CN110363571B - 交易用户的提前感知方法和装置 - Google Patents

交易用户的提前感知方法和装置 Download PDF

Info

Publication number
CN110363571B
CN110363571B CN201910548519.6A CN201910548519A CN110363571B CN 110363571 B CN110363571 B CN 110363571B CN 201910548519 A CN201910548519 A CN 201910548519A CN 110363571 B CN110363571 B CN 110363571B
Authority
CN
China
Prior art keywords
data
time period
environmental factor
merchant
historical payment
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
Application number
CN201910548519.6A
Other languages
English (en)
Other versions
CN110363571A (zh
Inventor
何勇
张亮
陈天
范艺聪
雷锦华
刘贝
梅寒
马国来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910548519.6A priority Critical patent/CN110363571B/zh
Publication of CN110363571A publication Critical patent/CN110363571A/zh
Priority to PCT/CN2020/071097 priority patent/WO2020258836A1/zh
Priority to US16/808,002 priority patent/US11216832B2/en
Application granted granted Critical
Publication of CN110363571B publication Critical patent/CN110363571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0259—Targeted advertisements based on store location
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种交易用户的提前感知方法和装置，方法包括：获取第一时间周期内的第一环境因素数据，和目标物联网IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布，能够在对交易用户进行提前感知时降低复杂度和成本。

