CN111784384B - 支付业务数据处理方法、装置、设备及系统 - Google Patents

Abstract

本说明书提供一种支付业务数据处理方法、装置、设备及系统，从支付应用端和业务应用端两个维度采集用户支付信息，采集到的信息更加全面，为后续支付概率预测奠定了数据基础。并且基于支付业务的链路，对不同的支付节点依次进行用户支付信息的采集，并基于采集到的用户支付信息对支付前、支付中、支付后的支付概率进行预测，并基于预测出的支付概率值，对支付概率值满足预设条件的支付业务进行相应的支付推送信息的推送。

Description

支付业务数据处理方法、装置、设备及系统

技术领域

本说明书属于计算机技术领域，尤其涉及一种支付业务数据处理方法、装置、设备及系统。

背景技术

随着计算机技术的发展，线上购物、线上支付的用户越来越多，用于线上购物的网络平台、支付应用也越来越多，不同的用户可能有不同的喜好。通常可以根据用户的支付意愿，来为不同用户进行信息推荐，如：推荐不同的产品信息、不同支付应用、不同的购物平台等。通常对于支付意愿一般是基于支付端的支付数据确定的，然而，通过这种方式确定的用户支付意愿的准确性可能不高。

发明内容

本说明书实施例的目的在于提供一种支付业务数据处理方法、装置、设备及系统，提高了支付概率预测的准确性和支付成功率。

第一方面，本说明书实施例提供了一种支付业务数据处理方法，所述方法包括：

从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；

根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付业务的支付概率值；

根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

第二方面，本说明书提供了一种支付业务数据处理装置，所述方法包括：

信息采集模块，用于从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；

概率预测模块，用于根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

支付概率值确定模块，用于判断确定出的所述支付业务的支付概率值满足预设条件时，输出所述支付业务的支付概率值；

信息推送模块，用于根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

第三方面，本说明书提供了一种支付业务数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述的方法。

第四方面，本说明书提供了一种支付业务数据处理系统，所述系统包括：

数据采集模块，用于从支付应用端和业务应用端采集支付业务处于不同的支付节点时支付用户的用户支付信息；

支付预测模块，用于根据所述数据采集模块采集的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，并根据预测的支付概率值筛选出支付概率值满足预设条件的待处理支付业务；

支付推送模块，用于根据所述待处理支付业务所处的支付节点和所述支付预测模块输出的支付概率值，为所述支付用户展示不同的支付推送信息。

本说明书提供的支付业务数据处理方法、装置、设备及系统，从支付应用端和业务应用端两个维度采集用户支付信息，采集到的信息更加全面，为后续支付概率预测奠定了数据基础。并且基于支付业务的链路，对不同的支付节点依次进行用户支付信息的采集，并基于采集到的用户支付信息对支付前、支付中、支付后的支付概率进行预测，并基于预测出的支付概率值，对支付概率值满足预设条件的支付业务进行相应的支付推送信息的推送，以引导用户继续支付。通过全面感知用户在对各个支付节点的行为，针对各个支付节点进行支付概率的预测，而不仅仅针对支付节点进行支付概率的计算，提高了支付概率预测的准确性和支付成功率。

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中记载的一些实施例，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是本说明书实施例提供的支付业务数据处理方法实施例的流程示意图；

图2是本说明书一个实施例中支付业务数据处理系统的结构示意图；

图3是本说明书又一个实施例中支付业务数据处理系统的结构示意图；

图4是本说明书提供的支付业务数据处理装置一个实施例的模块结构示意图；

图5是本说明书一个实施例中支付业务数据处理服务器的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，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清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，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在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

随着计算机、互联网技术的发展，线上购物和线上支付成为一种趋势，用户在线上购物进行线上支付时，有多次选择放弃支付的机会，即一笔支付业务有多个支付节点，每一个支付节点用户都可以选择支付或放弃支付。通常对于用户支付意愿的判断，都是在支付应用内基于支付应用的数据进行支付意愿的预测的，但是支付应用只能获取到支付中的数据。本说明书实施例，可以从支付应用端和业务应用端两个维度获取支付用户的信息，并且，考虑了用户在支付全链路中的各个支付节点的信息，对各个支付节点用户的支付概率进行预测，提高了支付概率预测的准确性，为后续为用户进行信息推荐提供了准确的数据基础。

图1是本说明书实施例提供的支付业务数据处理方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

具体的一个实施例如图1所示，本说明书提供的支付业务数据处理方法的一个实施例中，所述方法可以应用在客户端或服务器，如：可以应用于支付应用平台中，具体可以为计算机、平板电脑、服务器等终端，所述方法可以包括如下步骤：

步骤102、从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息。

在具体的实施过程中，支付业务可以理解为使用支付应用进行付款的业务，如：可以是一笔订单业务的支付过程。支付应用端可以理解为用于进行线上支付的用户侧的应用程序端，业务应用端可以理解为商户应用端，本说明书实施例不仅可以获取支付应用端中支付用户的相关信息，还可以获取商户端中与用户支付相关的信息。即可以从用户侧和商户侧获取用户的支付相关信息，本说明书实施例支付应用端和业务应用端可以进行合作，进行数据互通，当然对于隐私机密性数据，数据交互可以进行加密，以确保信息的安全。本说明书实施例可以从支付应用端和业务应用端采集支付业务在不同支付节点时，支付用户的用户支付信息，其中，支付节点按照支付流程可以依次包括：订单提交节点、支付节点、身份校验节点、挽回节点，挽回节点可以表示用户退出支付时的确认退出节点。用户支付信息可以理解为与支付业务相关的信息，如：可以包括用户个人信息如：姓名、性别、年龄、职业等，也可以包括支付的产品信息如：产品名称、价格、支付金额、产品类型、产地等，还可以包括支付历史信息，其中支付历史信息可以包括支付应用端的支付历史信息，以及业务应用端提供的用户采用其他支付方式购买其产品的支付历史信息，还可以包括业务应用端提供的支付应用是从哪个购物平台转入当前支付业务的信息等等。用户支付信息还可以包括用户在支付应用端和业务应用端的操作行为数据，如：点击、浏览页面等行为数据。

