端设备。
背景技术
随着金融业的发展,人们的生活越来越多地与各种金融产品紧密地联系在了一起。众所周知,目前市面上大多数的消费金融类贷款公司会接入多家支付渠道,而不同的支付渠道可能为用户带来收益和风险的影响,所以存在着不同的金融产品有其最适合的支付渠道的情况。
然而,当前在金融领域尤其是支付领域,往往都是用户手动任意选择一个支付渠道,存在自动化程度低,选择不合理的问题。
发明内容
有鉴于此,本发明实施例提供了一种支付渠道的选择方法及终端设备,以解决现有技术在支付时存在的支付渠道选择不合理的问题。
本发明实施例的第一方面提供了一种支付渠道的选择方法,包括:
确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;
若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;
若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;
获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
本发明实施例的第二方面提供了一种终端设备,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如下步骤:
确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;
若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;
若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;
获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
进一步地,还包括:
选取一个以上的支付渠道,并获取所述支付渠道对应的金融产品数据集,所述支付渠道对应的金融产品数据集中包含有通过该支付渠道支付的多个金融产品的产品信息;采用主成分分析法对各个所述支付渠道对应的金融产品数据集进行降维处理,生成各个所述支付渠道对应的的主成分矩阵;通过高斯核函数将所述支付渠道对应的主成分矩阵映射到高维特征空间,以生成各个所述支付渠道的训练参数;反复执行以下操作直至计算出全部支付渠道的分类超平面:从一个以上的所述支付渠道中选择一个支付渠道作为候选支付渠道,将所述候选支付渠道对应的训练参数组成正向训练集,将所述候选支付渠道以外的支付渠道对应的训练参数组成负向训练集,并根据所述正向训练集以及所述负向训练集计算出分类超平面。
进一步地,还包括:
若所述目标金融产品的产品信息符合多个支付渠道的第一支付条件,则调取所述目标用户的历史支付记录,并将所述历史支付记录中支付比例最高的支付渠道作为所述被选支付渠道。
进一步地,所述计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为所述被选支付渠道,包括:获取多个所述参考用户的用户信息以及所述参考用户对应的标签;将所述目标用户的用户信息转换为测试矩阵,并将多个所述参考用户的用户信息转换为训练矩阵,并基于所述参考用户对应的标签,建立训练矩阵与标签的对应关系;计算所述测试矩阵到各个训练矩阵的欧式距离;将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签;将所述被选标签对应的支付渠道作为所述被选支付渠道。
进一步地,还包括:
当通过所述被选支付渠道支付失败后,显示支付失败界面,所述支付失败界面展示有供用户选择的支付渠道信息。
在本发明实施例中,通过获取目标金融产品的产品信息,检测该金融产品是否含有渠道标签,在不含有渠道标签时,获取一个以上支付渠道的分类超平面,通过各个分类超平面判断目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;若目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过目标金融产品的用户作为参考用户,并将各个参考用户购买金融产品时使用的支付渠道作为各个参考用户的标签;基于目标用户的用户信息以及参考用户的用户信息,计算目标用户与各个参考用户的相似度,将与目标用户的相似度最高的参考用户的支付渠道作为被选支付渠道,以提高对支付渠道筛选的自动化程度以及准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的支付渠道的选择方法的实现流程图;
图2是本发明实施例提供的支付渠道的分类超平面的生成方法的实现流程图;
图3是本发明实施例提供的支付渠道的选择方法S107的具体实现流程图;
图4是本发明实施例提供的支付渠道的选择装置的结构框图;
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的支付渠道的选择方法的实现流程,该方法流程包括步骤S101至S107。各步骤的具体实现原理如下。
S101:确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签。
