CN110033252A - 一种支付渠道推荐方法及装置 - Google Patents
一种支付渠道推荐方法及装置 Download PDFInfo
- Publication number
- CN110033252A CN110033252A CN201811440904.0A CN201811440904A CN110033252A CN 110033252 A CN110033252 A CN 110033252A CN 201811440904 A CN201811440904 A CN 201811440904A CN 110033252 A CN110033252 A CN 110033252A
- Authority
- CN
- China
- Prior art keywords
- channel
- disbursement
- payment
- history
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种支付渠道推荐方法及装置。一种支付渠道推荐方法，该方法包括：获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
Description
技术领域
本说明书实施例涉及互联网应用技术领域，尤其涉及一种支付渠道推荐方法及装置。
背景技术
随着互联网技术和社会经济的发展，人们越来越频繁地使用支付平台提供的支付服务。当用户通过支付平台对某个订单进行支付时，支付平台往往会向用户提供多种支付渠道(如平台账户、信用卡账户、第三方钱包等)，以便用户选择适合的支付渠道。用户对不同渠道的倾向性不同，如某些用户倾向于选择信用卡渠道，而某些用户倾向于选择平台账户渠道。此外，不同支付渠道对支付请求的处理能力不同，如银行卡渠道每秒可处理1万笔支付请求，而平台账户余额每秒可处理2万笔支付请求。
当支付平台面临支付高峰期时，例如当电商平台举办促销抢购活动时，将大量的支付请求分配至不同的支付渠道处理，能够提高资源利用率与用户支付成功率。现有技术中，一般是采用用户设置的首选支付渠道、或向用户推荐常用支付渠道，但仍然无法保证最大化地合理利用不同渠道。
基于现有技术，需要一种更准确的支付渠道推荐方案。
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渠道推荐方法及装置，技术方案如下：
一种支付渠道推荐方法，该方法包括：
获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；
根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
一种支付渠道推荐装置，该装置包括：
倾向性排序确定模块，用于获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
推荐性排序确定模块，用于针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
支付渠道确定模块，用于基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
本说明书实施例所提供的技术方案，结合用户对不同支付渠道的倾向性、以及各支付渠道当前的支付处理情况，向用户推荐既符合用户支付习惯、又能够保证支付成功的支付渠道，从而提高各支付渠道的利用率，并且提高支付高峰期用户支付的成功了，提升用户对支付平台的使用体验。
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渠道推荐方法的一种流程示意图；
图2是本说明书实施例的支付渠道推荐方法的另一种流程示意图；
图3是本说明书实施例的支付渠道推荐装置的一种结构示意图；
图4是本说明书实施例的倾向性排序确定模块的一种结构示意图；
图5是本说明书实施例的支付渠道推荐装置的另一种结构示意图；
图6是本说明书实施例的模型训练模块的结构示意图；
图7是本说明书实施例的倾向性排序确定模块的另一种结构示意图；
图8是本说明书实施例的支付渠道推荐模块的结构示意图；
图9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
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。
针对现有技术的问题，本说明书实施例提供一种支付渠道推荐方法，参见图1所示，该方法可以包括以下步骤：
S101，获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
本说明书实施例中，具体可以通过多种实施方式，根据历史支付渠道确定用户的倾向性。
在本说明书的一种具体实施方式中，可以统计历史支付中使用各支付渠道的次数、频率等，确定用户的倾向性排序。
具体地，可以首先统计所述历史支付数据中各历史支付行为使用各支付渠道的总次数、和/或总频率，并针对所述各历史支付行为所使用的任一支付渠道：统计各历史支付行为中使用该支付渠道的次数、和/或频率。然后根据所述总次数、总频率、各支付渠道的次数、和/或各支付渠道的频率，计算得到各支付渠道的倾向性分值，并根据所计算的各支付渠道的倾向性分值，确定所述目标用户对各支付渠道的倾向性排序。