例如：当用户提交一笔订单，进入订单提交节点，可以业务应用端获取用户支付信息，如：商户a在购物平台A、B均由店铺，当某用户在购物平台A中商户a的店铺中浏览后，转入购物平台B中商户a的店铺购买商品，商户a可以获知用户在提交订单前，在购物平台A浏览过该产品。可以从商户应用端即业务应用端获取用户在商户a的两个购物平台中的支付历史信息，以及用户在商户应用端的浏览、点击等操作数据，也可以从商户应用端采集支付用户的个人信息。当用户选择支付，进入支付节点时，可以从支付应用端采集支付业务的支付用户的用户个人信息如：姓名、性别、年龄、职业等，以及支付用户在支付应用端的支付历史信息，在支付应用端的点击、浏览等操作行为数据。当用户确认支付后，需要进行身份核验如：密码校验、指纹校验等，可以从支付应用端采集用户在身份校验节点用户的操作行为信息，如：是否立即进行身份校验、选择了哪种身份校验方式等。若用户在身份校验时选择退出支付，进入挽回节点，可以从支付应用端获取用户在挽回节点的操作行为信息如：是否立即选择确认退出，是否选择放弃支付原因等等。

步骤104、根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值。支付概率值

在具体的实施过程中，采集到支付业务在各个支付节点时的用户支付信息时，可以依次对支付业务在各个支付节点的支付概率进行预测。如：当支付业务进入订单提交节点时，从业务应用端和支付应用端采集订单提交节点的用户支付信息，基于订单提交节点的用户支付信息对订单提交节点的支付概率进行预测。当支付业务进入下一个节点即支付节点时，再采集支付节点的用户支付信息，对支付节点的支付概率进行预测。可以使用机器学习模型如：神经网络模型、逻辑回归模型等等，对支付业务在各个支付节点的支付概率值进行预测，具体的模型结构本说明书实施例不作具体限定，支付概率值可以反映支付用户对当前产品的支付意愿大小。

步骤106、判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付业务的支付概率值。

在具体的实施过程中，可以对预测出的支付概率值是否满足预设条件进行判断，若满足预设条件，则输出该支付概率值。本说明书实施例可以主要筛选支付意愿比较低的支付业务，预测出的支付概率值满足的预设条件可以为支付概率值小于预设阈值或支付概率值表征的含义为支付意愿低，此时可以输出对应的支付概率值。如：可以预先将支付概率值划分为4个等级，分别为：支付意愿高、支付意愿较高、支付意愿较低、支付意愿低，当支付概率值对应于支付意愿较低和支付意愿低时，认为满足预设条件，输出对应的支付概率值，当然，输出的支付概率值还可以包括其表征的支付意愿的高低的含义，本说明书实施例不作具体限定。

步骤108、根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

在具体的实施过程中，当确定出支付业务当前的支付节点，支付用户的支付概率值满足预设条件，如：支付意愿比较低时，可以根据支付业务所处的支付节点和对应的支付概率值，向用户返回支付推送信息。支付推送信息可以理解为支付策略信息，可以用来引导用户支付，支付推送信息可以是支付权益信息、个性化的支付文案、推荐的支付渠道信息、推荐的核身方式等等。例如：若经预测用户在订单提交节点的支付概率值比较低，即用户的支付意愿比较低，则可以向用户推送不同的优惠折扣信息或优惠金额信息或关联权益信息如：赠送视频网站的会员等等，以引导用户继续支付，或者也可以返回激励用户支付的文字或动画内容。

例如：对于订单提交节点，预测的支付概率值可以有4个取值“指定支付应用偏好用户”，“无偏好用户”，“竞对支付应用弱偏好用户”，“竞对支付应用强偏好用户”。针对“无偏好用户”、“竞对支付应用弱偏好用户”、“竞对支付应用强偏好用户”可以输出不同金额的权益信息以引导用户通过指定支付应用完成商品购买。对于支付节点，预测的支付概率值可以有4个取值“高支付意愿”，“中支付意愿”，“低支付意愿”，“极低支付意愿”。针对“低支付意愿”，“极低支付意愿”输出个性化文案或者权益吸引用户点击“立即付款”按钮，提升用户支付意愿。对于挽回节点，预测的支付概率值也可以有4个取值“意愿放弃”、“余额不足”、“核身不适合”、“商品改价”。针对不同的取值输出相关的文案，比如针对余额不足，可以提示用户更改支付渠道。其中，“竞对支付”可以理解为采用非指定支付应用或非指定支付方式进行的支付。

本说明书实施例提供的支付业务数据处理方法，从支付应用端和业务应用端两个维度采集用户支付信息，采集到的信息更加全面，为后续支付概率预测奠定了数据基础。并且基于支付业务的链路，对不同的支付节点依次进行用户支付信息的采集，并基于采集到的用户支付信息对支付前、支付中、支付后的支付概率进行预测，并基于预测出的支付概率值，对支付概率值满足预设条件的支付业务进行相应的支付推送信息的推送，以引导用户继续支付。通过全面感知用户在对各个支付节点的行为，针对各个支付节点进行支付概率的预测，而不仅仅针对支付节点进行支付概率的计算，提高了支付概率预测的准确性和支付成功率。

在上述实施例的基础上，本说明书一些实施例中，根据采集的用户支付信息对所述支付业务在一个支付节点的支付概率进行预测的方法包括：

将所述支付业务在一个支付节点采集到的用户支付信息输入到多层级预测模型中，所述多层级预测模型中包括不同层级的预测模型，层级越高的预测模型的预测精度越高，预测效率越低；