在本发明实施例中,以金融产品为例,每一个金融产品都含有一组对应的产品信息,这些产品信息用于介绍金融产品的收益率、准入条件、适用领域等,其中,部分金融产品的产品信息中还含有渠道标签,这些渠道标签用于确定该金融产品适合用何种支付渠道进行支付。
可以理解地,在现实支付过程中,存在有多种支付渠道,由于一些金融产品是与某一个支付渠道有关联绑定,若用该支付渠道进行支付,则手续费较低,或无法使用其他支付渠道进行支付,因此需要预先为部分金融产品的产品信息中添加渠道标签。
值得注意地,并非所有的金融产品的产品信息中都有渠道标签,所以在本发明实施例中,需要首先检测和判断目标用户选择的目标金融产品的产品信息中是否含有渠道标签。
S102,若所述目标金融产品的产品信息中含有所述渠道标签,则通过所述渠道标签对应的支付渠道对所述目标金融产品进行支付。
可以理解地,当一个目标金融产品的产品信息中已经包含有渠道标签后,则不需要进一步地计算步骤,可以直接选用该渠道标签所指向的支付渠道对所述目标金融产品进行支付。
S103,若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件。
在本发明实施例中,考虑到应用场景的两个特性,特性一:任何一个金融产品对于一个支付渠道而言只存在两种可能:即第一满足该支付渠道的第一支付条件,或第二不满足该支付渠道的第一支付条件。特征二:可选的支付渠道的数量是有限的,而且在实际生活中,支付渠道的数量也并不多。所以基于上述两个特性,本发明实施例通过支持向量机算法计算出各个支付渠道的分类超平面,并通过各个支付渠道的分类超平面对目标金融产品进行分类,若为正向分类,则证明该目标金融产品符合该支付渠道的第一支付条件,若为负向分类,则证明该目标金融产品不符合该支付渠道的第一支付条件。
可以理解地,由于各个支付渠道的分类超平面都是可以预先计算出的,在每次对支付渠道进行选择时可以直接调用,所以通过上述的方法对支付渠道进行筛选可以减少筛选时的计算量。例如,可以直接调用A支付渠道对应的分类超平面,以判断目标金融产品是否符合A支付渠道的第一支付条件。
作为本发明的一个实施例,还具体提供了一个针对各个支付渠道的分类超平面的生成方法,如图2所示,详述如下:
S201:选取一个以上的支付渠道,并获取所述支付渠道对应的金融产品数据集,所述支付渠道对应的金融产品数据集中包含有通过该支付渠道支付的多个金融产品的产品信息。
在本发明实施例中,需要将多个支付渠道作为候选支付渠道,例如:A支付渠道、B支付渠道以及C支付渠道等等,并调取这些支付渠道的金融产品数据集,这些金融产品数据集中都包含有历史上一定时间段内通过该支付渠道支付的多个金融产品的产品信息。
S202:采用主成分分析法对各个所述支付渠道对应的金融产品数据集进行降维处理,生成各个所述支付渠道对应的主成分矩阵。
在本发明实施例中,由于考虑到一个支付渠道的金融产品数据集转换成矩阵形式后,维度过大,不利于后续的计算速度,所以可以通过PCA算法提取各个支付渠道的主成分,以生成各个支付渠道的主成分矩阵。
S203:通过高斯核函数将所述支付渠道对应的主成分矩阵映射到高维特征空间,以生成各个所述支付渠道的训练参数。
可选地,计算所有支付渠道的主成分矩阵的平均值,生成平均主成分矩阵,并通过公式计算各个支付渠道的训练参数,其中,Pi表示支付渠道i的训练参数,Xi表示支付渠道的i的主成分矩阵,X’表示平均主成分矩阵,δ表示Xi与X’的协方差矩阵。
S204,反复执行以下操作直至计算出全部支付渠道的分类超平面:从一个以上的所述支付渠道中选择一个支付渠道作为候选支付渠道,将所述候选支付渠道对应的训练参数组成正向训练集,将所述候选支付渠道以外的支付渠道对应的训练参数组成负向训练集,并根据所述正向训练集以及所述负向训练集计算出分类超平面。
可选地,可以将一个支付渠道对应的正向训练集以及负向训练集一起输入支持向量机模型中,计算出该支付渠道的分类超平面。
值得注意地,上述分类超平面的计算过程可以在确定目标用户选择的目标金融产品之前进行,即多个支付渠道对应的分类超平面可以是预先计算,并存储在终端设备中。
值得注意地,在本发明实施例中,若经过支持向量机的计算,一个目标金融产品的产品在一个支付渠道的分类超平面的正向,则判定该金融产品的产品信息符合该支付渠道的第一支付条件;反之,若经过支持向量机的计算,一个目标金融产品的产品在一个支付渠道的分类超平面的负向,则判定该金融产品的产品信息不符合该支付渠道的第一支付条件。
可以理解地,经过上述计算,目标金融产品存在3中可能,分别为,第一:目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件;第二:目标金融产品的产品信息只符合一个支付渠道的第一支付条件;第三:目标金融产品的产品信息符合多个支付渠道的第一支付条件。本发明实施例针对上述3中可能,各提供一个后续计算步骤,详述如下:
S104,若所述目标金融产品的产品信息符合多个支付渠道的第一支付条件,则调取所述目标用户的历史支付记录,并将所述历史支付记录中支付比例最高的支付渠道作为所述被选支付渠道。
S105,若所述目标金融产品的产品信息只符合一个支付渠道的第一支付条件,则将该支付渠道直接作为被选支付渠道。