例如，某支付平台共提供A、B、C、D四种支付渠道，则在计算分值确定排序时，可以分别统计目标用户在历史支付行为中使用这四种支付渠道的次数TA、TB、TC、TD，并将TA、TB、TC、TD分别作为四种支付渠道的倾向性分值，得到倾向性排序；也可以分别统计目标用户在每天、每周或每月的历史支付行为中使用这四种支付渠道的频率FA、FB、FC、FD，并将FA、FB、FC、FD分别作为四种支付渠道的倾向性分值，得到倾向性排序；还可以再计算历史支付数据中各历史支付行为使用各支付渠道的总次数T或总频率F，并计算TA、TB、TC、TD或FA、FB、FC、FD分别相对于T或F的比值，得到四种支付渠道的倾向性分值并进行排序；当然也可以对前述的2种以上的数值进行加权，计算得到倾向性分值并进行排序；等等，本说明书实施例对此不做限定，本领域技术人员可以根据实际需求灵活选择适合的方式。
在本说明书的另一种具体实施方式中，可以预先训练历史支付模型，并基于该模型得到目标用户对各支付渠道的倾向性排序。
具体地，可以首先根据所述历史支付数据，提取所述目标用户的历史支付特征向量，然后将所提取的历史支付特征向量输入预先训练的历史支付模型，并根据模型的输出值确定所述目标用户对各支付渠道的倾向性排序，例如，可以由模型根据输入的特征向量对各支付渠道进行打分，并输出所打分值，从而可以根据分值进行各支付渠道的倾向性排序；又例如，可以直接由模型根据输入的特征向量输出对各支付渠道的倾向性排序；等等。
因此，首先需要使用样本训练历史支付模型。
具体地，可以首先确定若干样本用户，然后针对每个样本用户：获得该样本用户的历史支付数据，提取该样本用户的历史支付特征向量；以及，获得该样本用户对各支付渠道的倾向性排序；将所获得的倾向性排序作为标签值，并将所提取的历史支付特征向量作为特征值，构成该样本用户对应的训练样本；根据所述若干样本用户构成的若干对应的训练样本，通过机器学习算法训练历史支付模型。
其中，样本用户(或目标用户)的历史支付数据中，可能包括关于各次历史支付行为的各类属性数据，例如，某次支付行为属于线上或线下支付，该次支付行为中涉及的电商平台或商家，该次支付行为发生的时段、或是否与某次活动关联，该次支付行为支付的金额，和/或该次支付行为使用的支付渠道、是否成功、支付日期，等等。
可以根据历史用户(或目标用户)的历史支付数据，提取历史用户(或目标用户)的至少一个特征，得到该用户的历史支付特征向量。
在一个例子中，可以确定各历史支付行为的支付场景类型，得到场景特征。其中，用户在不同时间可能会选择不同的支付渠道，如可能会根据信用卡的账单日或还款日、或者根据工资发放的日期而变化，因此场景类型可以从时间维度划分，如月初、月中、月末等；用户在线上或线下支付时，也可能由于优惠政策等原因选择不同的支付渠道，因此场景类型可以包括线上或线下；用户在不参加促销活动、或参加不同的促销活动时，可能会选择不同的支付渠道，因此场景类型可以从活动类型的维度划分；等等，本说明书实施例具体划分维度不做限定，本领域技术人员可以根据实际情况灵活地设置，并且可以根据一种或多种维度，提取一个或多个场景特征。
在另一个例子中，可以确定各历史支付行为的支付金额，得到金额特征。金额特征可以以具体数值为特征、也可以以不同数值范围对应不同特征、等等，此外，还可以根据币种、汇率等得到一个或多个金额特征。
在又一个例子中，可以根据所述历史支付数据中各历史支付行为的支付渠道数据，得到渠道特征。渠道特征至少用于表示各历史支付行为所使用的支付渠道；也可以用于表示各历史支付行为使用所述支付渠道的支付结果，如成功或失败(甚至失败原因)等；还可以用于表示支付时间，从而根据支付时间距离当前时间的间隔，考虑特征的重要性的衰减；还可以用于表示使用各支付渠道的频率、次数。
可以理解的是，历史支付特征向量中可以包括上述的一个或多个特征，本说明书实施例对此不做限定。
S102，针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；
S103，根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
为了便于描述，将S102与S103结合进行说明。
本说明书实施例中，具体可以通过多种实施方式，确定该支付渠道当前请求量与可处理量的差值。
在本说明书的一种具体实施方式中，可以直接计算该支付渠道当前请求量与可处理量的差值；在本说明书的另一种具体实施方式中，还可以在计算该支付渠道当前请求量与可处理量的差值的基础上，进一步地获得该支付渠道在预设时段后的预测请求量、以及预测可处理量，然后将所计算的差值作为初始差值，并根据所述预测请求量与预测可处理量，对所述初始差值进行修正，得到修正后的该支付渠道当前请求量与可处理量的差值。
S104，基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
本说明书实施例中，具体可以通过多种实施方式，确定向所述目标用户推荐的支付渠道。
在本说明书的一种具体实施方式中，可以首先基于所述倾向性排序与所述推荐性排序，计算各支付渠道的加权值，以及判断各支付渠道是否符合预设推荐条件，从而将符合推荐条件的支付渠道中加权值最大的支付渠道，确定为向所述目标用户推荐的支付渠道。
其中，预设的推荐条件可以包括对应支付渠道当前的请求量小于可处理量等。例如，A、B、C、D四种渠道中，按照所计算加权值的排序为B>C>D>A，并且经判断B支付渠道当前的请求量大于可处理量，则可以将B确定为向所述目标用户推荐的支付渠道。
在本说明书的一种具体实施方式中，还可以参考用户对各支付渠道实时的倾向性排序。具体地，可以首先确定所述目标用户在之前N次支付中使用的支付渠道，其中，N为正整数，例如，N可以为1，即确定目标用户在上一次支付中使用的支付渠道。