所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成；

若最高层级的预测模型预测完成，则判断最高层级的预测模型预测的支付概率值是否满足预设条件，若是，则输出所述最高层级的预测模型预测出的支付概率值。

在具体的实施过程中，本说明书一些实施例中在进行支付概率的预测时，可以提供一种多层级的预测模型，即有不同层级的预测模型，层级越高的预测模型结构越复杂，预测精度越高，预测效率越低。当采集到支付业务在同一个支付节点的用户支付信息后，可以先输入到层级最低的预测模型进行支付概率的预测，若层级最低的预测模型预测出该支付业务在该支付节点的支付概率值满足预设条件后，则将采集到的用户支付信息输入到高一层级的预测模型继续进行支付概率预测，直至某一层级的预测模型预测出的支付概率值不满足该层级预测模型的预设条件，则对该支付业务放行，即进行正常支付流程，不需要高一层级的预测模型进行支付概率的预测。若支付概率预测进行到最高层级的预测模型，并且直至最高层级的预测模型，每一层级的预测模型均确定该支付业务在该支付节点的支付概率值满足预设条件，则输出最高层级的预测模型预测的支付概率值。若最高层级的预测模型预测出该支付业务在该支付节点的支付概率值不满足预设条件，则对该支付业务放行，即进行正常支付流程。其中，预测模型可以基于历史用户支付信息以及支付结果进行模型训练构建，具体构建方法本说明书实施例不作具体限定。

需要说明的是，每一层级的预测模型可以对应有一个预设条件，在判断多层级的预测模型计算出的支付概率值是否满足预设条件时，不同层级的预测模型的预设条件可以不同也可以相同。如：可以预先将每一层级的预测模型输出的支付概率值均分为4个等级，设置每一层级的预测模型的预设条件均为满足其中某个或某几个等级，即各个层级的预测模型的预设条件相同，如：每一层级的支付概率值为前两个等级则满足预设条件。或者，可以设置每个层级的预测模型输出的支付概率值分别满足不同的阈值时，则确定满足该层级的预测模型的预设条件。或者，可以将不同层级的预测模型的预测结果分为不同数量的等级，如：低层级的预测模型的预测结果分为三个等级，高层级的预测模型的预测结果分为4-6个等级等，不同层级的预测模型的预测结果满足该层级的指定等级时，则认为满足该层级预测模型的预设条件。

本说明书实施例，采用多层级的预测模型依次对支付业务的支付概率进行预测，当数据量比较大时，低层级的预测模型的预测效率比较快，能够快速筛选出不符合预设条件的支付业务进行放行，使得高层级的预测模型的计算量大大降低。既保证了支付概率预测的准确性，又确保了数据处理效率。

在上述实施例的基础上，本说明书一些实施例中，所述多层级预测模型包括第一预测模型、第二预测模型、第三预测模型，其中，所述第一预测模型的层级最低，所述第三预测模型的层级最高；所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成，包括：

将采集到的支付业务在一个支付节点的用户支付信息输入到第一预测模型中，利用所述第一预测模型计算所述支付业务在一个支付节点的支付概率值，若所述第一预测模型计算出的支付概率值小于概率上限值且大于概率下限值，则将所述支付业务在一个支付节点的用户支付信息输入到第二预测模型中；

利用所述第二预测模型计算所述支付业务在一个支付节点的支付概率值，若所述第二预测模型计算的支付概率值小于第一支付概率阈值，则将支付业务在一个支付节点的用户支付信息输入到第三预测模型中；

利用所述第三预测模型计算所述支付业务在一个支付节点的支付概率值；

判断所述第三预测模型计算出的支付概率值是否小于第二支付概率阈值，若是，则确定所述支付业务在一个支付节点的支付概率值满足所述预设条件，输出所述第三预测模型计算出的支付概率值。

在具体的实施过程中，本说明书一些实施例中，多层级的预测模型可以包括三个层级的预测模型，层级从低到高依次为：第一预测模型、第二预测模型、第三预测模型。当多层级的预测模型对支付业务的支付概率进行预测时，可以先将采集到的支付业务在一个支付节点的用户支付信息输入到第一预测模型中，利用第一预测模型计算支付业务在该支付节点的支付概率值，若第一预测模型计算出的支付概率值小于概率上限值且大于概率下限值，则将支付业务在该支付节点的用户支付信息输入到第二预测模型中。第一预测模型可以是结构比较简单的逻辑回归模型、树模型、神经网络模型等，第一预测模型的特点是决策速度快，可以用第一预测模型过滤掉支付概率很高或很低的支付业务，这类支付业务不需要特别精确的计算就可以识别出，并且可以不需要推送支付推送信息。

第二预测模型可以为策略和轻量级模型，决策效率没有第一预测模型块，但决策精度相对于第一预测模型较高，可以用于筛选支付概率比较高的大部分支付业务。当第二预测模型接收到第一预测模型过滤后的支付业务的用户支付信息后，进行支付概率的计算，若计算出的支付概率值小于第一支付概率阈值，即可以认为该支付业务的支付意愿比较低，可能需要进一步的预测。可以将该支付业务的用户支付信息输入到第三支付模型中，第三支付模型可以是一些结构比较复杂，计算精度相较于第二预测模型更高的模型如：神经网络模型、强化学习、联邦学习、融合模型等等。当第三预测模型接收到第二预测模型过滤后的支付业务的用户支付信息后，基于接收到的信息进行支付概率预测，若预测出的概率阈值小于第二支付概率阈值，则认为该支付业务的在该支付节点的支付概率满足预设条件，即支付意愿比较低，可以将第三预测模型计算出的支付概率值输出，为该支付用户推送对应的支付推送信息。

需要说明的是，第一支付概率阈值和第二支付概率阈值分别属于第二预测模型和第三预测模型预测出的支付概率值满足预设条件的判断条件，不同层级的预测模型的预设条件可以根据实际需要进行设置，因此，第一支付概率阈值和第二支付概率阈值的大小没有具体的限定，可以相同也可以不同，对于其实际取值以及大小关系，本说明书实施例不作具体限定。

本说明书实施例提供的支付业务数据处理方法，采用三个层级不同结构的预测模型对支付业务在各个支付节点的支付概率进行预测，第一预测模型的预测效率比较快，能够快速筛选出支付概率值在两个极端的支付业务进行放行，第二预测模型的预测精度相对较高可以准确的筛选出大部分支付概率值比较高，支付意愿比较高的支付业务进行放行，第三预测模型则对剩余的支付业务进行精确的预测。通过一层层的筛选，使得高层级的预测模型的计算量大大降低，既保证了支付概率预测的准确性，又确保了数据处理效率。