S106,若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签。
可以理解地,在本发明实施例中,如果目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,并不代表该目标金融产品不能通过这些支付渠道进行支付,只是代表在第一轮筛选过程中,没有基于第一支付条件确定出最合适的支付渠道,因此需要进一步地选择过程。在本发明实施例中,需要参考历史上购买过该目标金融产品的用户所使用的支付渠道,以选择出该目标用户在购买目标金融产品时适合的支付渠道。
S107,获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
作为本发明的一个实施例,如图3所示,上述S107包括:
S1071:获取多个所述参考用户的用户信息以及所述参考用户对应的标签。
S1072:将所述目标用户的用户信息转换为测试矩阵,并将多个所述参考用户的用户信息转换为训练矩阵,并基于所述参考用户对应的标签,建立训练矩阵与标签的对应关系。
可选地,将目标用户的用户信息转换为测试矩阵或参考用户的用户信息转换为训练矩阵,都可以通过将不同类型的数据存入矩阵中不同的预设对应位置,若某个类型的数据不为数字,可以按照预设的数据与数字的对应关系,将数据转化为数字后存入矩阵的预设位置中。
可以理解地,当参考用户的用户信息转换为训练矩阵后,需要按照参考用户对应的标签为各个训练矩阵进行标签的标注。
S1073:计算所述测试矩阵到各个训练矩阵的欧式距离。
在本发明实施例中,通过计算测试矩阵到各个训练矩阵的欧式距离,可以确定目标用户与各个参考用户的相似度。
S1074,将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签。
S1075,将所述被选标签对应的支付渠道作为所述被选支付渠道。
可以理解地,通过将参考用户的用户信息转换为训练矩阵,再计算训练矩阵与测试矩阵的欧式距离,以确定目标用户与各个参考用户的接近程度,从而将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签,使得本发明实施例可以在多个第一支付条件不符合目标金融产品的支付渠道中,选择一个最适当的支付渠道即一个被最相似的用户使用的支付渠道。
可选地,当通过所述被选支付渠道支付失败后,显示支付失败界面,所述支付失败界面展示有供用户选择的支付渠道信息。
在本发明实施例中,通过获取目标金融产品的产品信息,检测该金融产品是否含有渠道标签,在不含有渠道标签时,获取一个以上支付渠道的分类超平面,通过各个分类超平面判断目标金融产品是否符合各个支付渠道的第一支付条件;若目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过目标金融产品的用户作为参考用户,并将各个参考用户购买金融产品时使用的支付渠道作为各个参考用户的标签;基于目标用户的用户信息以及参考用户的用户信息,计算目标用户与各个参考用户的相似度,将与目标用户的相似度最高的参考用户的支付渠道作为被选支付渠道,以提高对支付渠道筛选的自动化程度以及准确性。
对应于上文实施例所述的支付渠道的选择方法,图4示出了本发明实施例提供的支付渠道的选择装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。
参照图4,该装置包括:
检测模块401,用于确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;
判断模块402,用于若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;
执行模块403,用于若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;
计算模块404,用于获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
可选地,所述装置还包括:
选取模块,用于选取一个以上的支付渠道,并获取所述支付渠道对应的金融产品数据集,所述支付渠道对应的金融产品数据集中包含有通过该支付渠道支付的多个金融产品的产品信息;
降维模块,用于采用主成分分析法对各个所述支付渠道对应的金融产品数据集进行降维处理,生成各个所述支付渠道对应的的主成分矩阵;
映射模块,用于通过高斯核函数将所述支付渠道对应的主成分矩阵映射到高维特征空间,以生成各个所述支付渠道的训练参数;
重复执行模块,用于反复执行以下操作直至计算出全部支付渠道的分类超平面:从一个以上的所述支付渠道中选择一个支付渠道作为候选支付渠道,将所述候选支付渠道对应的训练参数组成正向训练集,将所述候选支付渠道以外的支付渠道对应的训练参数组成负向训练集,并根据所述正向训练集以及所述负向训练集计算出分类超平面。
所述装置还包括:
调用模块,用于若所述目标金融产品的产品信息符合多个支付渠道的第一支付条件,则调取所述目标用户的历史支付记录,并将所述历史支付记录中支付比例最高的支付渠道作为所述被选支付渠道。