然后可以根据所确定的支付渠道，得到所述目标用户的当前首选支付渠道，例如，如果N为1，则可以将目标用户在上一次支付中使用的支付渠道确定为目标用户的当前首选支付渠道；又如，如果N为10，则可以将目标用户在之前10次支付中使用次数最多的支付渠道、或者对前10次支付渠道加权结果最高的支付渠道(权重可以随支付事件与当前时间的缩短而依次递增)，确定为目标用户的当前首选支付渠道；等等。
从而在基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道时，可以基于所述倾向性排序、所述推荐性排序及所述当前首选支付渠道，计算各支付渠道的加权值，并根据计算结果确定向所述目标用户推荐的支付渠道。例如，与前述实施例类似地，可以计算加权值、并判断是否符合预设推荐条件，并且，为了使推荐的支付渠道更接近用户当前的习惯与各渠道当前的可处理量，可以使当前首选支付渠道与推荐性排序的权重高于倾向性排序的权重。
下面结合一个更为具体的实例，对本说明书提供的支付渠道推荐方法进行说明。
某支付平台共提供A、B、C、D四种支付渠道，如图2所示，本实施例综合考虑用户的历史支付习惯、用户的实时支付习惯、以及各支付渠道当前的渠道处理情况三个维度，确定向用户推荐的支付渠道。
(一)用户的历史支付习惯
本实施例中通过目标用户对各支付渠道的倾向性排序，表示该用户的历史支付习惯。
首先获得目标用户近1年的历史支付数据，包括目标用户近1年的各次历史支付行为中所使用的支付渠道，并分别统计其中使用A、B、C、D四种支付渠道进行支付的次数TA、TB、TC、TD，并统计各历史支付行为使用各支付渠道的总次数T，从而可以分别计算TA、TB、TC、TD占T的比值，得到四个不小于0且不大于1的数值，从而根据比值的大小进行排序，得到用户对各支付渠道的倾向性排序。
假设对user1、user2、user3、user4四位用户进行了倾向性排序，可以得到如下表1中的结果：
表1
(二)用户的实时支付习惯
本实施例中通过目标用户上一次支付成功与支付失败的渠道，表示该用户的实时支付习惯。假设分别为渠道A与渠道D
(三)渠道的实时渠道容量
本实施例中通过各支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，表示各支付渠道当前的渠道容量。
针对任一支付渠道，首先获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，从而计算该支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序，具体可以如下表2中所示：
| 支付渠道 | 当前请求量 |
| A | 10万 |
| B | 30万 |
| C | 5万 |
| D | 5万 |
表2(a)
| 支付渠道 | 当前可处理量 |
| A | 25万 |
| B | 15万 |
| C | 5万 |
| D | 5万 |
表2(b)
| 推荐性排序 |
| A(15万) |
| C(0) |
| D(0) |
| B(-15万) |
表2(c)
由表2可知，支付渠道B当前接收到的请求量大于当前的可处理量，因而需要将B中的支付流量分流至其他渠道，由于支付渠道C、D当前接收到的请求量等于当前的可处理量，因而最佳的分流方式应当是将B的支付流量引流至A。
最后，分别确定倾向性排序、推荐性排序以及上一次支付成功与支付失败的各支付渠道的权重，例如，倾向性排序中第1至4位的支付渠道的权重分别为4、3、2、1，推荐性排序中第1至4位的支付渠道的权重分别为8、6、4、2，而上一次支付成功与支付失败的支付渠道的权重分别为10与-10，则针对user1可以计算得到A、B、C、D四种支付渠道的加权结果分别为：22、7、6、-3。
进一步地，可以检验加权结果最高的支付渠道A当前的请求量是否小于可处理量，经检验请求量与可处理量的差值为15万，则可以确定向用户user1推荐支付渠道A进行支付。
可见，应用上述方案，可以结合用户对不同支付渠道的倾向性、以及各支付渠道当前的支付处理情况，向用户推荐既符合用户支付习惯、又能够保证支付成功的支付渠道，从而提高各支付渠道的利用率，并且提高支付高峰期用户支付的成功了，提升用户对支付平台的使用体验。
相应于上述方法实施例，本说明书实施例还提供一种支付渠道推荐装置，参见图3所示，该装置可以包括：
倾向性排序确定模块110，用于获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
推荐性排序确定模块120，用于针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
支付渠道确定模块130，用于基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
在本说明书提供的一种具体实施方式中，参见图4所示，所述倾向性排序确定模块110，可以包括：
特征向量提取单元111，用于根据所述历史支付数据，提取所述目标用户的历史支付特征向量；
倾向性排序确定单元112，用于将所提取的历史支付特征向量输入预先训练的历史支付模型，并根据模型的输出值确定所述目标用户对各支付渠道的倾向性排序。
在本说明书提供的一种具体实施方式中，所述特征向量提取单元111，可以具体用于：
确定各历史支付行为的支付场景类型，得到场景特征；和/或
确定各历史支付行为的支付金额，得到金额特征；和/或