在上述实施例的基础上，本说明书一些实施例中，所述方法还可以包括：

根据所述支付业务各个支付节点的用户支付信息、各个支付节点的支付概率值、各个支付节点的支付推送信息以及所述支付业务的支付结果对所述预测模型进行优化更新。

在具体的实施过程中，本说明书一些实施例还可以提供模型的在线学习，即对于每一笔支付业务，可以在支付完成(包括支付成功、支付失败)后，将支付业务的用户支付信息、各个节点的支付概率值、确定出的支付推送信息以及支付结果输入至预测模型如：第一预测模型、第二预测模型、第三预测模型，对预测模型的模型参数进行更新，以提高预测模型预测结果的准确度。采集离线+在线的方式，提升了模型预测的准确度。

在上述实施例的基础上，本说明书一些实施例中，所述根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，包括：

对所述支付业务在当前支付节点的支付概率进行预测后，当所述支付业务进行到所述当前支付节点的下一个支付节点时，采集下一个支付节点所述支付业务对应的用户支付信息；

根据采集到的下一个支付节点所述支付业务对应的用户支付信息和所述当前支付节点支付业务对应的用户支付信息，对下一个支付节点时所述支付业务的支付概率进行预测。

在具体的实施过程中，一个支付业务有多个支付节点，其中，当前支付节点可以理解为当前支付业务所处的支付节点，从拉起订单页面开始，订单提交节点即为当前支付节点。可以先采集订单提交节点时支付用户的用户支付信息，对订单提交节点的支付概率进行预测。当预测出订单提交节点的支付概率值满足预设条件时，可以根据订单提交节点以及对应的支付概率值向用户返回对应的支付推送信息，当预测出的订单提交节点的支付概率值不满足预设调价，则直接对支付业务放行，继续进行后续支付流程。当用户选择继续支付，进入支付节点时，采集支付节点时支付用户的用户支付信息，与订单提交节点时的用户支付信息一起，综合进行支付节点的支付概率预测。同样的当进入身份校验节点时，采集身份校验节点时的用户支付信息，与支付节点时支付用户的用户支付信息、订单提交节点时的用户支付信息一起，综合进行身份校验节点的支付概率预测。当支付用户选择退出支付，进入挽回节点时，采集挽回节点时的用户支付信息，与身份校验节点时的用户支付信息、支付节点时支付用户的用户支付信息、订单提交节点时的用户支付信息一起，综合进行挽回节点的支付概率预测。

每一个支付节点的支付概率预测后，均可以根据预测出的支付概率值以及所处的支付节点，采取对应的策略，如：返回不同的支付推送信息。本说明书实施例，根据支付业务的链路，依次对各个支付节点的信息进行采集，并对各个支付节点的支付概率进行预测，每进行到新的支付节点时，采集新的用户支付信息与之前的支付节点的用户支付信息一起综合进行新的支付节点的支付概率的预测，信息不断丰富，使得支付概率的预测结果越来越准确。

在上述实施例的基础上，本说明书一些实施例中，所述方法还可以包括：

若所述支付业务支付失败，则对所述支付业务的用户支付信息以及对应的支付推送信息进行审核，确定出支付失败原因。

在具体的实施过程中，当支付业务支付失败时，可以对支付失败的支付业务的数据进行综合分析，如：对支付失败的支付业务的用户支付信息、对应的支付推送信息进行审核，找出支付失败原因，如：是否是推送的支付推送信息不合理、某些用户特征是否没有考虑等等。可以由专业人员进行人工审核，或者采用机器学习模型进行数据分析审核，本说明书实施例不作具体限定。其中，支付失败的支付业务可以是预测支付概率值不满足预设条件直接放行，进行正常的支付业务，也可以是预测出支付概率值满足预设条件的支付业务。

本说明书实施例对于支付失败的支付业务进行全面分析，确定出支付失败原因，为后续支付概率的预测奠定了准确的数据基础，也对支付推送信息的准确合理推送奠定的数据基础，提高了支付成功率。

在具体的实施过程中，本说明书一些实施例中，所述根据所述支付业务所处的支付节点和所述支付概率值，返回对应的支付推送信息，可以包括：

根据所述支付概率值确定所述支付用户是支付应用低意愿用户还是产品低意愿用户；

若确定所述支付用户为支付应用低意愿用户，则返回的支付推送信息为支付应用权益信息；

若确定所述支付用户为产品低意愿用户，则向业务应用端返回产品支付问题信息，以使得所述业务应用端向所述支付用户返回产品权益信息的支付推送信息。

在具体的实施过程中，可以基于预测出的支付概率值确定出当前支付用户是否是支付应用低意愿用户、产品低意愿用户，即确定当前用户支付意愿低是因为产品还是支付应用。例如：可以预先设置预测模型的输出结果进行分类，0表示高意愿，1表示产品不满意，2表示支付应用不满意，当然，还可以有其他的分类方式，本说明书实施例不作具体限定。当确定出当前支付节点支付用户为支付应用低意愿用户，则可以返回支付应用权益信息，即由支付应用提供一定的权益给用户，以引导用户继续支付，提高支付成功率。当确定出当前支付节点支付用户为产品低意愿用户，则可以向商户返回支付问题信息，提示商户可以给用户一定的优惠或折扣信息，即由业务应用端即商户端给支付用户提供一定的产品权益给用户，引导用户继续支付，提高支付成功率。尤其在当支付业务的支付节点为订单提交节点时，可以根据用户是支付应用低意愿用户或产品低意愿用户，来确定是由支付应用返回支付推送信息，还是由商户即业务应用返回支付信息。

本说明书实施例，从支付应用端和业务应用端获取用户支付信息，因此可以基于获取到的信息确定用户支付意愿低是因为支付应用还是产品，可以针对性为用户返回对应的支付推送信息，以提高支付成功率。

