CN111738775B - 一种用户支付意愿预测模型的训练方法及系统 - Google Patents
一种用户支付意愿预测模型的训练方法及系统 Download PDFInfo
- Publication number
- CN111738775B CN111738775B CN202010630290.3A CN202010630290A CN111738775B CN 111738775 B CN111738775 B CN 111738775B CN 202010630290 A CN202010630290 A CN 202010630290A CN 111738775 B CN111738775 B CN 111738775B
- Authority
- CN
- China
- Prior art keywords
- user
- merchant
- equipment
- willingness
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q30/0239—Online discounts or incentives
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种用户支付意愿预测模型的训练方法及系统。由于商户与支付服务方各自掌握一部分维度的用户数据,因此商户与商户对接的支付服务方可以借助训练协作方设备,采用纵向联邦学习算法联合训练用户支付意愿预测模型。具体而言,商户可以根据其掌握的用户相关数据以及历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本集合对应的支付意愿标签并投入到训练中,支付服务方可以基于其掌握的用户相关数据确定第二类用户样本集合并投入到训练中。由于用户支付意愿预测模型是基于纵向联邦学习算法进行训练的,因此可以保证商户与支付服务方不相互泄露自身数据隐私的前提下进行联合模型训练。
Description
技术领域
本说明书实施例涉及信息技术领域,尤其涉及一种用户支付意愿预测模型的训练方法及系统。
背景技术
用户在使用互联网业务方提供的互联网服务的过程中,互联网业务方可能会向用户推送付费业务(如购买应用内代币、购买商品、打赏主播等),用户如果想要购买付费业务,则需要向互联网业务方确认生成业务订单,接下来还需要调用互联网业务方外部的支付服务方(如电子支付平台),来向互联网业务方支付业务订单的价款,完成业务订单的结算。为了描述的方便,本文将自身不支持网络电子支付功能、需要借助外部的支付服务方完成业务订单结算的互联网业务方称为商户。
有时,商户为用户生成业务订单之后,用户可能会临时改变主意而放弃支付,导致业务订单取消。而对于商户,其为了增加营收,往往希望可以预先采取运营措施激励该用户完成支付;对于支付服务方,其为了收取支付手续费,往往也希望可以预先采取运营措施激励该用户以该支付服务方为支付工具完成支付。
然而,如何比较准确地预测用户的支付意愿,从而采取针对性的运营措施,是丞待解决的技术问题。
发明内容
为了解决如何比较准确地预测用户的支付意愿的技术问题,本说明书实施例提供一种用户支付意愿预测模型的训练方法及系统,技术方案如下:
根据本说明书实施例的第1方面,提供一种用户支付意愿预测模型的训练方法,商户基于收集的用户相关数据与历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签;支付意愿标签包括:高意愿标签与低意愿标签;
支付服务方基于收集的用户相关数据确定第二类用户样本集合;
所述方法包括:
商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,支付服务方设备基于所述第二类用户样本集合,借助训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
根据本说明书实施例的第2方面,提供一种应用第1方面训练的模型的运营方法,包括:
商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给支付服务方设备;
所述商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;以及,所述支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备;
若所述预测结果表征低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取运营措施激励所述用户完成订单结算。
根据本说明书实施例的第3方面,提供另一种用户支付意愿预测模型的训练方法,商户基于收集的用户相关数据与历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签;所述商户对接有指定支付服务方与至少一个非指定支付服务方;
所述指定支付服务方基于收集的用户相关数据确定第二类用户样本集合;
支付意愿标签包括:高意愿标签,或第一低意愿标签,或第二低意愿标签;其中,商户针对每个用户,若该用户未结算对应的历史业务订单,则为该用户分配第一低意愿标签;若该用户通过任一非指定支付服务方结算对应的历史业务订单,则为该用户分配第二低意愿标签;若该用户通过所述指定支付服务方结算对应的历史业务订单,则为该用户分配高意愿标签;
所述方法包括:
商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,指定支付服务方设备基于所述第二类用户样本集合,借助训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