根据所述历史支付数据中各历史支付行为的支付渠道数据，得到渠道特征；所述渠道特征至少用于表示各历史支付行为所使用的支付渠道。
在本说明书提供的一种具体实施方式中，所述渠道特征还可以用于表示：
各历史支付行为使用所述支付渠道的支付结果、支付时间和/或支付频次。
在本说明书提供的一种具体实施方式中，参见图5所示，所述装置还包括模型训练模块140，用于在所述将所提取的历史支付特征向量输入预先训练的历史支付模型前，对所述历史支付模型进行训练，参见图6所示，所述模型训练模块具体包括：
样本确定单元141，用于确定若干样本用户；
特征向量提取单元142，用于针对每个样本用户：获得该样本用户的历史支付数据，并根据所述提取历史支付特征向量的装置，提取该样本用户的历史支付特征向量；
倾向性排序获得单元143，用于针对每个样本用户：获得该样本用户对各支付渠道的倾向性排序；
训练样本构成单元144，用于将所获得的倾向性排序作为标签值，并将所提取的历史支付特征向量作为特征值，构成该样本用户对应的训练样本；
模型训练单元145，用于根据所述若干样本用户构成的若干对应的训练样本，通过机器学习算法训练历史支付模型。
在本说明书提供的一种具体实施方式中，参见图7所示，所述倾向性排序确定模块110，可以包括：
总值统计单元113，用于统计所述历史支付数据中各历史支付行为使用各支付渠道的总次数、和/或总频率；
渠道值统计单元114，用于针对所述各历史支付行为所使用的任一支付渠道：统计各历史支付行为中使用该支付渠道的次数、和/或频率；
分值计算单元115，用于根据所述总次数、总频率、各支付渠道的次数、和/或各支付渠道的频率，计算得到各支付渠道的倾向性分值；
排序确定单元116，用于根据所计算的各支付渠道的倾向性分值，确定所述目标用户对各支付渠道的倾向性排序。
在本说明书提供的一种具体实施方式中，所述推荐性排序确定模块，具体可以用于：
计算该支付渠道当前请求量与可处理量的差值。
在本说明书提供的一种具体实施方式中，所述推荐性排序确定模块120，还可以具体用于：
获得该支付渠道在预设时段后的预测请求量、以及预测可处理量；
将所计算的差值作为初始差值，并根据所述预测请求量与预测可处理量，对所述初始差值进行修正，得到修正后的该支付渠道当前请求量与可处理量的差值。
在本说明书提供的一种具体实施方式中，参见图8所示，所述支付渠道推荐模块130，包括：
加权计算单元131，用于基于所述倾向性排序与所述推荐性排序，计算各支付渠道的加权值；
条件判断单元132，用于判断各支付渠道是否符合预设推荐条件；
渠道推荐单元133，用于将符合推荐条件的支付渠道中加权值最大的支付渠道，确定为向所述目标用户推荐的支付渠道。
在本说明书提供的一种具体实施方式中，所述推荐条件可以包括：
对应支付渠道当前的请求量小于可处理量。
在本说明书提供的一种具体实施方式中，参见图5所示，所述装置还可以包括首选渠道确定模块150，具体用于：
确定所述目标用户在之前N次支付中使用的支付渠道；其中，N为正整数；
根据所确定的支付渠道，得到所述目标用户的当前首选支付渠道；
所述支付渠道推荐模块130，具体用于：
基于所述倾向性排序、所述推荐性排序及所述当前首选支付渠道，计算各支付渠道的加权值，并根据计算结果确定向所述目标用户推荐的支付渠道。
可以理解的是，模型训练模块140与首选渠道确定模块150作为两种功能独立的模块，既可以如图5所示同时配置在装置中，也可以分别单独配置在装置中，因此图5所示的结构不应理解为对本说明书实施例方案的限定。
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。
本说明书实施例还提供一种计算机设备，其至少包括存储器、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，处理器执行所述程序时实现前述的支付渠道推荐方法。该方法至少包括：
一种支付渠道推荐方法，该方法包括：
获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；
根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
图9示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010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1020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1020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1020中，并由处理器1010来调用执行。
输入/输出接口1030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1040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1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)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1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，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渠道推荐方法。该方法至少包括：