所述计算模块包括:
获取标签子模块,用于获取多个所述参考用户的用户信息以及所述参考用户对应的标签;
转换子模块,用于将所述目标用户的用户信息转换为测试矩阵,并将多个所述参考用户的用户信息转换为训练矩阵,并基于所述参考用户对应的标签,建立训练矩阵与标签的对应关系;
距离计算子模块,用于计算所述测试矩阵到各个训练矩阵的欧式距离;
标定子模块,用于将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签;
选择子模块,用于将所述被选标签对应的支付渠道作为所述被选支付渠道。
可选地,所述装置还包括:
显示子模块,用于当通过所述被选支付渠道支付失败后,显示支付失败界面,所述支付失败界面展示有供用户选择的支付渠道信息。
图5是本发明一实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52,例如支付渠道的选择程序。所述处理器50执行所述计算机程序52时实现上述各个支付渠道的选择方法实施例中的步骤,例如图1所示的步骤101至107。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示单元401至404的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种支付渠道的选择方法,其特征在于,包括:
确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;
若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;
若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;
获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
2.如权利要求1所述的支付渠道的选择方法,其特征在于,还包括:
选取一个以上的支付渠道,并获取所述支付渠道对应的金融产品数据集,所述支付渠道对应的金融产品数据集中包含有通过该支付渠道支付的多个金融产品的产品信息;
采用主成分分析法对各个所述支付渠道对应的金融产品数据集进行降维处理,生成各个所述支付渠道对应的的主成分矩阵;
通过高斯核函数将所述支付渠道对应的主成分矩阵映射到高维特征空间,以生成各个所述支付渠道的训练参数;
反复执行以下操作直至计算出全部支付渠道的分类超平面:从一个以上的所述支付渠道中选择一个支付渠道作为候选支付渠道,将所述候选支付渠道对应的训练参数组成正向训练集,将所述候选支付渠道以外的支付渠道对应的训练参数组成负向训练集,并根据所述正向训练集以及所述负向训练集计算出分类超平面。
3.如权利要求1所述的支付渠道的选择方法,其特征在于,还包括:
若所述目标金融产品的产品信息符合多个支付渠道的第一支付条件,则调取所述目标用户的历史支付记录,并将所述历史支付记录中支付比例最高的支付渠道作为所述被选支付渠道。
4.如权利要求1所述的支付渠道的选择方法,其特征在于,所述计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为所述被选支付渠道,包括:
获取多个所述参考用户的用户信息以及所述参考用户对应的标签;
将所述目标用户的用户信息转换为测试矩阵,并将多个所述参考用户的用户信息转换为训练矩阵,并基于所述参考用户对应的标签,建立训练矩阵与标签的对应关系;
计算所述测试矩阵到各个训练矩阵的欧式距离;
将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签;
将所述被选标签对应的支付渠道作为所述被选支付渠道。
5.如权利要求1所述的支付渠道的选择方法,其特征在于,还包括:
当通过所述被选支付渠道支付失败后,显示支付失败界面,所述支付失败界面展示有供用户选择的支付渠道信息。
6.一种终端设备,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如下步骤:
确定目标用户选择的目标金融产品,获取所述目标金融产品的产品信息,检测所述目标金融产品的产品信息中是否含有渠道标签;
若所述目标金融产品的产品信息中不含有所述渠道标签,则获取一个以上支付渠道的分类超平面,通过各个支付渠道的所述分类超平面判断所述目标金融产品的产品信息是否符合各个支付渠道的第一支付条件;
若所述目标金融产品的产品信息不符合任何一个支付渠道的第一支付条件,则调取多个购买过所述目标金融产品的用户作为参考用户,并将各个所述参考用户购买所述金融产品时使用的支付渠道作为各个所述参考用户的标签;
获取所述目标用户以及所述参考用户的用户信息,并基于所述目标用户的用户信息以及所述参考用户的用户信息,计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为被选支付渠道。
7.如权利要求6所述的终端设备,其特征在于,还包括:
选取一个以上的支付渠道,并获取所述支付渠道对应的金融产品数据集,所述支付渠道对应的金融产品数据集中包含有通过该支付渠道支付的多个金融产品的产品信息;