根据本说明书实施例的第4方面,提供一种应用第3方面训练的模型的运营方法,包括:
商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给指定支付服务方设备;
所述商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;以及,所述指定支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备;
若所述预测结果表征第一低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取自定义的运营措施激励所述用户完成订单结算;
若所述预测结果表征第二低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取与指定支付服务方预先约定的运营措施激励所述用户完成订单结算。
根据本说明书实施例的第5方面,提供一种用户支付意愿预测模型的训练系统,包括商户设备、支付服务方设备与训练协作方设备;
商户基于收集的用户相关数据与历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签;支付意愿标签包括:高意愿标签与低意愿标签;支付服务方基于收集的用户相关数据确定第二类用户样本集合;
所述商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,所述支付服务方设备基于所述第二类用户样本集合,借助所述训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
根据本说明书实施例的第6方面,提供一种应用第1方面所述方法训练的模型的运营系统,包括商户设备、支付服务方设备与预测协作方设备;
所述商户设备,当监测到用户确认业务订单时,将所述用户的用户标识发送给支付服务方设备;基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;若预测结果表征低支付意愿,则基于向所述用户推送的订单结算页面,采取运营措施激励所述用户完成订单结算;
所述支付服务方设备,基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备,根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备。
根据本说明书实施例的第7方面,提供一种用户支付意愿预测模型的训练系统,包括商户设备、指定支付服务方设备与训练协作方设备;
商户基于收集的用户相关数据与历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签;所述商户对接有指定支付服务方与至少一个非指定支付服务方;
所述指定支付服务方基于收集的用户相关数据确定第二类用户样本集合;
支付意愿标签包括:高意愿标签,或第一低意愿标签,或第二低意愿标签;其中,商户针对每个用户,若该用户未结算对应的历史业务订单,则为该用户分配第一低意愿标签;若该用户通过任一非指定支付服务方结算对应的历史业务订单,则为该用户分配第二低意愿标签;若该用户通过所述指定支付服务方结算对应的历史业务订单,则为该用户分配高意愿标签;
所述商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,所述指定支付服务方设备基于所述第二类用户样本集合,借助所述训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
根据本说明书实施例的第8方面,提供一种应用第3方面所述方法训练的模型的运营系统,包括商户设备、指定支付服务方设备与训练协作方设备;
所述商户设备,当监测到用户确认业务订单时,将所述用户的用户标识发送给指定支付服务方设备;基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;若所述预测结果表征第一低支付意愿,则基于向所述用户推送的订单结算页面,采取自定义的运营措施激励所述用户完成订单结算;若所述预测结果表征第二低支付意愿,则基于向所述用户推送的订单结算页面,采取与指定支付服务方预先约定的运营措施激励所述用户完成订单结算;
所述指定支付服务方设备,基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备,根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备。
本说明书实施例所提供的技术方案,由于商户与支付服务方各自掌握一部分维度的用户数据,因此商户与商户对接的支付服务方可以借助训练协作方设备,采用纵向联邦学习算法联合训练用户支付意愿预测模型。具体而言,商户可以根据其掌握的用户相关数据以及历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本集合对应的支付意愿标签并投入到训练中,支付服务方可以基于其掌握的用户相关数据确定第二类用户样本集合并投入到训练中。训练结束后,商户设备获得商户侧预测模型,支付服务方设备获得支付侧预测模型。
在实际应用中,商户设备一旦监测到用户确认了业务订单,则可以启动模型预测,预测用户的支付意愿,从而可以针对性的采取运营措施来激励用户完成订单结算。
通过本说明书实施例,可以比较准确预测用户的支付意愿,并提升业务订单的结算率。并且,由于用户支付意愿预测模型是基于纵向联邦学习算法进行训练的,在训练过程中商户与支付服务方之间基于加密技术进行数据交互,因此可以保证商户与支付服务方不相互泄露自身数据隐私的前提下进行联合模型训练。