一种支付渠道推荐方法，该方法包括：
获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；
根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
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 (23)
1.一种支付渠道推荐方法，该方法包括：
获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；
根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
2.根据权利要求1所述的方法，所述根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序，包括：
根据所述历史支付数据，提取所述目标用户的历史支付特征向量；
将所提取的历史支付特征向量输入预先训练的历史支付模型，并根据模型的输出值确定所述目标用户对各支付渠道的倾向性排序。
3.根据权利要求2所述的方法，所述根据所述历史支付数据，提取所述目标用户的历史支付特征向量，包括：
确定各历史支付行为的支付场景类型，得到场景特征；和/或
确定各历史支付行为的支付金额，得到金额特征；和/或
根据所述历史支付数据中各历史支付行为的支付渠道数据，得到渠道特征；所述渠道特征至少用于表示各历史支付行为所使用的支付渠道。
4.根据权利要求3所述的方法，所述渠道特征还用于表示：
各历史支付行为使用所述支付渠道的支付结果、支付时间和/或支付频次。
5.根据权利要求3所述的方法，在所述将所提取的历史支付特征向量输入预先训练的历史支付模型前，所述方法还包括：
对所述历史支付模型进行训练，训练过程包括如下处理：
确定若干样本用户，针对每个样本用户：
获得该样本用户的历史支付数据，并根据所述提取历史支付特征向量的方法，提取该样本用户的历史支付特征向量；以及，获得该样本用户对各支付渠道的倾向性排序；
将所获得的倾向性排序作为标签值，并将所提取的历史支付特征向量作为特征值，构成该样本用户对应的训练样本；
根据所述若干样本用户构成的若干对应的训练样本，通过机器学习算法训练历史支付模型。
6.根据权利要求1所述的方法，所述根据所述历史支付数据中各各所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序，包括：
统计所述历史支付数据中各历史支付行为使用各支付渠道的总次数、和/或总频率；
针对所述各历史支付行为所使用的任一支付渠道：统计各历史支付行为中使用该支付渠道的次数、和/或频率；
根据所述总次数、总频率、各支付渠道的次数、和/或各支付渠道的频率，计算得到各支付渠道的倾向性分值；
根据所计算的各支付渠道的倾向性分值，确定所述目标用户对各支付渠道的倾向性排序。
7.根据权利要求1所述的方法，所述确定该支付渠道当前请求量与可处理量的差值，包括：
计算该支付渠道当前请求量与可处理量的差值。
8.根据权利要求7所述的方法，所述确定该支付渠道当前请求量与可处理量的差值，还包括：
获得该支付渠道在预设时段后的预测请求量、以及预测可处理量；
将所计算的差值作为初始差值，并根据所述预测请求量与预测可处理量，对所述初始差值进行修正，得到修正后的该支付渠道当前请求量与可处理量的差值。
9.根据权利要求1所述的方法，所述基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道，包括：
基于所述倾向性排序与所述推荐性排序，计算各支付渠道的加权值；
判断各支付渠道是否符合预设推荐条件；
将符合推荐条件的支付渠道中加权值最大的支付渠道，确定为向所述目标用户推荐的支付渠道。
10.根据权利要求9所述的方法，所述推荐条件包括：
对应支付渠道当前的请求量小于可处理量。
11.根据权利要求1至10任一项所述的方法，还包括：
确定所述目标用户在之前N次支付中使用的支付渠道；其中，N为正整数；
根据所确定的支付渠道，得到所述目标用户的当前首选支付渠道；
所述基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道，包括：
基于所述倾向性排序、所述推荐性排序及所述当前首选支付渠道，计算各支付渠道的加权值，并根据计算结果确定向所述目标用户推荐的支付渠道。
12.一种支付渠道推荐装置，该装置包括：
倾向性排序确定模块，用于获得目标用户的历史支付数据，根据所述历史支付数据中各历史支付行为所使用的支付渠道，确定所述目标用户对各支付渠道的倾向性排序；
推荐性排序确定模块，用于针对任一支付渠道：获得该支付渠道当前接收到的支付请求的请求量、以及当前对支付请求的可处理量，确定该支付渠道当前请求量与可处理量的差值；根据各支付渠道当前请求量与可处理量的差值，确定各支付渠道的推荐性排序；
支付渠道推荐模块，用于基于所述倾向性排序与所述推荐性排序，根据预设支付渠道推荐规则，确定向所述目标用户推荐的支付渠道。
13.根据权利要求12所述的装置，所述倾向性排序确定模块，包括：
特征向量提取单元，用于根据所述历史支付数据，提取所述目标用户的历史支付特征向量；
倾向性排序确定单元，用于将所提取的历史支付特征向量输入预先训练的历史支付模型，并根据模型的输出值确定所述目标用户对各支付渠道的倾向性排序。
14.根据权利要求13所述的装置，所述特征向量提取单元，具体用于：