Description

交易用户的提前感知方法和装置
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及交易用户的提前感知方法和装置。
背景技术
当前，在各种营销活动中，常常要预先知道所面对的用户的特点，从而进行有针对性的营销。典型地，在线下支付的商业场景中，各种企业和公司经常会举办各种营销活动，来增强用户对支付渠道的感知，提高用户使用支付工具的频次，增加用户对产品的粘性。具体来说经常对用户发放各种优惠活动，促使用户在支付的过程中进行核销，就能享受到优惠活动。针对线下支付的业务场景，最近出现了一些新型的物联网(internet of things，IOT)设备，在用户支付完成后，支付的盒子可以播报一些语音提醒，语音包含服务提醒类，营销类，事件类。针对营销类的语音，相比APP等线上渠道，线下的场景能同时面向多个用户。
发明内容
本说明书一个或多个实施例描述了一种交易用户的提前感知方法和装置，能够在对交易用户进行提前感知时降低复杂度和成本。
第一方面，提供了一种交易用户的提前感知方法，方法包括：
获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；
获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；
将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。
在一种可能的实施方式中，所述神经网络模型通过以下方式训练：
获取第三时间周期内的第三环境因素数据，和所述目标IOT设备在所述第三时间周期内发生的各历史支付行为对应的第二历史支付数据；所述第三时间周期在当前时间之前；
获取第四时间周期内的第四环境因素数据；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；
获取在所述第四时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的实际统计分布；
将所述第三环境因素数据、所述第二历史支付数据和所述第四环境因素数据作为所述神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练。
在一种可能的实施方式中，所述历史支付数据包括以下至少一项：
用户画像数据、商户特征数据、地理位置信息和序列信息。
在一种可能的实施方式中，所述预设指标包括以下至少一项：
性别、年龄、支付频率。
在一种可能的实施方式中，所述神经网络模型包括：
长短期记忆网络(long short term memory，LSTM)模型。
在一种可能的实施方式中，所述历史支付数据包括用户画像数据；
所述用户画像数据通过如下方式确定：
获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签或历史支付次数中的至少一项特征；
针对各用户的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据。
在一种可能的实施方式中，所述历史支付数据包括环境因素数据；
所述环境因素数据通过如下方式确定：
获取天气特征、节假日特征、周末和工作日特征中的至少一项作为所述环境因素数据。
在一种可能的实施方式中，所述历史支付数据包括商户特征数据；
所述商户特征数据包括以下至少一项：
商户的行业类型、商户的特色标签、商户的商圈信息和商户的周边信息；
其中，商户的行业类型根据国家规定的商户类别(merchant category code，MCC)标准来确定；
商户的特色标签根据用户在商户消费记录的打标标签类设定；
商户的商圈信息基于兴趣点(point of interest，POI)信息确定；
商户的周边信息根据预设地理区域之内的商户个数来确定。
在一种可能的实施方式中，所述历史支付数据包括地理位置信息；
所述地理位置信息通过如下方式确定：
获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；
将各用户到商户的距离的综合值作为所述地理位置信息。
在一种可能的实施方式中，所述历史支付数据包括对应多个时间周期的多组数据；
所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。
在一种可能的实施方式中，所述历史支付数据包括对应多个地理位置的多组数据；
所述历史支付数据包括空间序列信息，所述空间序列信息用于标识所述多组数据在空间上与所述目标IOT设备的远近顺序。
第二方面，提供了一种交易用户的提前感知装置，装置包括：
第一获取单元，用于获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；
第二获取单元，用于获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；
预估单元，用于将所述第一获取单元获取的第一环境因素数据、第一历史支付数据和所述第二获取单元获取的第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，首先获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；然后获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；最后将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。由上可见，该方案为软件解决方案，能够在对交易用户进行提前感知时降低复杂度和成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的交易用户的提前感知方法流程图；
图3示出根据一个实施例的感知模型建立示意图；