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本说明书提供的一种订单结算页面的示意图;
图2是本说明书提供的另一种订单结算页面的示意图;
图3是本说明书实施例提供的一种用户支付意愿预测模型的训练系统的结构示意图;
图4是本说明书实施例提供的一种基于用户支付意愿预测模型的运营系统的结构示意图;
图5是本说明书实施例提供的一种运营方法的流程示意图;
图6是本说明书实施例提供的另一种结算页面的示意图;
图7是本说明书实施例提供的另一种结算页面的示意图;
图8是本说明书实施例提供的另一种结算页面的示意图;
图9是用于配置本说明书实施例方法的一种计算机设备的结构示意图。
具体实施方式
图1本说明书提供的一种订单结算页面的示意图。用户使用商户提供的应用时,有可能想要购买商户业务领域内流通的代币(例如想要购买60枚代币),此时,商户应用生成订单,并向用户弹出如图1所示的订单结算页面(即代币购买页面中弹出的一种悬浮页面),用户可以选择通过支付工具A支付给商户应用6元,完成订单结算。
然而,用户可能在点击图1中的“确认支付”按钮之前改变主意而放弃支付,导致订单取消。至于放弃支付的原因,有可能是用户突然不想购买代币,又或者用户并没有开通支付工具A的账户,也有可能是用户不习惯使用支付工具A进行支付。
为此,对于商户与支付服务方A来说,都希望可以在用户确认业务订单之后、向用户弹出订单结算页面之前,提前预测用户的支付意愿,对于低支付意愿的用户,采用一定的运营措施激励用户完成结算。例如,图2是本说明书提供的另一种订单结算页面的示意图,如图2所示,在提前获知用户的支付意愿为低意愿后,商户应用可以在弹出的订单结算页面中现实“完成支付额外奖励10枚代币”的提示信息,用于激励用户完成结算。
基于以上场景需求,采用机器学习方法训练用于预测用户支付意愿的模型是一种比较好的办法。然而,如果商户仅基于自身沉淀的用户相关数据进行模型训练,或者支付服务方仅基于自身沉淀的用户相关数据进行模型训练,则对用户行为的刻画并不全面,训练得到的模型准确率难以保证。
另外,对于商户而言,其通常并不想将自身沉淀的用户相关数据公开给支付服务方;而同样,支付服务方也不想将自身沉淀的用户相关数据公开给商户。因此,商户与支付服务方分别相当于数据孤岛,彼此不能共享数据。
为了解决数据孤岛问题,本方案采用纵向联邦学习的架构,商户自身沉淀的用户相关数据可以贡献一部分维度的用户行为特征,而支付服务方沉淀的用户相关数据可以贡献另一部分维度的用户行为特征,从而使得训练出的模型准确率较高。还需要说明的是,对于训练所需要的样本标签,由于用户通常是在商户的业务领域内进行订单结算操作,因此,用户的订单结算情况通常是由商户掌握的,纵向联邦学习架构所需要的样本标签由商户提供。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图3是本说明书实施例提供的一种用户支付意愿预测模型的训练系统的结构示意图,如图3所示,该训练系统包括商户设备、支付服务方设备以及训练协作方设备。
其中,商户设备可以是商户的服务器或服务器集群。支付服务方设备可以是支付服务方的服务器或服务器集群。商户例如可以是电商应用的提供方、短视频应用的提供方、直播应用的提供方等等。支付服务方可以是市面上的各种网络电子支付平台。
图3所示的训练系统基于纵向联邦学习架构。纵向联邦学习的本质是交叉用户在不同业态下的特征联合,比如商户与支付服务方,纵向联邦学习实际上是将不同业态提供的样本集组合成一个总样本集(但是又不会向彼此泄露数据)。
以下对模型训练过程进行描述:
步骤1:数据准备。
商户基于收集的用户相关数据与历史业务订单订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签。
具体而言,商户收集的用户相关数据可以是用户在商户处的注册信息、用户的行为记录(如充值行为、浏览行为)、用户在业务领域内的用户等级;商户的历史业务订单结算情况具体可以是,商户对历史业务订单的结算情况进行统计,得到结算记录。
商户可以将自身收集的用户相关数据进行数据清洗,得到训练模型所需要的第一类用户样本集合。可以理解,每个第一类用户样本实际上是一个用户的特征向量。此外,商户针对每个历史业务订单,如果该历史业务订单对应的用户没有结算,则为该用户分配低意愿标签,如果该历史业务订单对应的用户已经结算,则为该用户分配高意愿标签。
支付服务方基于收集的用户相关数据确定第二类用户样本集合。
具体而言,支付服务方收集的用户相关数据可以是用户在支付服务方处的注册信息(如性别、年龄、所在城市等)、用户的线上线下支付行为相关信息(如消费频次、支付成功率等)。
步骤2:加密样本对齐。
由于一般而言,商户与支付服务方的用户群体并非完全一致,因此,在训练模型时,通常仅需要商户与支付服务方的共有用户的相关数据。
具体而言,训练协作方设备产生非对称密钥对(可以基于RSA算法生成非对称密钥対),将公钥下发给商户设备与支付服务方设备用于数据加密。商户设备将第一类用户样本集合加密上传给训练协作方设备,支付服务方设备将第二类样本集合加密上传给训练协作方设备,训练协作方设备对接收到的数据解密后,基于加密样本对齐技术,确定第一类用户样本集合与第二类样本集合所重合的若干用户样本,得到第三类用户样本集合。
步骤3:加密模型训练。
步骤301:商户设备和支付服务方设备分别使用自身的数据计算训练中间结果,并加密交互,用来求得各自梯度与损失。
步骤S302:商户设备与支付服务方设备分别计算各自加密后的梯度(可以添加掩码)发送给训练协作方设备,此外,商户设备还需要计算加密后的损失并发送给训练协作方设备。