确定各历史支付行为的支付场景类型，得到场景特征；和/或
确定各历史支付行为的支付金额，得到金额特征；和/或
根据所述历史支付数据中各历史支付行为的支付渠道数据，得到渠道特征；所述渠道特征至少用于表示各历史支付行为所使用的支付渠道。
15.根据权利要求14所述的装置，所述渠道特征还用于表示：
各历史支付行为使用所述支付渠道的支付结果、支付时间和/或支付频次。
16.根据权利要求14所述的装置，所述装置还包括模型训练模块，用于在所述将所提取的历史支付特征向量输入预先训练的历史支付模型前，对所述历史支付模型进行训练，所述模型训练模块具体包括：
样本确定单元，用于确定若干样本用户；
特征向量提取单元，用于针对每个样本用户：获得该样本用户的历史支付数据，并根据所述提取历史支付特征向量的装置，提取该样本用户的历史支付特征向量；
倾向性排序获得单元，用于针对每个样本用户：获得该样本用户对各支付渠道的倾向性排序；
训练样本构成单元，用于将所获得的倾向性排序作为标签值，并将所提取的历史支付特征向量作为特征值，构成该样本用户对应的训练样本；
模型训练单元，用于根据所述若干样本用户构成的若干对应的训练样本，通过机器学习算法训练历史支付模型。
17.根据权利要求12所述的装置，所述倾向性排序确定模块，包括：
总值统计单元，用于统计所述历史支付数据中各历史支付行为使用各支付渠道的总次数、和/或总频率；
渠道值统计单元，用于针对所述各历史支付行为所使用的任一支付渠道：统计各历史支付行为中使用该支付渠道的次数、和/或频率；
分值计算单元，用于根据所述总次数、总频率、各支付渠道的次数、和/或各支付渠道的频率，计算得到各支付渠道的倾向性分值；
排序确定单元，用于根据所计算的各支付渠道的倾向性分值，确定所述目标用户对各支付渠道的倾向性排序。
18.根据权利要求12所述的装置，所述推荐性排序确定模块，具体用于：
计算该支付渠道当前请求量与可处理量的差值。
19.根据权利要求18所述的装置，所述推荐性排序确定模块，还具体用于：
获得该支付渠道在预设时段后的预测请求量、以及预测可处理量；
将所计算的差值作为初始差值，并根据所述预测请求量与预测可处理量，对所述初始差值进行修正，得到修正后的该支付渠道当前请求量与可处理量的差值。
20.根据权利要求12所述的装置，所述支付渠道推荐模块，包括：
加权计算单元，用于基于所述倾向性排序与所述推荐性排序，计算各支付渠道的加权值；
条件判断单元，用于判断各支付渠道是否符合预设推荐条件；
渠道推荐单元，用于将符合推荐条件的支付渠道中加权值最大的支付渠道，确定为向所述目标用户推荐的支付渠道。
21.根据权利要求20所述的装置，所述推荐条件包括：
对应支付渠道当前的请求量小于可处理量。
22.根据权利要求12至21任一项所述的装置，还包括首选渠道确定模块，具体用于：
确定所述目标用户在之前N次支付中使用的支付渠道；其中，N为正整数；
根据所确定的支付渠道，得到所述目标用户的当前首选支付渠道；
所述支付渠道推荐模块，具体用于：
基于所述倾向性排序、所述推荐性排序及所述当前首选支付渠道，计算各支付渠道的加权值，并根据计算结果确定向所述目标用户推荐的支付渠道。
23.一种计算机设备，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x任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811440904.0A CN110033252A (zh) | 2018-11-29 | 2018-11-29 | 一种支付渠道推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811440904.0A CN110033252A (zh) | 2018-11-29 | 2018-11-29 | 一种支付渠道推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110033252A true CN110033252A (zh) | 2019-07-19 |
Family
ID=67235293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811440904.0A Pending CN110033252A (zh) | 2018-11-29 | 2018-11-29 | 一种支付渠道推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033252A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738469A (zh) * | 2019-09-30 | 2020-01-31 | 京东数字科技控股有限公司 | 一种支付处理方法及装置、存储介质 |
| CN111612442A (zh) * | 2020-05-28 | 2020-09-01 | 杭州一骑轻尘信息技术有限公司 | 支付路由配置方法、装置和系统 |
| CN111815316A (zh) * | 2020-07-08 | 2020-10-23 | 银联商务股份有限公司 | 自有资金额度预测方法、装置、电子设备及存储介质 |
| CN111932349A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于h5支付的支付应用推荐方法和装置 |