图4示出根据一个实施例的交易用户的提前感知装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及交易用户的提前感知，例如，通过IOT设备进行线下支付的商业场景中，在用户通过IOT设备支付完成后，该IOT设备可以播报一些语音提醒，语音包含营销类语音，由于语音面对的是多个用户，因此对用户的预设指标的统计分布的预估，具有重要的现实意义，有助于有针对性的播放不同的营销类语音，达到更好的营销效果。可以理解的是，对用户的预设指标的统计分布的预估，可以但不限于包括，性别分布、年龄分布、支付频率的高中低频分布等。上述预估的时间周期可以为周、天、小时等，例如，预估下一周用户的预设指标的统计分布，或者，预估下一天(即明天)用户的预设指标的统计分布，或者，预估下一小时用户的预设指标的统计分布。
本说明书实施例中，将当前时间之前的第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；以及当前时间之后的第二时间周期内的第二环境因素数据；作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。可以理解的是，上述环境因素数据可以但不限于包括天气、是否节假日等数据。上述历史支付数据可以但不限于包括用户画像数据、商户特征数据、地理位置信息和序列信息等数据。通过考虑环境因素的变化，来预估通过所述目标IOT设备发生交易的用户在预设指标上的统计分布，可以使预测结果更为准确。
图2示出根据一个实施例的交易用户的提前感知方法流程图，该方法可以基于图1所示的应用场景。如图2所示，该实施例中交易用户的提前感知方法包括以下步骤：步骤21，获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；步骤22，获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；步骤23，将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。下面描述以上各个步骤的具体执行方式。
首先在步骤21，获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前。可以理解的是，对于第一时间周期的时长可以根据策略预先设定，例如，当前日期之前的一周，当前时刻之前的24小时等。
在一个示例中，所述历史支付数据包括以下至少一项：
用户画像数据、商户特征数据、地理位置信息和序列信息。
其中，所述用户画像数据可以通过如下方式确定：
获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签(通常也称为口味)或历史支付次数中的至少一项特征；
针对各用户的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据。
例如，上述目标特征为年龄，针对各用户的年龄，计算年龄的一阶矩f1,1，二阶矩f1,2，三阶矩f1,3，求和f1,4，假设有N个用户，那么f1,1和f1,2，f1,3，f1,4定义如下：
Figure BDA0002104785530000071
Figure BDA0002104785530000072
Figure BDA0002104785530000073
Figure BDA0002104785530000074
当原始画像数据包括多项特征时，对于每项特征分别计算f1,1和f1,2，f1,3，f1,4，构成f1整个特征作为各用户的用户画像数据。
其中，所述环境因素数据可以通过如下方式确定：
获取天气特征、节假日特征、周末和工作日特征中的至少一项作为所述环境因素数据。
例如，环境因素数据，主要包含天气特征f2,1，时间特征f2,2，节假日特征f2,3，周末和工作日特征f2,4等特征。其中天气特征量化为5个等级，分别为恶劣，差，中等，良好，非常好。时间特征按照小时维度进行切分，每个小时对应一个值，时间特征与天气特征具有关联关系，每个小时对应的天气特征可能不同。节假日特征按照国家规定的阴历和阳历等节假日作为1，非节假日为0。对于周末和工作日特征的处理为：周末为1，工作日0。所有的特征一起构成f2特征，即环境因素数据。
其中，所述商户特征数据可以包括以下至少一项：
商户的行业类型、商户的特色标签(也称为商户的口味)、商户的商圈信息和商户的周边信息；
其中，商户的行业类型根据国家规定的商户类别MCC标准来确定；
商户的特色标签根据用户在商户消费记录的打标标签类设定；
商户的商圈信息基于兴趣点POI信息确定；
商户的周边信息根据预设地理区域之内的商户个数来确定。
例如，商户特征数据，包括商户的行业类型f3,1，商户的口味f3,2，商户的商圈信息f3,3，商户的周边信息f3,4，其中行业类型可以根据国家固定的MCC标准来计算。商户的口味可以根据用户在商户消费记录的打标标签类设定，商圈信息基于POI信息，分为学校，医院等多个POI类别，基于电子地图的POI信息可以获取。商户的周边信息可以是周边1公里之内的商户个数，商户个数，可以基于用户的报活数据计算。
其中，所述地理位置信息可以通过如下方式确定：
获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；
将各用户到商户的距离的综合值作为所述地理位置信息。
例如，地理位置信息，利用支付用户的历史报活位置Li(历史位置的平均值)和商户的基于位置的服务(location based service，LBS)地理位置计算用户到商户L0的距离，对于N个用户，进行平均值的计算，计算公式如下。
Figure BDA0002104785530000081
在一个示例中，所述历史支付数据包括对应多个时间周期的多组数据；
所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。
可以理解的是，上述时间周期可以为天，也可以为小时等。
在一个示例中，所述历史支付数据包括对应多个地理位置的多组数据；
所述历史支付数据包括空间序列信息，所述空间序列信息用于标识所述多组数据在空间上与所述目标IOT设备的远近顺序。
