CN109255606A - 默认支付工具的推荐方法、装置及支付终端 - Google Patents

Abstract

本说明书实施例提供了一种默认支付工具的推荐方法、装置及支付终端，先以接收第一用户的支付请求，获得在当前支付场景下的当前支付数据，再根据所述当前支付数据和所述第一用户所属的第一用户群体，确定所述第一用户群体在所述当前支付场景下的最优支付工具，保证了最优支付工具适合于第一用户群体中的第一用户，从而保证了推荐给第一用户的最优支付工具的可靠性较高，实现了提供一种更可靠的默认支付工具的推荐方式的目的。

Description

默认支付工具的推荐方法、装置及支付终端

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种默认支付工具的推荐方法、装置及支付终端。

背景技术

目前，移动支付越来越普遍，用户通过手机、平板电脑等终端即能够完成支付。在实际支付过程中，用户可能使用多种支付工具中的一种来进行支付，目前可以根据用户预先设定的默认支付工具进行轮询，若优先级最高的一种支付工具无法完成支付，则切换到优先级次高的一种支付工具进行支付。

随着用户的支付工具越来越多，这种支付工具的切换方式显得越来越死板，例如，某一用户拥有多张不同银行的信用卡，每月按不同的消费区间选择相应银行的信用卡进行支付，这明显无法满足用户的需要。因此亟需提供一种更可靠的默认支付工具的推荐方式。

发明内容

本说明书实施例提供及一种默认支付工具的推荐方法、装置及支付终端。

第一方面，本说明书实施例提供一种默认支付工具的推荐方法，包括：

接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；

根据所述当前支付数据和所述第一用户所属的第一用户群体，确定所述第一用户群体在所述当前支付场景下的最优支付工具；

响应所述支付请求，呈现支付确认界面，所述支付确认界面中推荐的默认支付工具为所述最优支付工具。

第二方面，本说明书实施例提供一种默认支付工具的推荐装置，包括：

获得单元，用于接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；

确定单元，用于根据所述当前支付数据和所述第一用户所属的第一用户群体，确定所述第一用户群体在所述当前支付场景下的最优支付工具；

呈现单元，用于响应所述支付请求，呈现支付确认界面，所述支付确认界面中推荐的默认支付工具为所述最优支付工具。

第三方面，本说明书实施例提供一种支付终端，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，所述处理器执行所述程序时实现上述任一项所述默认支付工具的推荐方法的步骤。

第四方面，本说明书实施例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上述任一项所述默认支付工具的推荐方法的步骤。

本说明书实施例有益效果如下：

本说明书实施例中，利用第一用户所属的第一用户群体来确定推荐给用户在当前支付场景下的最优支付工具，保证了最优支付工具适合于第一用户群体中的第一用户，从而保证了推荐给第一用户的最优支付工具的可靠性较高，实现了提供一种更可靠的默认支付工具的推荐方式的目的。

附图说明

图1为本说明书实施例提供的默认支付工具的推荐方法的流程图；

图2为本说明书实施例提供的默认支付工具的推荐装置的模块图；

图3为本说明书实施例提供的支付终端的结构示意图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

请参见图1，图1为本说明书实施例提供的默认支付工具的推荐方法的流程图，如图1所示，该方法包括：

S1：接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；具体来讲，可以是在第一用户需要进行支付时，例如用户通过终端扫描一个付款二维码而需要进行支付的时候，或者用户通过终端在线购买物品或者服务而需要进行支付的时候，此时即能够获取当前支付场景下的当前支付数据，当前支付数据可以用于表征当前的支付场景，例如当前支付数据可预先以包括是线下支付还是线上支付、支付金额、支付对象类型等等；

S2：根据当前支付数据和第一用户所属的第一用户群体，确定第一用户群体在当前支付场景下的最优支付工具；具体来讲，第一用户群体可以是具有相同支付习惯或相同消费习惯的群体，这样在确定第一用户群体在当前场景下的最优支付工具后，即可以确定第一用户在当前支付场景下的最优支付工具，其中，最优支付工具是指第一用户群体在该支付场景下，使用该支付工具进行支付的概率最高；

S3：响应第一用户的支付请求，呈现支付确认界面，支付确认界面中推荐的默认支付工具为最优支付工具；具体来讲，在通过S1获得当前支付数据和通过S2确定第一用户群体在当前支付场景下的最优支付工具后，即呈现出支付确认界面，该支付确认界面中推荐的默认支付工具为第一用户群体在当前支付场景下的最优支付工具，这样，用户即可以方便地利用该默认支付工具进行支付。

可以看出，利用第一用户所属的第一用户群体来确定推荐给用户在当前支付场景下的最优支付工具，保证了最优支付工具适合于第一用户群体中的第一用户，从而保证了推荐给第一用户的最优支付工具的可靠性较高，实现了提供一种更可靠的默认支付工具的推荐方式的目的。

在接下来的部分中，将详细介绍上述技术方案。

在具体实施过程中，在S1之前，本说明书实施例提供的方法还包括：

预先以包括多个用户的历史支付数据的样本数据进行聚类，获得多个聚类结果，每个聚类结果对应一个用户群体；以及

根据第一用户的历史历史支付数据，确定第一用户群体。

具体来讲，可以采用随机抽样等方法，从一存储用户的历史支付数据的数据库中选取一定数量用户的历史支付数据作为样本数据，例如可以选取一千万用户、两千万用户等等数量的历史支付数据，接着对样本数据进行聚类，聚类方法可以采用K-means算法、均值漂移聚类等等，具体采用哪些特征进行聚类可以根据实际需要进行确定，在此不做限制，这样即可以获得多个聚类结果，每个聚类结果对应一个用户群体，也即将样本数据中的多个用户聚类细分为不同的用户群体。

在具体实施过程中，根据第一用户的历史支付数据，确定第一用户所属的第一用户群体，具体可以是第一用户的历史支付数据就在样本数据中，根据对样本数据的聚类结果即可以确定第一用户群体，也可以是第一用户的历史支付数据在样本数据之外，在获得样本数据的聚类结果之后，即能够根据第一用户的历史支付数据具体与聚类结果中哪一个用户群体最接近，例如可以通过对比或者数据拟合的方式，从而确定第一用户群体，在此就不再赘述了。

在具体实施过程中，每个用户的历史支付数据包括以下数据：余额数据、信贷支付工具种类数据、支付比例数据、消费金额数据、各信用卡平均消费金额以及账期内已用额度。

其中，余额数据包括资产余额和第一时间段内平均余额，第一时间段内平均余额例如可以是30天平均余额或7天平均余额；支付比例数据包括第二时间段内各支付工具支付笔数、第三预设时间段内各支付工具支付上限、第四时间段内各支付工具支付下限、第五时间段内各支付工具线上线下支付比例、第五时间段内线上线下支付金额比例、第六时间段内各支付工具金额比例和第七时间段内各支付工具笔数占比，第二时间段内各支付工具支付笔数例如可以是30天/7天各支付工具支付笔数，第三预设时间段内各支付工具支付上限例如可以是30天/7天各支付工具支付上限，第四时间段内各支付工具支付下限例如可以是30天/7天各支付工具支付下限，第五时间段内线上线下支付金额比例例如可预先以包括30天/7天线上线下支付笔数比例、30天/7天线上线下支付金额比例，第六时间段内各支付工具金额比例例如可以是30天/7天各支付工具金额占比，第七时间段内各支付工具笔数占比例如可以是30天/7天各支付工具笔数占比。

具体来讲，资产余额是指存放于用户账号中的可用资金，例如可以是用户向在各个公司推出的支付工具中存入的资金余额；信贷支付工具可以是各种类型的信用卡，也可以是各个公司推出的支付工具的信用支付方式；过去一年月均消费额是指用户过去一年的消费额度除以十二时获得的数值；推荐采纳率是指推荐最优支付工具给用户时用户使用该最优支付工具进行支付的概率；30天平均余额是指在最近30天内用户账号上的余额；7天平均余额是在最近7天内用户账号上的余额；30天/7天各支付工具支付笔数是指30天或7天各支付工具进行支付的笔数；30天/7天各支付工具支付上限指30天或7天各支付工具进行支付的上限；30天/7天各支付工具支付下限是指30天或7天各支付工具进行支付的下限；30天/7天线上线下支付笔数比例是指30天或7天各支付工具线上线下支付笔数的比例；30天/7天线上线下支付金额比例是指30天或7天各支付工具线上线下支付金额的比例；30天/7天各支付工具金额占比是指30天或7天各支付工具各自支付金额的比例；30天/7天各支付工具笔数占比是指30天或7天各支付工具各自支付笔数的比例、1年信用卡各卡平均消费金额是指1年内各信用卡的平均消费金额；该账期该信用卡已用额度是各个信用卡在各自的账期内的已用额度。当然，上述的历史支付数据的具体参数如时间长度等可以根据实际情况进行调整，在此就不再赘述了。

在本实施例中，可以采用资产余额、是否有信贷支付工具、消费金额数据、推荐采纳率作为特征进行聚类，在此就不再赘述了。

需要说明的是，在实际应用中，本领域技术人员还可以根据实际情况，选择上述的历史支付数据中的一部分，或者增加其他需要数据来保证聚类结果的准确性，以满足实际情况的需要，在此就不再赘述了。

在实际应用中，由于每个用户群体都有各自的支付习惯，例如，针对低于1000元的线上支付场景而言，一用户群体可能会选择使用信用卡进行支付，而另一用户群体可能会选择借记卡进行支付，还有另外一用户群体可能会选择余额资金进行支付等等，所以针对样本数据进行聚类而形成的多个聚类结果而言，每个聚类结果都能够包括对应的用户群体在各个场景下的支付习惯，这样，在获取到第一用户在当前支付场景下的当前支付数据，以及第一用户所属的第一群体后，即能够确定出第一用户群体在当前支付场景下的最优支付工具，从而保证了在当前支付场景下，向第一用户推荐的支付工具的可靠性。

在另一实施例中，还可以采用机器学习算法直接对样本数据进行拟合，例如可以采用基于支持向量机(support vector machines)的机器学习算法等等，这样同样能够获得多个拟合结果，同样地，每个拟合结果对应一个用户群体，具体如何确定第一用户所属的第一用户群体，在前述部分中已经进行了介绍，在此就不再赘述了。与前述部分对样本数据通过聚类获得各个用户群体比较而言，仅仅是将样本数据处理为多个用户群体所采用的方式不一样，这种方式同样能够保证在当前支付场景下，向第一用户推荐的支付工具的可靠性，在此就不再赘述了。

需要说明的是，在具体实施过程中，无论第一用户的历史支付数据是否在样本数据中，都预先会被划入到对应的第一用户群体中，再向第一用户推荐默认支付工具之前，若有需要向新的第二用户推荐默认支付工具，则根据其历史支付数据，预先将其划入到对应的用户群体中，再根据其当前支付场景数据向其推荐默认支付工具即可，在此就不再赘述了。

在具体实施过程中，在预先以包括多个用户的历史支付数据的样本数据进行聚类之后，本说明书实施例提供的默认支付工具的推荐方法还包括：对聚类得到的多个用户群体分别采用随机森林算法进行回归，拟合不同情况下每个用户群体中用户对支付工具的偏好；以及利用样本外数据计算多个用户群体的推荐准确率，若推荐准确率大于第一预设值，则确定相应用户群体对应的随机森林模型已符合要求，否则继续对相应用户群体对应的随机森林模型继续迭代，直到推荐准确率大于第一预设值。

具体来讲，在获取样本数据的聚类结果之后，对每个聚类结果也即用户群体采用随机森林算法进行回归，拟合不同情况下每个用户群体中用户对支付工具的偏好，并且利用样本外数据来计算每个用户群体的推荐准确率，若某一个用户群体的推荐准确率大于或等于第一预设值，第一预设值例如可以是80％、85％或90％等等，以满足实际情况的需要为准，则可以确定该用户群体的对应的随机森林模型已经符合要求，能够较为可靠地向该用户群体内的用户推荐默认支付工具，否则，也即用户群体对应的推荐准确率小于第一预设值时，继续对该用户群体对应的随机森林模型继续迭代，直到该用户群体的推荐准确率大于或等于第一预设值。

可以看出，由于采用了对聚类后的用户群体利用随机森林算法进行回归，保证各用户群体的推荐准确率大于或等于第一预设值的方案，能够获取东澳岛用户在细粒度下不同场景的支付偏好，保证各个用户群体的推荐准确率，从而实现了提供一种更可靠的默认支付工具的推荐方式的目的。

当然了，上述介绍的对聚类后的用户群体利用随机森林算法进行回归的方法，也可以应用于用机器学习算法直接对样本数据进行拟合后获得的用户群体，在此就不再赘述了。

在具体实施过程中，在呈现支付确认界面之后，本说明书实施例提供的默认支付工具的推荐方法还包括：检测是否接收到第一用户对默认支付工具的调整指令，调整指令用于表征本次推荐不准确；若接收到调整指令，则根据调整指令更改默认支付工具；以及计算第一用户的推荐准确率，并在推荐准确率小于第二预设值时，将第一用户划入第二用户群体，第二用户群体为第一用户群体中推荐准确率小于第二预设值的用户集合；对第二用户群体进行回归处理。

具体来讲，在呈现支付确认界面之后，还可以检测是否接收到第一用户对默认支付工具的调整指令，例如用户将支付确认界面中的默认支付工具调整为另一支付工具时，即会检测到接收到第一用户对默认支付工具的调整指令，该调整指令即表明此次推荐不准确，这样，即能够第一用户的调整指令，更改默认支付工具，例如将支付确认界面中的默认支付工具由S1中确定出的最优支付工具调整为另一支付工具，然后计算第一用户的推荐准确率，因为每出现一次推荐不准确的情景，就会导致第一用户的推荐准确率降低，这样，在推荐准确率小于第二预设值时，其中第二预设值可以和前述部分介绍的第一预设值相同，也可以小于第一预设值，在此不做限制，即可以将第一用户划入第二用户群体，第二用户群体可以是第一用户群体中推荐准确率小于第二预设值的用户集合，最后在对第二用户群体进行回归处理，相当于利用用户的推荐准确率来自动迭代用户群体的随机森林模型，使得随机森林模型具有一定的自适应性，从而使得本说明书实施例提供的默认支付工具的推荐方法能够应用于更多场景。

可以看出，由于采用了利用用户的推荐准确率来自动迭代用户群体的随机森林模型，使得随机森林模型具有一定的自适应性，从而使得本说明书实施例提供的默认支付工具的推荐方法能够应用于更多场景。

在具体实施过程中，在呈现支付界面之后，即可以接收第一用户的确认支付指令，再响应该确认支付指令，以支付确认界面中的默认支付工具进行支付处理。

具体来讲，用户可以通过密码输入确认支付指令也可以通过指纹、声纹等生物特征来输入支付确认指令，这样，在接收到第一用户的确认支付指令后，再响应该确认支付指令，即能够以支付确认节目中的默认支付工具进行支付处理了，具体的支付过程就不再赘述了。本说明书实施例中生物特征还可以包括眼部特征、掌纹、心跳、脉搏、染色体、DNA和人牙咬痕等等，其中眼纹可以包括虹膜、巩膜等生物特征，在此就不再赘述了。

本说明书实施例中支付涉及的技术载体，例如可以包括近场通信(Near FieldCommunication，简称NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫描技术、条形码扫码技术、蓝牙、红外、短消息(Short Message Service，简称SMS)、多媒体消息(MultimediaMessage Service，简称MMS)等等，在此不做限制。

上述部分对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要去示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

第二方面，基于同一发明构思，本说明书实施例提供一种默认支付工具的推荐装置，请参考图2，图2为本说明书实施例提供的默认支付工具的推荐装置的模块图，如图2所示，该默认支付工具的推荐装置包括：

获得单元201，用于接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；

确定单元202，用于根据当前支付数据和第一用户所属的第一用户群体，确定第一用户群体在当前支付场景下的最优支付工具；

呈现单元203，用于响应支付请求，呈现支付确认界面，支付确认界面中推荐的默认支付工具为最优支付工具。

在一个可选的方式中，装置还包括聚类单元204，聚类单元204用于预先以包括多个用户的历史支付数据的样本数据进行聚类，获得多个聚类结果，每个聚类结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同，以及根据第一用户的历史支付数据，确定第一用户群体。

在一个可选的方式中，历史支付数据包括：余额数据、信贷支付工具种类数据、支付比例数据、消费金额数据、各信用卡平均消费金额以及账期内已用额度。

在一个可选的方式中，余额数据包括资产余额和第一时间段内平均余额；支付比例数据包括以下数据中的一种或多种：第二时间段内各支付工具支付笔数、第三预设时间段内各支付工具支付上限、第四时间段内各支付工具支付下限、第五时间段内各支付工具线上线下支付比例、第五时间段内线上线下支付金额比例、第六时间段内各支付工具金额比例、第七时间段内各支付工具笔数占比。

在一个可选的方式中，装置还包括第一回归单元205，第一回归单元205用于在预先以包括多个用户的历史支付数据的样本数据进行聚类之后，对聚类得到的多个用户群体分别采用随机森林算法进行回归，拟合不同情况下每个用户群体中用户对支付工具的偏好；以及利用样本外数据计算多个用户群体的推荐准确率，若推荐准确率大于或等于第一预设值，则确定相应用户群体对应的随机森林模型已符合要求，否则继续对相应用户群体对应的随机森林模型继续迭代，直到推荐准确率大于或等于第一预设值。

在一个可选的方式中，装置还包括拟合单元206，拟合单元206用于利用机器学习算法，对包括多个用户的历史支付数据的样本数据进行拟合，获得多个拟合结果，每个拟合结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同，以及根据第一用户的历史支付数据，确定第一用户群体。

在一个可选的方式中，装置还包括第二回归单元207，第二回归单元207用于在呈现单元203呈现支付确认界面之后，检测是否接收到第一用户对默认支付工具的调整指令，调整指令用于表征本次推荐不准确，若接收到调整指令，则根据调整指令更改默认支付工具，以及计算第一用户的推荐准确率，并在推荐准确率小于第二预设值时，将第一用户划入第二用户群体，第二用户群体为第一用户群体中推荐准确率小于第二预设值的用户集合，并对第二用户群体进行回归处理。

在一个可选的方式中，装置还包括支付单元208，支付单元208用于在呈现支付确认界面之后，接收第一用户的确认支付指令，并响应确认支付指令，以默认支付工具进行支付处理。

第三方面，基于与前述实施例中默认支付工具的推荐方法同样的发明构思，本说明书实施例还提供一种支付终端，图3为本说明书实施例提供的支付终端的结构示意图，如图3所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，处理器502执行程序时实现前文默认支付工具的推荐方法的任一方法的步骤。

其中，在图3中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

第四方面，基于与前述实施例中默认支付工具的推荐方法的发明构思，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文所述的默认支付工具的推荐方法的任一方法的步骤。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (18)

1.一种默认支付工具的推荐方法，包括：

接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；

根据所述当前支付数据和所述第一用户所属的第一用户群体，确定所述第一用户群体在所述当前支付场景下的最优支付工具；

响应所述支付请求，呈现支付确认界面，所述支付确认界面中推荐的默认支付工具为所述最优支付工具。

2.如权利要求1所述的方法，所述接收第一用户的支付请求，获得在当前支付场景下的当前支付数据之前，所述方法还包括：

预先以包括多个用户的历史支付数据的样本数据进行聚类，获得多个聚类结果，每个聚类结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同；以及

根据所述第一用户的历史支付数据，确定所述第一用户群体。

3.如权利要求2所述的方法，所述历史支付数据包括：余额数据、信贷支付工具种类数据、支付比例数据、消费金额数据、各信用卡平均消费金额以及账期内已用额度。

4.如权利要求3所述的方法，所述余额数据包括资产余额和第一时间段内平均余额；所述支付比例数据包括以下数据中的一种或多种：第二时间段内各支付工具支付笔数、第三预设时间段内各支付工具支付上限、第四时间段内各支付工具支付下限、第五时间段内各支付工具线上线下支付比例、第五时间段内线上线下支付金额比例、第六时间段内各支付工具金额比例和第七时间段内各支付工具笔数占比。

5.如权利要求2所述的方法，所述预先以包括多个用户的历史支付数据的样本数据进行聚类之后，所述方法还包括：

对聚类得到的多个用户群体分别采用随机森林算法进行回归，拟合不同情况下每个用户群体中用户对支付工具的偏好；以及

利用样本外数据计算所述多个用户群体的推荐准确率，若所述推荐准确率大于或等于第一预设值，则确定相应用户群体对应的随机森林模型已符合要求，否则继续对相应用户群体对应的随机森林模型继续迭代，直到所述推荐准确率大于或等于所述第一预设值。

6.如权利要求1所述的方法，所述预先以包括多个用户的历史支付数据的样本数据确定多个用户群体，包括：

利用机器学习算法，对包括多个用户的历史支付数据的样本数据进行拟合，获得多个拟合结果，每个拟合结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同；以及

根据所述第一用户的历史支付数据，确定所述第一用户群体。

7.如权利要求1～6中任一项所述的方法，所述呈现支付确认界面之后，所述方法还包括：

检测是否接收到所述第一用户对所述默认支付工具的调整指令，所述调整指令用于表征本次推荐不准确；

若接收到所述调整指令，则根据所述调整指令更改所述默认支付工具；以及

计算所述第一用户的推荐准确率，并在所述推荐准确率小于第二预设值时，将所述第一用户划入所述第二用户群体，所述第二用户群体为所述第一用户群体中推荐准确率小于所述第二预设值的用户集合；

对所述第二用户群体进行回归处理。

8.如权利要求1的方法，所述呈现支付确认界面之后，所述方法还包括：

接收所述第一用户的确认支付指令；

响应所述确认支付指令，以所述默认支付工具进行支付处理。

9.一种默认支付工具的推荐装置，包括：

获得单元，用于接收第一用户的支付请求，获得在当前支付场景下的当前支付数据；

确定单元，用于根据所述当前支付数据和所述第一用户所属的第一用户群体，确定所述第一用户群体在所述当前支付场景下的最优支付工具；

呈现单元，用于响应所述支付请求，呈现支付确认界面，所述支付确认界面中推荐的默认支付工具为所述最优支付工具。

10.如权利要求9所述的装置，所述装置还包括聚类单元，所述聚类单元用于预先以包括多个用户的历史支付数据的样本数据进行聚类，获得多个聚类结果，每个聚类结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同，以及根据所述第一用户的历史支付数据，确定所述第一用户群体。

11.如权利要求10所述的装置，所述历史支付数据包括：余额数据、信贷支付工具种类数据、支付比例数据、消费金额数据、各信用卡平均消费金额以及账期内已用额度。

12.如权利要求11所述的装置，所述余额数据包括资产余额和第一时间段内平均余额；所述支付比例数据包括以下数据中的一种或多种：第二时间段内各支付工具支付笔数、第三预设时间段内各支付工具支付上限、第四时间段内各支付工具支付下限、第五时间段内各支付工具线上线下支付比例、第五时间段内线上线下支付金额比例、第六时间段内各支付工具金额比例、第七时间段内各支付工具笔数占比。

13.如权利要求10所述的装置，所述装置还包括第一回归单元，所述第一回归单元用于在所述预先以包括多个用户的历史支付数据的样本数据进行聚类之后，对聚类得到的多个用户群体分别采用随机森林算法进行回归，拟合不同情况下每个用户群体中用户对支付工具的偏好；以及利用样本外数据计算所述多个用户群体的推荐准确率，若所述推荐准确率大于或等于第一预设值，则确定相应用户群体对应的随机森林模型已符合要求，否则继续对相应用户群体对应的随机森林模型继续迭代，直到所述推荐准确率大于或等于所述第一预设值。

14.如权利要求9所述的装置，所述装置还包括拟合单元，所述拟合单元用于利用机器学习算法，对包括多个用户的历史支付数据的样本数据进行拟合，获得多个拟合结果，每个拟合结果对应一个用户群体，多个用户群体在同一支付场景下的支付工具不相同，以及根据所述第一用户的历史支付数据，确定所述第一用户群体。

15.如权利要求9～14中任一项所述的装置，所述装置还包括第二回归单元，所述第二回归单元用于在所述呈现单元呈现支付确认界面之后，检测是否接收到所述第一用户对所述默认支付工具的调整指令，所述调整指令用于表征本次推荐不准确，若接收到所述调整指令，则根据所述调整指令更改所述默认支付工具，以及计算所述第一用户的推荐准确率，并在所述推荐准确率小于第二预设值时，将所述第一用户划入所述第二用户群体，所述第二用户群体为所述第一用户群体中推荐准确率小于所述第二预设值的用户集合，并对所述第二用户群体进行回归处理。

16.如权利要求9所述的装置，所述装置还包括支付单元，所述支付单元用于在所述呈现支付确认界面之后，接收所述第一用户的确认支付指令，并响应所述确认支付指令，以所述默认支付工具进行支付处理。

17.一种支付终端，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，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。

18.一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权利要求1-8任一项所述方法的步骤。