| CN112101953A (zh) * | 2020-09-28 | 2020-12-18 | 中国银行股份有限公司 | 一种利用最优支付链路的移动支付处理方法及系统 |
| CN112612966A (zh) * | 2020-12-31 | 2021-04-06 | 中国农业银行股份有限公司 | 一种信息推荐方法及装置 |
| CN112712358A (zh) * | 2020-12-30 | 2021-04-27 | 深圳市顺易通信息科技有限公司 | 一种无感支付方式的推荐方法、装置及终端设备 |
| CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN113159740A (zh) * | 2021-03-11 | 2021-07-23 | 深圳市分期乐网络科技有限公司 | 一种支付通道确定方法、装置、电子设备及存储介质 |
| CN113657879A (zh) * | 2021-08-04 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种资源调度的方法及装置 |
| CN116029719A (zh) * | 2022-08-17 | 2023-04-28 | 荣耀终端有限公司 | 支付服务推荐的方法、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577985A (zh) * | 2012-07-26 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 数据渠道选择方法和数据处理平台 |
| CN106355391A (zh) * | 2015-07-16 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
| CN107464108A (zh) * | 2016-06-03 | 2017-12-12 | 上海点融信息科技有限责任公司 | 自动选择支付渠道的方法和设备 |
| CN107818467A (zh) * | 2017-09-08 | 2018-03-20 | 深圳市金立通信设备有限公司 | 一种支付方法及终端 |
| 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 |
| 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 |
| CN108734460A (zh) * | 2018-04-02 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
-
2018
- 2018-11-29 CN CN201811440904.0A patent/CN110033252A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577985A (zh) * | 2012-07-26 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 数据渠道选择方法和数据处理平台 |
| CN106355391A (zh) * | 2015-07-16 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
| CN107464108A (zh) * | 2016-06-03 | 2017-12-12 | 上海点融信息科技有限责任公司 | 自动选择支付渠道的方法和设备 |
| CN107818467A (zh) * | 2017-09-08 | 2018-03-20 | 深圳市金立通信设备有限公司 | 一种支付方法及终端 |
| 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 |
| 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 |
| CN108734460A (zh) * | 2018-04-02 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738469A (zh) * | 2019-09-30 | 2020-01-31 | 京东数字科技控股有限公司 | 一种支付处理方法及装置、存储介质 |
| CN111612442A (zh) * | 2020-05-28 | 2020-09-01 | 杭州一骑轻尘信息技术有限公司 | 支付路由配置方法、装置和系统 |
| CN111815316A (zh) * | 2020-07-08 | 2020-10-23 | 银联商务股份有限公司 | 自有资金额度预测方法、装置、电子设备及存储介质 |
| CN111932349A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于h5支付的支付应用推荐方法和装置 |
| CN112101953A (zh) * | 2020-09-28 | 2020-12-18 | 中国银行股份有限公司 | 一种利用最优支付链路的移动支付处理方法及系统 |
| CN112712358A (zh) * | 2020-12-30 | 2021-04-27 | 深圳市顺易通信息科技有限公司 | 一种无感支付方式的推荐方法、装置及终端设备 |
| CN112612966A (zh) * | 2020-12-31 | 2021-04-06 | 中国农业银行股份有限公司 | 一种信息推荐方法及装置 |
| CN113159740A (zh) * | 2021-03-11 | 2021-07-23 | 深圳市分期乐网络科技有限公司 | 一种支付通道确定方法、装置、电子设备及存储介质 |
| CN113159740B (zh) * | 2021-03-11 | 2024-05-17 | 深圳市分期乐网络科技有限公司 | 一种支付通道确定方法、装置、电子设备及存储介质 |
| CN112801670A (zh) * | 2021-04-07 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN112801670B (zh) * | 2021-04-07 | 2021-07-23 | 支付宝(杭州)信息技术有限公司 | 针对支付操作的风险评估方法及装置 |
| CN113657879A (zh) * | 2021-08-04 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种资源调度的方法及装置 |
| CN116029719A (zh) * | 2022-08-17 | 2023-04-28 | 荣耀终端有限公司 | 支付服务推荐的方法、电子设备及存储介质 |
| CN116029719B (zh) * | 2022-08-17 | 2023-11-14 | 荣耀终端有限公司 | 支付服务推荐的方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033252A (zh) | 一种支付渠道推荐方法及装置 | |
| CN106503873A (zh) | 一种预测用户守约概率的方法、装置和计算设备 | |
| CN105490823B (zh) | 一种数据处理方法及装置 | |
| CN110047007A (zh) | 一种理赔业务处理方法及装置 | |
| CN109101989A (zh) | 一种商户分类模型构建和商户分类方法、装置及设备 | |
| US20040128236A1 (en) | Methods and apparatus for evaluating and using profitability of a credit card account | |
| CN109102151A (zh) | 一种可疑群组识别方法和装置 | |
| CN108416670A (zh) | 信贷配单方法及服务器 | |
| CN110610412A (zh) | 信用风险评估方法和装置、存储介质和电子设备 | |
| CN109146474A (zh) | 一种支付限额定制方法及装置 | |
| CN108230140A (zh) | 推送信息的方法和装置、确定输入默认值的方法和装置 | |
| JP7002311B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| O’Dwyer | Money talks: The enclosure of mobile payments | |
| CN109325845A (zh) | 一种金融产品智能推荐方法及系统 | |
| CN108876188A (zh) | 一种间连服务商风险评估方法及装置 | |
| CN108537460A (zh) | 用户风险预测方法及系统 | |
| CN109359961A (zh) | 清算渠道推荐方法及装置和电子设备 | |
| CN108846675A (zh) | 一种支付限额调整方法及装置 | |
| CN111465953B (zh) | 基于交易分类账的账户间社会关系导出装置及方法 | |
| CN107066518A (zh) | 数据处理方法及系统 | |
| TW202026970A (zh) | 金額結算系統及方法 | |
| CN110415123A (zh) | 金融产品推荐方法、装置和设备及计算机存储介质 | |
| Chang et al. | An integrated smartphone and tariff plan selection for taxi service operators: MCDM and RStudio approach | |
| CN112132634A (zh) | 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 | |
| CN110516918A (zh) | 一种风险识别方法和装置 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40010773 Country of ref document: HK |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20201012 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201012 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |
|
| RJ01 | Rejection of invention patent application after publication |