步骤S303:训练协作方设备将商户设备发送的加密梯度解密后返回给商户设备,以便商户设备更新自身的模型参数,训练协作方设备将支付服务方设备发送的加密梯度解密后返回给支付服务方设备,以便支付服务方设备更新自身的模型参数。此外,训练协作方设备对商户设备发送的加密损失进行解密,以便判断损失是否收敛。
迭代上述步骤,直至满足训练停止条件(如损失收敛,又如,训练次数达到指定次数)。
由于用户支付意愿预测模型是基于纵向联邦学习算法进行训练的,在训练过程中商户与支付服务方之间基于加密技术进行数据交互,因此可以保证商户与支付服务方不相互泄露自身数据隐私的前提下进行联合模型训练。
训练结束后,商户获得了本地的模型(即商户侧预测模型),支付服务方也获得了本地的模型(即支付侧预测模型)。在应用模型时,也需要将商户侧预测模型与支付侧预测模型联合使用,这样,商户与支付服务方只需要将各自掌握的用户特征输入到自身的模型计算预测中间结果即可,预测协作方会根据商户与支付服务方上传的中间结果,确定预测结果。
图4是本说明书实施例提供的一种基于用户支付意愿预测模型的运营系统的结构示意图,如图4所示,该运营系统包括商户设备、支付服务方设备以及预测协作方设备。其中,预测协作方设备与训练协作方设备可以是同一设备,也可以不是同一设备。
图5是本说明书实施例提供的一种运营方法的流程示意图,包括如下步骤:
S500:商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给支付服务方设备。
由于用户发起并确认业务订单的行为发生在商户的业务领域内,支付服务方并不知晓,因此,需要商户设备将这一事件通知给支付服务方。
S502:商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备。
S504:支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备。
S506:所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果。
S508:预测协作方设备将预测结果返回给所述商户设备。
S510:若所述预测结果表征低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取运营措施激励所述用户完成订单结算。
举例来说,所述运营措施可以是许诺所述用户以优惠价格结算所述业务订单,或者许诺所述用户获得额外奖励(如图2所示),又或者,在订单结算页面显示一段文案,用来说服鼓励用户完成结算。
进一步地,预测协作方还可以将所述预测结果返回给所述支付服务方设备,以便所述支付服务方设备根据所述预测结果审核所述商户设备采取的运营措施。
此外,考虑到在用户低意愿时,如何确定有针对性的运营措施实际上与用户不愿意完成结算的具体原因有关。具体而言,如果用户不愿意完成结算的具体原因是对商户提供的付费业务不心动,那么,针对性的运营措施就可以是由商户付出成本补贴用户,或者向用户展示一段有助于提升对商户好感度的文案。如果用户不愿意完成结算的具体原因是对支付工具不习惯,那么,针对性的运营措施就可以是由支付服务方付出成本补贴用户,或者向用户展示一段有助于提升对支付服务方接收度的文案。
例如,图2所示的结算界面示意图,实际上可以用于在确定用户由于不满意商户的付费业务而不愿意支付的情况,为此,由商户付出成本,额外对用户进行补贴。
又如,图6是本说明书实施例提供的另一种结算页面的示意图。图6所示的结算页面,实际上可以用于在确定用户由于不习惯于支付服务方A而不愿意支付的情况,为此,由支付服务方A付出成本,额外对用户进行补贴。
为此,可以进一步追求训练可以用于预测用户在低意愿时,具体是由于商户原因低意愿还是由于支付服务方原因低意愿的模型。事实上,当商户对接了不止一个支付服务方时,可以实现上述目的。
具体而言, 商户基于收集的用户相关数据与历史业务订单结算情况,确定第一类用户样本集合与每个第一类用户样本对应的支付意愿标签;所述商户对接有指定支付服务方与至少一个非指定支付服务方;所述指定支付服务方基于收集的用户相关数据确定第二类用户样本集合。
支付意愿标签包括:高意愿标签,或第一低意愿标签,或第二低意愿标签;其中,商户针对每个用户,若该用户未结算对应的历史业务订单,则为该用户分配第一低意愿标签;若该用户通过任一非指定支付服务方结算对应的历史业务订单,则为该用户分配第二低意愿标签;若该用户通过所述指定支付服务方结算对应的历史业务订单,则为该用户分配高意愿标签;
如此,商户可以与指定支付服务方进行联合运营,准确预测每个下单用户的支付意愿,精确分担商户与指定支付服务方的运营成本,避免商户与指定支付服务方重复运营。同时,通过准确预测用户的支付意愿,也可以针对性的进行运营,提升用户完成结算的概率。
在实际应用中:
商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给指定支付服务方设备;
所述商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;以及,所述指定支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备;
若所述预测结果表征第一低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取自定义的运营措施激励所述用户完成订单结算;
若所述预测结果表征第二低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取与指定支付服务方预先约定的运营措施激励所述用户完成订单结算。
例如,所述自定义的运营措施可以是许诺所述用户以商户承诺的优惠价格结算所述业务订单,所述预先约定的运营措施可以是许诺所述用户以指定支付服务方承诺的优惠价格结算所述业务订单。
所述预测协作方设备将所述预测结果返回给所述指定支付服务方设备,以便所述指定支付服务方设备根据所述预测结果审核所述商户设备采取的运营措施。
图7与图8分别是本说明书实施例提供的两种结算页面的示意图。商户对接了支付工具A与支付工具B,其中,支付工具A代表指定支付服务方。如果模型预测结果是第一低支付意愿(商户原因),则展示图7所示的结算页面。如果模型预测结果是第二低支付意愿(用户倾向于选择支付工具B来支付),则展示图8所示的结算页面。
此外需要说明的是,在本说明书的一个或多个实施例中,如果预测结果是高支付意愿,则可以不采取任何运营措施,正常展示结算页面,也可以采取运营措施。
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本说明书中商户设备、支付服务方设备(指定支付服务方设备)、训练协作方设备、预测协作方设备中的任一个的功能。
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本说明书中商户设备、支付服务方设备(指定支付服务方设备)、训练协作方设备、预测协作方设备中的任一个的功能。
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,服务设备,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、方法、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 (14)
1.一种用户支付意愿预测模型的训练方法,商户基于收集的用户相关数据确定第一类用户样本集合,基于收集的历史业务订单结算情况确定每个第一类用户样本对应的支付意愿标签;支付意愿标签包括:高意愿标签与低意愿标签;
支付服务方基于收集的用户相关数据确定第二类用户样本集合;
所述方法包括:
商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,支付服务方设备基于所述第二类用户样本集合,借助训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
2.一种应用权利要求1所述方法训练的模型的运营方法,包括:
商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给支付服务方设备;
所述商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;以及,所述支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备;
若所述预测结果表征低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取运营措施激励所述用户完成订单结算。
3.如权利要求2所述的方法,所述运营措施,具体包括:
许诺所述用户以优惠价格结算所述业务订单。
4.如权利要求2所述的方法,所述方法还包括:
所述预测协作方设备将所述预测结果返回给所述支付服务方设备,以便所述支付服务方设备根据所述预测结果审核所述商户设备采取的运营措施。
5.一种用户支付意愿预测模型的训练方法,商户基于收集的用户相关数据确定第一类用户样本集合,基于收集的历史业务订单结算情况确定每个第一类用户样本对应的支付意愿标签;所述商户对接有指定支付服务方与至少一个非指定支付服务方;
所述指定支付服务方基于收集的用户相关数据确定第二类用户样本集合;
支付意愿标签包括:高意愿标签,或第一低意愿标签,或第二低意愿标签;其中,商户针对每个用户,若该用户未结算对应的历史业务订单,则为该用户分配第一低意愿标签;若该用户通过任一非指定支付服务方结算对应的历史业务订单,则为该用户分配第二低意愿标签;若该用户通过所述指定支付服务方结算对应的历史业务订单,则为该用户分配高意愿标签;
所述方法包括:
商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,指定支付服务方设备基于所述第二类用户样本集合,借助训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
6.一种应用权利要求5所述方法训练的模型的运营方法,包括:
商户设备当监测到用户确认业务订单时,将所述用户的用户标识发送给指定支付服务方设备;
所述商户设备基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;以及,所述指定支付服务方设备基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备;
若所述预测结果表征第一低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取自定义的运营措施激励所述用户完成订单结算;
若所述预测结果表征第二低支付意愿,则所述商户设备基于向所述用户推送的订单结算页面,采取与指定支付服务方预先约定的运营措施激励所述用户完成订单结算。
7.如权利要求6所述的方法,所述自定义的运营措施,具体包括:
许诺所述用户以商户承诺的优惠价格结算所述业务订单;
所述预先约定的运营措施,具体包括:
许诺所述用户以指定支付服务方承诺的优惠价格结算所述业务订单。
8.如权利要求6所述的方法,所述方法还包括:
所述预测协作方设备将所述预测结果返回给所述指定支付服务方设备,以便所述指定支付服务方设备根据所述预测结果审核所述商户设备采取的运营措施。
9.一种用户支付意愿预测模型的训练系统,包括商户设备、支付服务方设备与训练协作方设备;
商户基于收集的用户相关数据确定第一类用户样本集合,基于收集的历史业务订单结算情况确定每个第一类用户样本对应的支付意愿标签;支付意愿标签包括:高意愿标签与低意愿标签;支付服务方基于收集的用户相关数据确定第二类用户样本集合;
所述商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,所述支付服务方设备基于所述第二类用户样本集合,借助所述训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
10.一种应用权利要求1所述方法训练的模型的运营系统,包括商户设备、支付服务方设备与预测协作方设备;
所述商户设备,当监测到用户确认业务订单时,将所述用户的用户标识发送给支付服务方设备;基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;若预测结果表征低支付意愿,则基于向所述用户推送的订单结算页面,采取运营措施激励所述用户完成订单结算;
所述支付服务方设备,基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备,根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备。
11.一种用户支付意愿预测模型的训练系统,包括商户设备、指定支付服务方设备与训练协作方设备;
商户基于收集的用户相关数据确定第一类用户样本集合,基于收集的历史业务订单结算情况确定每个第一类用户样本对应的支付意愿标签;所述商户对接有指定支付服务方与至少一个非指定支付服务方;
所述指定支付服务方基于收集的用户相关数据确定第二类用户样本集合;
支付意愿标签包括:高意愿标签,或第一低意愿标签,或第二低意愿标签;其中,商户针对每个用户,若该用户未结算对应的历史业务订单,则为该用户分配第一低意愿标签;若该用户通过任一非指定支付服务方结算对应的历史业务订单,则为该用户分配第二低意愿标签;若该用户通过所述指定支付服务方结算对应的历史业务订单,则为该用户分配高意愿标签;
所述商户设备基于所述第一类用户样本集合与每个第一类用户样本对应的支付意愿标签,所述指定支付服务方设备基于所述第二类用户样本集合,借助所述训练协作方设备,采用纵向联邦学习算法进行模型训练,得到商户侧预测模型与支付侧预测模型。
12.一种应用权利要求5所述方法训练的模型的运营系统,包括商户设备、指定支付服务方设备与训练协作方设备;
所述商户设备,当监测到用户确认业务订单时,将所述用户的用户标识发送给指定支付服务方设备;基于所述用户的用户相关数据确定第一用户特征,并输入到商户侧预测模型,输出第一中间结果给预测协作方设备;若所述预测结果表征第一低支付意愿,则基于向所述用户推送的订单结算页面,采取自定义的运营措施激励所述用户完成订单结算;若所述预测结果表征第二低支付意愿,则基于向所述用户推送的订单结算页面,采取与指定支付服务方预先约定的运营措施激励所述用户完成订单结算;
所述指定支付服务方设备,基于所述用户的用户相关数据确定第二用户特征,并输入到支付服务侧预测模型,输出第二中间结果给预测协作方设备;
所述预测协作方设备,根据所述第一中间结果与所述第二中间结果,确定预测结果并返回给所述商户设备。
13.一种计算机设备,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1-4任一项所述方法中商户设备或支付服务方设备或训练协作方设备或预测协作方设备的功能。
14.一种计算机设备,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5-8任一项所述方法中商户设备或指定支付服务方设备或训练协作方设备或预测协作方设备的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630290.3A CN111738775B (zh) | 2020-07-03 | 2020-07-03 | 一种用户支付意愿预测模型的训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630290.3A CN111738775B (zh) | 2020-07-03 | 2020-07-03 | 一种用户支付意愿预测模型的训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738775A CN111738775A (zh) | 2020-10-02 |
CN111738775B true CN111738775B (zh) | 2021-03-05 |
Family
ID=72652732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630290.3A Active CN111738775B (zh) | 2020-07-03 | 2020-07-03 | 一种用户支付意愿预测模型的训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738775B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150221B (zh) * | 2020-11-25 | 2021-03-16 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
CN112989929B (zh) * | 2021-02-04 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 目标用户的识别方法、装置和电子设备 |
CN112967044B (zh) * | 2021-03-12 | 2022-05-06 | 支付宝(杭州)信息技术有限公司 | 一种支付业务的处理方法及装置 |
CN113902122A (zh) * | 2021-08-26 | 2022-01-07 | 杭州城市大脑有限公司 | 联邦模型协同训练方法、装置、计算机设备及存储介质 |
CN115293790A (zh) * | 2022-09-30 | 2022-11-04 | 中信建投证券股份有限公司 | 一种用户流失预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408325A (zh) * | 2016-08-29 | 2017-02-15 | 深圳市爱贝信息技术有限公司 | 基于用户支付信息的用户消费行为预测分析方法及系统 |
KR20200059914A (ko) * | 2018-11-22 | 2020-05-29 | (주)미래정보통신컨설팅 | 중고휴대폰 거래 시스템 |
CN111091416A (zh) * | 2019-12-10 | 2020-05-01 | 北京云迹科技有限公司 | 一种预测酒店购买机器人的概率的方法和装置 |
-
2020
- 2020-07-03 CN CN202010630290.3A patent/CN111738775B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111738775A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738775B (zh) | 一种用户支付意愿预测模型的训练方法及系统 | |
US20220327569A1 (en) | Locally selected platform methods, apparatuses and media | |
US11651401B2 (en) | Transactional platform | |
US8768773B2 (en) | Interactive system for providing an individual with control of the collection/distribution and content management of transaction and activities data | |
WO2022174787A1 (zh) | 模型训练 | |
US20140214519A1 (en) | Product scout platform methods, apparatuses and media | |
US10325252B2 (en) | Payment management apparatus, payment management method, and storage medium | |
CN112381453A (zh) | 信息处理方法、装置、电子设备和介质 | |
TWI546750B (zh) | 互動網路式資訊物件之貨幣化 | |
CN110135139B (zh) | 特权属性获取方法、装置、电子设备及存储介质 | |
CN108702334A (zh) | 用于针对零费率的网络配置的分布式测试的方法和系统 | |
US20190019211A1 (en) | Detecting promotion exposure through voice recognition and location data | |
US20140236699A1 (en) | Personalized product pricing | |
CN105630185B (zh) | 显示广告预测中的时间动态 | |
CN112365303B (zh) | 一种资源核销方法 | |
US11853948B2 (en) | Methods and systems for managing risk with respect to potential customers | |
US10044823B2 (en) | Social content aggregation | |
JP2020113005A (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN108259587A (zh) | 数据服务网络平台及其实现方法 | |
US20240078585A1 (en) | Method and apparatus for sharing information | |
CN111738798A (zh) | 用于生成商品信息的方法和装置 | |
US20150242872A1 (en) | Managing marketing impressions with consumer rewards | |
CN111784091A (zh) | 用于处理信息的方法和装置 | |
US20180047076A1 (en) | Sale service process assistance | |
JP7394514B2 (ja) | 情報処理システム、情報処理方法、及び情報処理プログラム |
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 |