例如，序列信息，除了用户画像数据、商户特征数据、地理位置信息和环境因素数据的特征，还可以把所有的特征沿着时间维度进行展开，变成时间维度的序列特征，沿着空间维度进行展开，变成空间维度的特征，空间序列信息和时间序列信息的具体的计算方式如下：
f5,1＝|Li-L0|1 (6)
f5,2＝|Ti-T0|1 (7)
其中L0是当前的位置，比如IOT设备的位置，T0是当前时刻，计算距离支付时间的时刻Ti和位置信息Li，得到位置差和时间差的绝对值，并且按照每个用户的支付时间对各特征进行时间上的排序。
然后在步骤22，获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后。可以理解的是，第二环境因素数据与第一环境因素数据包含相同的特征，例如，第一环境因素数据包含天气特征、节假日特征、周末和工作日特征中，则第二环境因素数据也包含天气特征、节假日特征、周末和工作日特征。各项特征的确定方式二者也相同，在此不做赘述。
最后在步骤23，将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。可以理解的是，上述神经网络模型可以通过历史数据进行预先训练。
在一个示例中，所述神经网络模型通过以下方式训练：
获取第三时间周期内的第三环境因素数据，和所述目标IOT设备在所述第三时间周期内发生的各历史支付行为对应的第二历史支付数据；所述第三时间周期在当前时间之前；
获取第四时间周期内的第四环境因素数据；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；
获取在所述第四时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的实际统计分布；
将所述第三环境因素数据、所述第二历史支付数据和所述第四环境因素数据作为所述神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练。
在一个示例中，所述预设指标包括以下至少一项：
性别、年龄、支付频率。
可以理解的是，当预设指标为性别时，可以预估各用户中性别为男性的用户比例，各用户中性别为女性的用户比例。当预设指标为年龄时，可以预估各用户中在各年龄段的用户比例。当预设指标为支付频率时，可以预估各用户中在各支付频率区间的用户比例。
在一个示例中，所述神经网络模型包括：
长短期记忆网络LSTM模型。
可以理解的是，也可采用其他的模型，例如循环神经网络(recurrent neuralnetwork，RNN)模型。
通过本说明书实施例提供的方法，首先获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；然后获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；最后将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。由上可见，该方案为软件解决方案，能够在对交易用户进行提前感知时降低复杂度和成本。
图3示出根据一个实施例的感知模型建立示意图。本说明书实施例，结合IOT场景的历史支付数据和环境因素数据进行拟合建模，在实时场景中进行提前感知，针对流量和用户画像进行提前预估。主要的流程包括：
首先基于IOT设备的发生的历史支付行为，比如第T天的历史支付数据，将历史支付数据包括的用户画像数据、商户特征数据、地理位置信息、序列信你，以及第T天的环境因素数据全部量化，分别表示成f1,f2,f3,f4,f5；设定提前感知的指标，可以称为流量y(比如性别分布y1，年龄分布y2，用户支付次数高中低频分布y3等)。
然后基于第T天的f1,f2,f3,f4,f5特征和第T+1天的感知指标y，进行感知模型的建立y＝w1*f1+w2*f2+w3*f3+w4*f4+w5*f5，可以基于LSTM模型。
最后利用上述训练好的模型，根据第T+1天的f1＇,f2＇,f3＇,f4＇,f5＇特征，预测第T+2天的流量，y＇＝w1*f1＇+w2*f2＇+w3*f3＇+w4*f4＇+w5*f5＇。
可以理解的是，本说明书实施例中的历史支付数据还可以包括其他用户行为特征，比如IOT设备支付用户的职业特征。
本说明书实施例，基于IOT设备跟支付场景结合的特性，提取了IOT设备相关的用户画像、商户信息、地理位置信息进行用户提前感知。结合了线下支付特有的因素，时间和空间维度的序列信息和外部天气因素等，来提高预估的准确率。
根据另一方面的实施例，还提供一种交易用户的提前感知装置，该装置用于执行本说明书实施例提供的交易用户的提前感知方法。图4示出根据一个实施例的交易用户的提前感知装置的示意性框图。如图4所示，该装置400包括：
第一获取单元41，用于获取第一时间周期内的第一环境因素数据，和目标物联网IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；
第二获取单元42，用于获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；
预估单元43，用于将所述第一获取单元41获取的第一环境因素数据、第一历史支付数据和所述第二获取单元42获取的第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。
可选地，作为一个实施例，所述神经网络模型通过以下方式训练：
获取第三时间周期内的第三环境因素数据，和所述目标IOT设备在所述第三时间周期内发生的各历史支付行为对应的第二历史支付数据；所述第三时间周期在当前时间之前；
获取第四时间周期内的第四环境因素数据；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；
获取在所述第四时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的实际统计分布；
将所述第三环境因素数据、所述第二历史支付数据和所述第四环境因素数据作为所述神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练。
可选地，作为一个实施例，所述历史支付数据包括以下至少一项：
用户画像数据、商户特征数据、地理位置信息和序列信息。
可选地，作为一个实施例，所述预设指标包括以下至少一项：
性别、年龄、支付频率。
可选地，作为一个实施例，所述神经网络模型包括：
长短期记忆网络LSTM模型。
可选地，作为一个实施例，所述历史支付数据包括用户画像数据；
所述用户画像数据通过如下方式确定：
获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签或历史支付次数中的至少一项特征；
针对各用户的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据。
可选地，作为一个实施例，所述历史支付数据包括环境因素数据；
所述环境因素数据通过如下方式确定：
获取天气特征、节假日特征、周末和工作日特征中的至少一项作为所述环境因素数据。
可选地，作为一个实施例，所述历史支付数据包括商户特征数据；
所述商户特征数据包括以下至少一项：
商户的行业类型、商户的特色标签、商户的商圈信息和商户的周边信息；
其中，商户的行业类型根据国家规定的商户类别MCC标准来确定；
商户的特色标签根据用户在商户消费记录的打标标签类设定；
商户的商圈信息基于兴趣点POI信息确定；
商户的周边信息根据预设地理区域之内的商户个数来确定。
可选地，作为一个实施例，所述历史支付数据包括地理位置信息；
所述地理位置信息通过如下方式确定：
获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；
将各用户到商户的距离的综合值作为所述地理位置信息。
可选地，作为一个实施例，所述历史支付数据包括对应多个时间周期的多组数据；
所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。
可选地，作为一个实施例，所述历史支付数据包括对应多个地理位置的多组数据；
所述历史支付数据包括空间序列信息，所述空间序列信息用于标识所述多组数据在空间上与所述目标IOT设备的远近顺序。
通过本说明书实施例提供的装置，首先第一获取单元41获取第一时间周期内的第一环境因素数据，和目标IOT设备在所述第一时间周期内发生的各历史支付行为对应的第一历史支付数据；所述第一时间周期在当前时间之前；然后第二获取单元42获取第二时间周期内的第二环境因素数据；所述第二时间周期在当前时间之后；最后预估单元43将所述第一环境因素数据、所述第一历史支付数据和所述第二环境因素数据作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户在预设指标上的预估统计分布。由上可见，该方案为软件解决方案，能够在对交易用户进行提前感知时降低复杂度和成本。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种交易用户的提前感知方法，所述方法包括：
获取第一时间周期内的环境因素数据的第一环境因素值，和目标物联网I OT设备在所述第一时间周期内发生的各历史支付行为对应的历史支付数据的第一历史支付值；所述第一时间周期在当前时间之前；所述环境因素数据包括天气特征、节假日特征、周末和工作日特征中的至少一项；所述历史支付数据包括用户画像数据，以及以下至少一项：商户特征数据、对应于用户位置和商户位置的地理位置信息、对应于时间上的先后顺序的时间序列信息、对应于地理位置的远近顺序的空间序列信息；
获取第二时间周期内的所述环境因素数据的第二环境因素值；所述第二时间周期在当前时间之后；
将所述第一环境因素值、所述第一历史支付值和所述第二环境因素值作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标I OT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的预估统计分布；
所述预先训练的神经网络模型通过以下方式得到：
获取第三时间周期内的所述环境因素数据的第三环境因素值，和所述目标I OT设备在所述第三时间周期内发生的各历史支付行为对应的所述历史支付数据的第二历史支付值；所述第三时间周期在当前时间之前；
获取第四时间周期内的所述环境因素数据的第四环境因素值；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；
获取在所述第四时间周期内，通过所述目标I OT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的实际统计分布；
将所述第三环境因素值、所述第二历史支付值和所述第四环境因素值作为待训练的神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练，以得到所述预先训练的神经网络模型。
2.如权利要求1所述的方法，其中，所述目标特征包括以下至少一项：
性别、年龄、支付频率。
3.如权利要求1所述的方法，其中，所述神经网络模型包括：
长短期记忆网络LSTM模型。
4.如权利要求1所述的方法，其中，所述用户画像数据通过如下方式确定：
获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签或历史支付次数中的至少一项特征；
针对各用户的所述至少一项特征中的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据；
其中，所述目标特征的一阶矩表示所述各特征值的均值；所述目标特征的二阶矩表示所述各特征值的方差；所述目标特征的三阶矩表示所述各特征值的偏斜度；所述目标特征的求和计算表示对所述各特征值进行求和。
5.如权利要求1所述的方法，其中，所述历史支付数据包括商户特征数据；
所述商户特征数据包括以下至少一项：
商户的行业类型、商户的特色标签、商户的商圈信息和商户的周边信息；
其中，商户的行业类型根据国家规定的商户类别MCC标准来确定；
商户的特色标签根据用户在商户消费记录的打标标签类设定；
商户的商圈信息基于兴趣点POI信息确定；
商户的周边信息根据预设地理区域之内的商户个数来确定。
6.如权利要求1所述的方法，其中，所述历史支付数据包括地理位置信息；
所述地理位置信息通过如下方式确定：
获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；
将各用户到商户的距离的综合值作为所述地理位置信息。
7.如权利要求1所述的方法，其中，所述历史支付数据包括对应多个时间周期的多组数据；
所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。
8.如权利要求1所述的方法，其中，所述历史支付数据包括对应多个地理位置的多组数据；
所述历史支付数据包括空间序列信息，所述空间序列信息用于标识所述多组数据分别对应的地理位置，在空间上与所述目标IOT设备的远近顺序。
9.一种交易用户的提前感知装置，所述装置包括：
第一获取单元，用于获取第一时间周期内的环境因素数据的第一环境因素值，和目标物联网IOT设备在所述第一时间周期内发生的各历史支付行为对应的历史支付数据的第一历史支付值；所述第一时间周期在当前时间之前；所述环境因素数据包括天气特征、节假日特征、周末和工作日特征中的至少一项；所述历史支付数据包括用户画像数据，以及以下至少一项：商户特征数据、对应于用户位置和商户位置的地理位置信息、对应于时间上的先后顺序的时间序列信息、对应于地理位置的远近顺序的空间序列信息；
第二获取单元，用于获取第二时间周期内的所述环境因素数据的第二环境因素值；所述第二时间周期在当前时间之后；
预估单元，用于将所述第一获取单元获取的第一环境因素值、第一历史支付值和所述第二获取单元获取的第二环境因素值作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标IOT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的预估统计分布；
所述预先训练的神经网络模型通过以下方式得到：
获取第三时间周期内的所述环境因素数据的第三环境因素值，和所述目标IOT设备在所述第三时间周期内发生的各历史支付行为对应的所述历史支付数据第二历史支付值；所述第三时间周期在当前时间之前；
获取第四时间周期内的所述环境因素数据的第四环境因素值；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；
获取在所述第四时间周期内，通过所述目标IOT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的实际统计分布；
将所述第三环境因素值、所述第二历史支付值和所述第四环境因素值作为待训练的神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练，以得到所述预先训练的神经网络模型。
10.如权利要求9所述的装置，其中，所述目标特征包括以下至少一项：
性别、年龄、支付频率。
11.如权利要求9所述的装置，其中，所述神经网络模型包括：
长短期记忆网络LSTM模型。
12.如权利要求9所述的装置，其中，所述用户画像数据通过如下方式确定：
获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签或历史支付次数中的至少一项特征；
针对各用户的所述至少一项特征中的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据；
其中，所述目标特征的一阶矩表示所述各特征值的均值；所述目标特征的二阶矩表示所述各特征值的方差；所述目标特征的三阶矩表示所述各特征值的偏斜度；所述目标特征的求和计算表示对所述各特征值进行求和。
13.如权利要求9所述的装置，其中，所述历史支付数据包括商户特征数据；
所述商户特征数据包括以下至少一项：
商户的行业类型、商户的特色标签、商户的商圈信息和商户的周边信息；
其中，商户的行业类型根据国家规定的商户类别MCC标准来确定；
商户的特色标签根据用户在商户消费记录的打标标签类设定；
商户的商圈信息基于兴趣点POI信息确定；
商户的周边信息根据预设地理区域之内的商户个数来确定。
14.如权利要求9所述的装置，其中，所述历史支付数据包括地理位置信息；
所述地理位置信息通过如下方式确定：
获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；
将各用户到商户的距离的综合值作为所述地理位置信息。
15.如权利要求9所述的装置，其中，所述历史支付数据包括对应多个时间周期的多组数据；
所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。
16.如权利要求9所述的装置，其中，所述历史支付数据包括对应多个地理位置的多组数据；
所述历史支付数据包括空间序列信息，所述空间序列信息用于标识所述多组数据分别对应的地理位置，在空间上与所述目标IOT设备的远近顺序。
17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。
18.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项的所述的方法。
CN201910548519.6A 2019-06-24 2019-06-24 交易用户的提前感知方法和装置 Active CN110363571B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910548519.6A CN110363571B (zh) 2019-06-24 2019-06-24 交易用户的提前感知方法和装置
PCT/CN2020/071097 WO2020258836A1 (zh) 2019-06-24 2020-01-09 交易用户的提前感知方法和装置
US16/808,002 US11216832B2 (en) 2019-06-24 2020-03-03 Predicting future user transactions

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910548519.6A CN110363571B (zh) 2019-06-24 2019-06-24 交易用户的提前感知方法和装置

Publications (2)

Publication Number Publication Date
CN110363571A CN110363571A (zh) 2019-10-22
CN110363571B true CN110363571B (zh) 2020-08-28

Family

ID=68215878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910548519.6A Active CN110363571B (zh) 2019-06-24 2019-06-24 交易用户的提前感知方法和装置

Country Status (2)

Country Link
CN (1) CN110363571B (zh)
WO (1) WO2020258836A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11216832B2 (en) 2019-06-24 2022-01-04 Advanced New Technologies Co., Ltd. Predicting future user transactions
CN110363571B (zh) * 2019-06-24 2020-08-28 阿里巴巴集团控股有限公司 交易用户的提前感知方法和装置
CN111179088B (zh) * 2019-12-31 2023-09-26 中国银行股份有限公司 一种信息处理方法及装置
CN111242602B (zh) * 2020-01-19 2023-12-26 腾讯科技（深圳）有限公司 支付设备的控制方法、装置、计算机可读存储介质和设备
CN113011968B (zh) * 2021-03-30 2023-07-14 腾讯科技（深圳）有限公司 账号状态的检测方法、装置和存储介质及电子设备
CN113112308B (zh) * 2021-05-06 2024-03-12 支付宝(杭州)信息技术有限公司 设备标注方法、系统和定向信息推送的方法和系统
CN113516480B (zh) * 2021-08-19 2024-04-26 支付宝(杭州)信息技术有限公司 一种支付风险识别方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969467A (zh) * 2018-09-30 2020-04-07 北京国双科技有限公司 产品销售预测方法及相关装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412915B (zh) * 2013-08-06 2019-01-15 复旦大学 一种面向金融高频交易数据的情景感知测定方法和系统
JP6161992B2 (ja) * 2013-08-20 2017-07-12 株式会社日立製作所 販売予測システム及び販売予測方法
KR101524971B1 (ko) * 2014-02-11 2015-06-02 숭실대학교산학협력단 개인 성향 예측 방법 및 그 장치
CN104008184A (zh) * 2014-06-10 2014-08-27 百度在线网络技术（北京）有限公司 信息的推送方法和装置
CN104835057A (zh) * 2015-04-02 2015-08-12 百度在线网络技术（北京）有限公司 一种获取网络用户的消费特征信息的方法及装置
CN104766144A (zh) * 2015-04-22 2015-07-08 携程计算机技术（上海）有限公司 订单预测方法及系统
CN104991939A (zh) * 2015-07-08 2015-10-21 携程计算机技术（上海）有限公司 业务数据监控方法和系统
CN106548369A (zh) * 2016-10-14 2017-03-29 五邑大学 基于蚁群算法的电子商务消费者意图识别方法
CN106651213B (zh) * 2017-01-03 2020-11-20 百度在线网络技术（北京）有限公司 服务订单的处理方法及装置
CN106803309B (zh) * 2017-01-19 2019-10-11 深圳怡化电脑股份有限公司 一种金融自助设备加钞预测的方法和装置
CN107895283B (zh) * 2017-11-07 2021-02-09 重庆邮电大学 一种基于时间序列分解的商家客流量大数据预测方法
CN108230007B (zh) * 2017-11-28 2021-09-10 北京三快在线科技有限公司 一种用户意图的识别方法、装置、电子设备及存储介质
CN109509030B (zh) * 2018-11-15 2021-06-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN110363571B (zh) * 2019-06-24 2020-08-28 阿里巴巴集团控股有限公司 交易用户的提前感知方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969467A (zh) * 2018-09-30 2020-04-07 北京国双科技有限公司 产品销售预测方法及相关装置

Also Published As

Publication number Publication date
CN110363571A (zh) 2019-10-22
WO2020258836A1 (zh) 2020-12-30

Similar Documents

Publication Publication Date Title
CN110363571B (zh) 交易用户的提前感知方法和装置
Guo et al. A new approach for constructing home price indices: The pseudo repeat sales model and its application in China
Chapman et al. Estimation and evaluation of uncertainty: a minimalist first pass approach
Enshassi et al. Factors affecting the accuracy of pre-tender cost estimates in the Gaza Strip
US20150012335A1 (en) Automated rental amount modeling and prediction
US20120072357A1 (en) Method and system for predicting property values within discrete finite market elements
US20080288335A1 (en) Home valuator
KR101573190B1 (ko) 실시간 유동 인구 측정 시스템 및 방법
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
Bellotti Reliable region predictions for automated valuation models
CN113837806A (zh) 产品流转量预测方法、装置、电子设备和存储介质
WO2010128924A1 (en) System for generating a housing price index
CN103617146A (zh) 一种基于硬件资源消耗的机器学习方法及装置
US11449880B2 (en) Methods, systems, apparatus and articles of manufacture to model eCommerce sales
Rolfe Theoretical issues in using choice modelling data for benefit transfer
CN117273800A (zh) 营销策略生成方法、装置、设备及存储介质
Beveridge Best practices using building information modeling in commercial construction
US11216832B2 (en) Predicting future user transactions
Sprinkle Heuristics in Construction Project Management
CN113706201B (zh) 房产预估模型训练方法、装置、计算机设备及介质
CN111126741A (zh) 基于查勘员画像的理赔案件分配方法、装置、计算机设备及存储介质
Jensen Tricks of the CAMA Masters
Dykman et al. Interpreting traditional cost contingency methods in the construction industry
AU2023200945A1 (en) Method and Apparatus for Asset Selection
KR20180031448A (ko) 부동산 추정 가격에 대한 신뢰성 등급 부여 시스템 및 방법

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40016243

Country of ref document: HK

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201010

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201010

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.