在上述实施例的基础上，本说明书一些实施例中，所述方法还包括：

采集指定支付应用的舆情信息和所述指定支付应用的竞对应用的竞对支付策略信息，根据所述舆情信息和所述对支付信息对所述支付推送信息进行调整。

在具体的实施过程中，在数据采集时，还可以采集指定支付应用的舆情信息以及指定支付应用的竞对应用(功能相似的其他支付应用或支付方式)的竞对支付策略信息。其中，舆情信息可以理解为与指定支付应用相关的用户评价信息或用户反馈信息，如：用户对指定支付应用的某些活动的反馈或对指定支付应用的支付推送信息、核身方式等等的反馈信息，主要可以为些负面评价或负面反馈信息。竞对支付策略信息可以理解为竞对应用的支付相关信息如：活动信息。可以基于采集到的舆情信息和竞对支付信息对向支付用户返回的支付推送信息进行调整，如：若基于舆情信息获知有些支付推送信息对用户造成了打扰，则可以不进行推送，若基于竞对支付信息获知竞对支付应用给出的权益信息对用户比较满意，则可以参考竞对支付信息为用户推送支付推送信息。基于外部舆情信息以及竞对支付信息，对支付推送信息进行调整，以使得返回的支付推送信息更加符合用户的需求，提高用户满意度，进一步提高支付成功率。

本说明书中上述方法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考即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。

基于上述所述的支付业务数据处理方法，本说明书一个或多个实施例还提供一种用于支付业务数据处理的系统。所述系统可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置、系统如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置、系统的实施可以参考前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2是本说明书一个实施例中支付业务数据处理系统的结构示意图，如图2所示，支付业务数据处理系统可以包括：数据采集模块、支付预测模块、支付推送模块，其中：

数据采集模块，用于从支付应用端和业务应用端采集支付业务处于不同的支付节点时支付用户的用户支付信息；

支付预测模块，用于根据所述数据采集模块采集的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，并根据预测的支付概率值筛选出支付概率值满足预设条件的待处理支付业务；

支付推送模块，用于根据所述待处理支付业务所处的支付节点和所述支付预测模块输出的支付概率值，为所述支付用户展示不同的支付推送信息。

在具体的实施过程中，数据采集模块可以从支付应用端和业务应用端采集支付业务处于不同的支付节点时支付用户的用户支付信息，其中，支付应用端、业务应用端、支付业务、支付节点、用户支付信息的含义可以参考上述实施例的记载，此处不再赘述。支付预测模型可以用于根据数据采集模块采集到的用户支付信息，对不同的支付业务在各个支付节点时的支付概率进行预测，并根据预测出的支付概率值筛选出支付概率值满足预设条件如：支付概率值比较低的待处理支付业务。支付推送模块可以根据支付预测模块输出的支付概率值以及待处理支付业务所处的支付节点，返回对应的支付推送信息。

图3是本说明书又一个实施例中支付业务数据处理系统的结构示意图，如图3所示，其中数据采集模块可以包括用户信息采集子模块、舆情数据采集子模块、竞对数据采集子模块，其中，用户信息采集子模块主要用户采集不同支付业务在各个支付节点时的用户支付信息，用户信息采集子模块可以通过数据互通、联邦学习的方式，了解用户在支付应用端内和外部的业务应用端的行为。所述舆情数据采集子模块用于采集指定支付应用的舆情信息，如：通过指定支付应用中的舆情平台或外部媒体平台如：微博、论坛等，采集与指定支付应用相关联的舆情信息，舆情信息可以理解为与指定支付应用相关的用户评价信息或用户反馈信息。所述竞对数据采集子模块用于通过网络爬虫、文本挖掘采集指定支付应用的竞对支付应用的竞对支付数据，竞对支付数据即上述实施例中记载的竞对支付策略信息，可以为竞对支付应用的运营数据等。支付策略模块可以根据采集到的舆情信息、竞对支付数据对展示的支付推送信息进行调整，具体调整方法可以参考上述实施例的记载。通过支付应用端、业务应用端两端可以采集到支付应用端内的用户支付信息，以及外部商户、媒体等于支付相关的信息，使得更加全面的对用户支付概率进行准确的预测，提高了支付概率预测的准确性。

在上述实施例的基础上，本说明书实施例中的支付预测模块中包括多层级预测子模块，每一层级预测子模块包括不同的预测模型，层级越高的预测子模块的预测模型的预测精度越高，预测效率越低；

从低层级到高层级的预测子模块依次对同一个支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测子模块所在层级的预设条件或最高层级的预测子模块预测完成，筛选出所述待处理支付业务。

在具体的实施过程中，在进行支付概率的预测时，可以提供一种预测子模块每一层级预测子模块中有一个预测模型，不同层级的预测子模块的预测模型不同。即实际上提供了一种多层级的预测模型，即有不同层级的预测模型，层级越高的预测模型结构越复杂，预测精度越高，预测效率越低。当采集到支付业务在同一个支付节点的用户支付信息后，可以先输入到层级最低的预测模型进行支付概率的预测，由最低层级预测子模块中预测模型对该支付业务进行筛选。若最低层级的预测子模块对该支付业务的支付概率预测后，认为该支付业务可以放行，则直接放行，进行后续的支付流程。若最低层级的预测子模块对该支付业务的支付概率预测后，认为该支付业务还需要进一步进行支付概率的预测处理，则可以由高一层级的预测子模块的继续对该支付业务在该支付节点的支付概率进行计算。若高一层级的预测子模块确定该支付业务可以放行，则直接放行，进行后续的支付流程，不需要再高层级的预测子模块进行支付概率的预测处理。若高一层级的预测子模块对该支付业务的支付概率预测后，认为该支付业务还需要进一步进行支付概率的预测处理，则可以由再高一层级的预测子模块的继续对该支付业务在该支付节点的支付概率进行计算，以此类推，直至最高层级的预测子模块预测完成，将最高层级的预测子模块计算出的支付概率值满足该最高层级的预测子模块的预设条件的支付业务作为待处理支付业务。

其中，预测模型可以基于历史用户支付信息以及支付结果进行模型训练构建，具体构建方法本说明书实施例不作具体限定。

需要说明的是，在判断多层级的预测子模块计算出的支付概率值是否满足预设条件时，不同层级的预测子模块的预设条件可以不同也可以相同。即每一层级的预测子模块决定支付业务是放行还是输入到高一层级的预测子模块的条件可以相同，可以不同。如：可以预先将每一层级的预测子模块输出的支付概率值均分为4个等级，设置每一层级的预测子模块的预设条件均为满足其中某个或某几个等级。或者，可以设置每个层级的预测子模块输出的支付概率值分别满足不同的阈值时，则确定满足该层级的预测子模块的预设条件。或者，可以将不同层级的预测子模块的预测结果分为不同数量的等级，如：低层级的预测子模块的预测结果分为三个等级，高层级的预测子模块的预测结果分为4-6个等级等，不同层级的预测子模块的预测结果满足指定等级时，则认为满足该层级预测子模块的预设条件。

本说明书实施例，采用多层级的预测模型依次对支付业务的支付概率进行预测，当数据量比较大时，低层级的预测模型的预测效率比较快，能够快速筛选出不符合预设条件的支付业务进行放行，使得高层级的预测模型的计算量大大降低。既保证了支付概率预测的准确性，又确保了数据处理效率。

在上述实施例的基础上，本说明书一些实施例中，所述支付预测模块包括三个层级的预测子模块，所述支付预测模块具体用于：

将所述数据采集模块采集到的各个支付业务在各个支付节点的用户支付信息输入到层级最低的第一层级的预测子模块中；

所述第一层级的预测子模块筛选出支付概率值小于概率上限值且大于概率下限值的第一筛选支付业务，并将所述第一筛选支付业务输入到第二层级的预测子模块中；

所述第二层级的预测子模块对所述第一筛选支付业务进行概率预测，从所述第一筛选支付业务中筛选出支付概率值小于第一支付概率阈值的第二筛选支付业务，并将所述第二筛选支付业务输入到第三层级的预测子模块中；

所述第三层级的预测子模块对所述第二筛选支付业务进行概率预测，从所述第二筛选支付业务中筛选出支付概率值小于第二支付概率阈值的支付业务作为所述待处理支付业务。

在具体的实施过程中，如图3所示，支付预测模块可以由策略和模型共同组成的一套预测模块，可以包括4层，形成一个层层递进的结构，目的是既保证预测准确率，又保证决策耗时不会过长。第一层级的预测子模块即图3所示的“端模型”，决策速度最快，通过用户在支付应用端上的行为，包括等特征对用户的意愿进行判断，筛选出极端意愿(包括极高支付意愿和极低支付意愿)的用户，作用是排除掉约10％不需要输出相关支付推送信息的支付业务进行放行，即第一层级的预测子模块可以筛选出支付概率值小于概率上限值且大于概率下限值的第一筛选支付业务。被第一层级的预测子模块判断为需要继续决策的支付业务进入到第二层级的预测子模块即图3所示的“高意愿预测”层，通过一些简单的策略和轻量级模型，快速识别出约80％的高意愿用户进行放行，不做多余的运营活动，主要可以使用如逻辑回归模型、xgb(决策树模型)等运算较快的模型，第二层级的预测子模块可以筛选出支付概率值小于第一支付概率阈值的第二筛选支付业务。剩下的支付业务可以继续通过第三层级的预测子模块即图3所示的“深度预测”层，通过一些复杂的模型(如：神经网络、强化学习、联邦学习、融合模型等)对用户的支付意愿进行深度判断，筛选出相对高意愿用户，进行放行，剩余的用户即为需要运营的用户，针对性的输出的支付推送信息。第三层级的预测子模块可以筛选出支付概率值小于第二支付概率阈值的支付业务作为所述待处理支付业务。通过这三层的预测，可得到当前支付业务在当前节点最终需要输出的支付推送信息。

需要说明的是，第一支付概率阈值和第二支付概率阈值分别属于第二预测模型和第三预测模型预测出的支付概率值满足预设条件的判断条件，不同层级的预测模型的预设条件可以根据实际需要进行设置，因此，第一支付概率阈值和第二支付概率阈值的大小没有具体的限定，可以相同也可以不同，本说明书实施例不作具体限定。

第四层即为图3所示的“全面分析”层，即为审核子模块，目的是对失败的支付业务进行更全面的分析，对支付失败的待处理支付业务进行审核，确定出支付失败原因，为今后的支付推送信息或支付管理做出铺垫。

本说明书实施例采用三个层级不同结构的预测模型对支付业务在各个支付节点的支付概率进行预测，低层级的预测模型的预测效率比较快，能够快速筛选出不符合预设条件的支付业务进行放行，使得高层级的预测模型的计算量大大降低。既保证了支付概率预测的准确性，又确保了数据处理效率。

如图3所示，所述系统还包括模型优化模块，所述模型优化模型用于根据所述数据采集模块采集的支付业务对应的用户支付信息、所述支付预测模块输出的支付概率值、所述支付推送模块确定的支付推送信息以及所述支付业务的支付结果对所述支付预测模块中的预测模型进行优化更新。

在具体的实施过程中，本说明书一些实施例还可以提供模型的在线学习，即对于每一笔支付业务，可以在支付完成(包括支付成功、支付失败)后，将支付业务的用户支付信息、各个节点的支付概率值、确定出的支付推送信息以及支付结果输入至预测模型，对预测模型的模型参数进行更新，以提高预测模型预测结果的准确度。通过在线学习、无监学习的方式，使得策略和模型不断进化。该模块主要保证模型参数的实时更新，在线学习一般会采取“离线+在线”结合的方式提升模型的准确度。

如图3所示，本说明书实施例中支付推送模块即为图3中的全链路模块全链路模块，可以支持支付的各个支付节点，从支付前到支付中到支付后，包含所有用户可能点击的页面，如：订单页、收银台首页、核身页、退出挽回页等等。

针对不同页面，根据支付预测模块预测出的结果输出不同支付推送信息。

订单页：目标是通过模型预测出更偏向于使用竞对支付应用的用户，预测的支付概率值可以有4个取值“指定支付应用偏好用户”，“无偏好用户”，“竞对支付应用弱偏好用户”，“竞对支付应用强偏好用户”。针对“无偏好用户”、“竞对支付应用弱偏好用户”、“竞对支付应用强偏好用户”可以输出不同金额的权益吸引用户通过指定支付应用完成商品购买。当然，订单页的模型预测的支付概率值还可以有其他的分类方式如：高意愿用户、产品不满意用户、指定支付应用不满意用户、竞对支付应用不满意用户等。

收银台首页：目标是通过模型预测出支付意愿较低的用户，模型预测值会有4个取值“高支付意愿”，“中支付意愿”，“低支付意愿”，“极低支付意愿”。针对“低支付意愿”，“极低支付意愿”输出个性化文案或者权益吸引用户点击“立即付款”按钮，提升用户支付意愿。

核身页：可以预测出用户喜爱核身方式，针对性的输出对应的核身方式，以增加用户的满意度，提高支付成功率。

挽回页：目标是通过模型预测出挽回空间最大的用户，模型预测值会有4个取值“意愿放弃”、“余额不足”、“核身不适合”、“商品改价”。针对不同的取值输出相关的文案，比如针对余额不足，可提示用户更改支付渠道。

本说明书实施例提供了一套全链路体系，通过构建大数据生态，全面感知用户在支付业务的各个环节的行为，针对各个环节去做意愿感知即支付概率预测，因此对于用户支付概率判断的准确度更高。通过全链路的感知，可以将人群识别为支付应用高意愿、支付应用低意愿、竞对支付应用高意愿、竞对支付应用低意愿。因此，可以分群针对性推送不同的支付推送信息，即可以针对全量低意愿用户运营，也可以仅针对竞对支付应用高意愿用户进行运营，针对性更强，能够更好地提高支付成功率。

图4是本说明书提供的支付业务数据处理装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的支付业务数据处理装置可以包括：

信息采集模块41，用于从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；

概率预测模块42，用于根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

支付概率值确定模块43，用于在判断确定出的所述支付业务的支付概率值满足预设条件时，输出所述支付业务的支付概率值；

信息推送模块44，用于根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

本说明书实施例提供的支付业务数据处理装置，从支付应用端和业务应用端两个维度采集用户支付信息，采集到的信息更加全面，为后续支付概率预测奠定了数据基础。并且基于支付业务的链路，对不同的支付节点依次进行用户支付信息的采集，并基于采集到的用户支付信息对支付前、支付中、支付后的支付概率进行预测，并基于预测出的支付概率值，对与满足预设条件的支付概率值的支付业务进行相应的支付推送信息的推送，以引导用户继续支付。通过全面感知用户在对各个支付节点的行为，针对各个支付节点进行支付概率的预测，而不仅仅针对支付节点进行支付概率的计算，提高了支付概率预测的准确性。

本说明书一些实施例中，所述概率预测模块具体用于：

将所述支付业务在一个支付节点采集到的用户支付信息输入到多层级预测模型中，所述多层级预测模型中包括不同层级的预测模型，层级越高的预测模型的预测精度越高，预测效率越低；

所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成；

所述支付概率值确定模块具体用于：

若最高层级的预测模型预测完成，则判断最高层级的预测模型预测的支付概率值是否满足预设条件，若是，则输出所述最高层级的预测模型预测出的支付概率值。

本说明书实施例，采用多层级的预测模型依次对支付业务的支付概率进行预测，当数据量比较大时，低层级的预测模型的预测效率比较快，能够快速筛选出不符合预设条件的支付业务进行放行，使得高层级的预测模型的计算量大大降低。既保证了支付概率预测的准确性，又确保了数据处理效率。

需要说明的，上述所述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。

本说明书实施例还提供一种支付业务数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例的信息推荐数据处理方法，如：

从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；

根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付业务的支付概率值；

根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

需要说明的，上述所述的设备和系统根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书提供的支付业务数据处理装置，也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书一个实施例中支付业务数据处理服务器的硬件结构框图，该计算机终端可以是上述实施例中的支付业务数据处理服务器或支付业务数据处理装置。如图5所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。

非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的支付业务数据处理方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它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求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。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：

从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；

根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付业务的支付概率值；

根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

本说明书实施例提供的上述支付业务数据处理方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。

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考即可，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，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。

本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

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。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、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何设备的组合。

虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个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，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本发明是参照根据本发明实施例的方法、装置(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资源数据更新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资源数据更新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装置。

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资源数据更新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装置的制造品，该指令装置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资源数据更新设备上，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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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、石墨烯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。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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考即可，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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (18)

1.一种支付业务数据处理方法，所述方法包括：

从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；所述业务应用端为商户应用端，所述支付节点包括支付流程中涉及到的节点；

根据所述支付业务在各个支付节点采集到的用户支付信息依次对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付业务的支付概率值；

根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

2.如权利要求1所述的方法，根据采集的用户支付信息对所述支付业务在一个支付节点的支付概率进行预测的方法包括：

将所述支付业务在一个支付节点采集到的用户支付信息输入到多层级预测模型中，所述多层级预测模型中包括不同层级的预测模型，层级越高的预测模型的预测精度越高，预测效率越低；

所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成；

所述判断确定出的所述支付业务的支付概率值是否满足预设条件，若是，则输出所述支付概率值作为所述支付业务的支付概率值，包括：

若最高层级的预测模型预测完成，则判断最高层级的预测模型预测的支付概率值是否满足预设条件，若是，则输出所述最高层级的预测模型预测出的支付概率值。

3.如权利要求2所述的方法，所述多层级预测模型包括第一预测模型、第二预测模型、第三预测模型，其中，所述第一预测模型的层级最低，所述第三预测模型的层级最高；所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成，包括：

将采集到的支付业务在一个支付节点的用户支付信息输入到第一预测模型中，利用所述第一预测模型计算所述支付业务在一个支付节点的支付概率值，若所述第一预测模型计算出的支付概率值小于概率上限值且大于概率下限值，则将所述支付业务在一个支付节点的用户支付信息输入到第二预测模型中；

利用所述第二预测模型计算所述支付业务在一个支付节点的支付概率值，若所述第二预测模型计算的支付概率值小于第一支付概率阈值，则将支付业务在一个支付节点的用户支付信息输入到第三预测模型中；

利用所述第三预测模型计算所述支付业务在一个支付节点的支付概率值；

判断所述第三预测模型计算出的支付概率值是否小于第二支付概率阈值，若是，则确定所述支付业务在一个支付节点的支付概率值满足所述预设条件，输出所述第三预测模型计算出的支付概率值。