采用主成分分析法对各个所述支付渠道对应的金融产品数据集进行降维处理,生成各个所述支付渠道对应的的主成分矩阵;
通过高斯核函数将所述支付渠道对应的主成分矩阵映射到高维特征空间,以生成各个所述支付渠道的训练参数;
反复执行以下操作直至计算出全部支付渠道的分类超平面:从一个以上的所述支付渠道中选择一个支付渠道作为候选支付渠道,将所述候选支付渠道对应的训练参数组成正向训练集,将所述候选支付渠道以外的支付渠道对应的训练参数组成负向训练集,并根据所述正向训练集以及所述负向训练集计算出分类超平面。
8.如权利要求6所述的终端设备,其特征在于,还包括:
若所述目标金融产品的产品信息符合多个支付渠道的第一支付条件,则调取所述目标用户的历史支付记录,并将所述历史支付记录中支付比例最高的支付渠道作为所述被选支付渠道。
9.如权利要求6所述的终端设备,其特征在于,所述计算所述目标用户与各个所述参考用户的相似度,将与所述目标用户的相似度最高的所述参考用户的标签对应的支付渠道作为所述被选支付渠道,包括:
获取多个所述参考用户的用户信息以及所述参考用户对应的标签;
将所述目标用户的用户信息转换为测试矩阵,并将多个所述参考用户的用户信息转换为训练矩阵,并基于所述参考用户对应的标签,建立训练矩阵与标签的对应关系;
计算所述测试矩阵到各个训练矩阵的欧式距离;
将与所述测试矩阵的欧式距离最小的训练矩阵对应的标签作为被选标签;
将所述被选标签对应的支付渠道作为所述被选支付渠道。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810961261.8A CN109191133B (zh) | 2018-08-22 | 2018-08-22 | 支付渠道的选择方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810961261.8A CN109191133B (zh) | 2018-08-22 | 2018-08-22 | 支付渠道的选择方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191133A CN109191133A (zh) | 2019-01-11 |
CN109191133B true CN109191133B (zh) | 2023-04-28 |
Family
ID=64919099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810961261.8A Active CN109191133B (zh) | 2018-08-22 | 2018-08-22 | 支付渠道的选择方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191133B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858894A (zh) * | 2019-01-16 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 一种支付结果通知方法、装置、可读存储介质及服务器 |
CN109858900A (zh) * | 2019-01-21 | 2019-06-07 | 中国平安财产保险股份有限公司 | 一种支付信息推送方法、装置及终端设备 |
CN110060041A (zh) * | 2019-03-13 | 2019-07-26 | 平安普惠企业管理有限公司 | 支付渠道接入方法、系统、计算机设备及可读存储介质 |
CN110245934B (zh) * | 2019-04-26 | 2023-11-24 | 创新先进技术有限公司 | 支付渠道的推荐方法和装置 |
CN111145032A (zh) * | 2019-11-25 | 2020-05-12 | 泰康保险集团股份有限公司 | 投保支付页面生成方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014193519A1 (en) * | 2013-05-31 | 2014-12-04 | Lord, Richard T. | Methods and systems for agnostic payment systems |
CN106651357A (zh) * | 2016-11-16 | 2017-05-10 | 网易乐得科技有限公司 | 一种支付方式推荐方法和设备 |
CN107871234A (zh) * | 2017-09-25 | 2018-04-03 | 上海壹账通金融科技有限公司 | 电子支付方法及应用服务器 |
CN108022087A (zh) * | 2017-11-22 | 2018-05-11 | 深圳市牛鼎丰科技有限公司 | 支付数据处理方法、装置、存储介质和计算机设备 |
CN108090759A (zh) * | 2017-12-26 | 2018-05-29 | 谢奉见 | 一种支付渠道智能路由算法 |