4.如权利要求1所述的方法，所述根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，包括：

对所述支付业务在当前支付节点的支付概率进行预测后，当所述支付业务进行到所述当前支付节点的下一个支付节点时，采集下一个支付节点所述支付业务对应的用户支付信息；

根据采集到的下一个支付节点所述支付业务对应的用户支付信息和所述当前支付节点支付业务对应的用户支付信息，对下一个支付节点时所述支付业务的支付概率进行预测。

5.如权利要求1所述的方法，在所述根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息之后，所述方法还包括：

若所述支付业务支付失败，则对所述支付业务的用户支付信息以及对应的支付推送信息进行审核，确定出支付失败原因。

6.如权利要求2所述的方法，在所述根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息，之后所述方法还包括：

获取所述支付业务的支付结果；

根据所述支付业务在各个支付节点的用户支付信息、各个支付节点的支付概率值、各个支付节点的支付推送信息以及所述支付业务的支付结果对所述预测模型进行优化更新。

7.如权利要求1所述的方法，所述根据所述支付业务所处的支付节点和所述支付概率值，返回对应的支付推送信息，包括：

根据所述支付概率值确定所述支付用户是否是支付应用低意愿用户或产品低意愿用户；

若确定所述支付用户为支付应用低意愿用户，则返回的支付推送信息为支付应用权益信息；

若确定所述支付用户为产品低意愿用户，则向业务应用端返回产品支付问题信息，以使得所述业务应用端向所述支付用户返回产品权益信息的支付推送信息。

8.如权利要求1所述的方法，所述方法还包括：

采集指定支付应用的舆情信息和所述指定支付应用的竞对应用的竞对支付策略信息，根据所述舆情信息和所述对支付信息对所述支付推送信息进行调整。

9.一种支付业务数据处理装置，包括：

信息采集模块，用于从支付应用端和业务应用端采集支付业务在各个支付节点时支付用户的用户支付信息；所述业务应用端为商户应用端，所述支付节点包括支付流程中涉及到的节点；

概率预测模块，用于根据所述支付业务在各个支付节点采集到的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，确定在各个支付节点所述支付业务的支付概率值；

支付概率值确定模块，用于在判断确定出的所述支付业务的支付概率值满足预设条件时，输出所述支付业务的支付概率值；

信息推送模块，用于根据所述支付业务所处的支付节点和对应的支付概率值，返回支付推送信息。

10.如权利要求9所述的装置，所述概率预测模块具体用于：

将所述支付业务在一个支付节点采集到的用户支付信息输入到多层级预测模型中，所述多层级预测模型中包括不同层级的预测模型，层级越高的预测模型的预测精度越高，预测效率越低；

所述多层级预测模型从低层级的预测模型到高层级的预测模型依次对所述支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测模型所在层级的预设条件或最高层级的预测模型预测完成；

所述支付概率值确定模块具体用于：

若最高层级的预测模型预测完成，则判断最高层级的预测模型预测的支付概率值是否满足预设条件，若是，则输出所述最高层级的预测模型预测出的支付概率值。

11.一种支付业务数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-8任一项所述的方法。

12.一种支付业务数据处理系统，所述系统包括：

数据采集模块，用于从支付应用端和业务应用端采集支付业务处于不同的支付节点时支付用户的用户支付信息；所述业务应用端为商户应用端，所述支付节点包括支付流程中涉及到的节点；

支付预测模块，用于根据所述数据采集模块采集的用户支付信息对所述支付业务在各个支付节点的支付概率进行预测，并根据预测的支付概率值筛选出支付概率值满足预设条件的待处理支付业务；

支付推送模块，用于根据所述待处理支付业务所处的支付节点和所述支付预测模块输出的支付概率值，为所述支付用户展示不同的支付推送信息。

13.如权利要求12所述的系统，所述支付预测模块中包括多层级预测子模块，每一层级预测子模块包括不同的预测模型，层级越高的预测子模块的预测模型的预测精度越高，预测效率越低；

从低层级到高层级的预测子模块依次对同一个支付业务在一个支付节点的支付概率值进行预测，直至预测出的支付概率值不满足预测子模块所在层级的预设条件或最高层级的预测子模块预测完成，筛选出所述待处理支付业务。

14.如权利要求13所述的系统，所述支付预测模块包括三个层级的预测子模块，所述支付预测模块具体用于：

将所述数据采集模块采集到的各个支付业务在各个支付节点的用户支付信息输入到层级最低的第一层级的预测子模块中；

所述第一层级的预测子模块筛选出支付概率值小于概率上限值且大于概率下限值的第一筛选支付业务，并将所述第一筛选支付业务输入到第二层级的预测子模块中；

所述第二层级的预测子模块对所述第一筛选支付业务进行概率预测，从所述第一筛选支付业务中筛选出支付概率值小于第一支付概率阈值的第二筛选支付业务，并将所述第二筛选支付业务输入到第三层级的预测子模块中；

所述第三层级的预测子模块对所述第二筛选支付业务进行概率预测，从所述第二筛选支付业务中筛选出支付概率值小于第二支付概率阈值的支付业务作为所述待处理支付业务。

15.如权利要求12所述的系统，所述支付预测模块中还包括审核子模块，所述审核子模块用于对支付失败的待处理支付业务进行审核，确定出支付失败原因。

16.如权利要求13所述的系统，所述系统还包括模型优化模块，所述模型优化模块用于根据所述数据采集模块采集的支付业务对应的用户支付信息、所述支付预测模块输出的支付概率值、所述支付推送模块确定的支付推送信息以及所述支付业务的支付结果对所述支付预测模块中的预测模型进行优化更新。

17.如权利要求12所述的系统，所述数据采集模块包括舆情数据采集子模块，所述舆情数据采集子模块用于采集指定支付应用的舆情信息；

所述支付推送模块具体用于根据所述舆情数据采集子模块采集的舆情信息，调整所述支付推送信息。

18.如权利要求12所述的系统，所述数据采集模块包括竞对数据采集子模块，所述竞对数据采集子模块用于通过网络爬虫、文本挖掘采集指定支付应用的竞对支付应用的竞对支付数据；

所述支付推送模块具体用于根据所述竞对数据采集子模块采集的竞对支付数据，调整所述支付推送信息。

Images