CN108399195A (zh) * | 2018-01-29 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 支付渠道的推荐方法及装置 |
-
2018
- 2018-08-22 CN CN201810961261.8A patent/CN109191133B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014193519A1 (en) * | 2013-05-31 | 2014-12-04 | Lord, Richard T. | Methods and systems for agnostic payment systems |
CN106651357A (zh) * | 2016-11-16 | 2017-05-10 | 网易乐得科技有限公司 | 一种支付方式推荐方法和设备 |
CN107871234A (zh) * | 2017-09-25 | 2018-04-03 | 上海壹账通金融科技有限公司 | 电子支付方法及应用服务器 |
CN108022087A (zh) * | 2017-11-22 | 2018-05-11 | 深圳市牛鼎丰科技有限公司 | 支付数据处理方法、装置、存储介质和计算机设备 |
CN108090759A (zh) * | 2017-12-26 | 2018-05-29 | 谢奉见 | 一种支付渠道智能路由算法 |
CN108399195A (zh) * | 2018-01-29 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 支付渠道的推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
王强.农民工银行卡特色服务交易的若干特点.《中国信用卡》.2008,第44-47页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109191133A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191133B (zh) | 支付渠道的选择方法及终端设备 | |
KR101879416B1 (ko) | 이상 금융거래 탐지 방법 및 그 전자 장치 | |
US11640707B2 (en) | Reducing scale estimate errors in shelf images | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN110348412B (zh) | 一种关键点定位方法、装置、电子设备及存储介质 | |
CN111242318B (zh) | 基于异构特征库的业务模型训练方法及装置 | |
US20200380524A1 (en) | Transaction feature generation | |
WO2020140681A1 (zh) | 数值计算方法、装置、计算机设备和存储介质 | |
CN112884547A (zh) | 一种商品智能推荐方法、装置、介质及终端设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
WO2020155831A1 (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN113435499B (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN111028042A (zh) | 一种商品价格的变更方法、装置、设备及存储介质 | |
CN108985755B (zh) | 一种账号状态识别方法、装置及服务器 | |
CN110275880B (zh) | 数据分析方法、装置、服务器及可读存储介质 | |
CN109857816B (zh) | 测试样本的选取方法及装置、存储介质、电子设备 | |
CN116010707A (zh) | 商品价格异常识别方法、装置、设备和存储介质 | |
CN111598638A (zh) | 点击率确定方法、装置及设备 | |
CN112085063B (zh) | 一种目标识别方法、装置、终端设备及存储介质 | |
CN110956209B (zh) | 模型训练和预测方法、装置、电子设备及存储介质 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
CN110287943B (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
CN113504865A (zh) | 工单标签添加方法、装置、设备及存储介质 | |
CN114820003A (zh) | 定价信息异常识别方法、装置、电子设备及存储介质 | |
CN116188802B (zh) | 数据标注方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |