CN111915413B - 支付实现方法、装置及电子设备 - Google Patents
支付实现方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111915413B CN111915413B CN202010851845.7A CN202010851845A CN111915413B CN 111915413 B CN111915413 B CN 111915413B CN 202010851845 A CN202010851845 A CN 202010851845A CN 111915413 B CN111915413 B CN 111915413B
- Authority
- CN
- China
- Prior art keywords
- information
- commodity
- feature extraction
- target
- attention
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06Q30/0277—Online advertisement
-
- 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]
- G06Q30/0623—Item investigation
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
说明书披露一种支付实现方法、装置及电子设备,包括:响应于目标商品的支付请求消息,获取目标商品的商品信息;通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息。
Description
技术领域
本说明书涉及计算机通信领域,尤其涉及支付实现方法、装置及电子设备。
背景技术
近年来,随着人工智能技术的兴起,基于人工智能技术对商品类型的预测也蓬勃地发展。
现有的商品类型预测通常包括:从商品信息中提取商品特征,以及基于商品特征预测商品类型。在从商品信息中提取出商品特征的过程中,由于没有考虑各个商品信息对分类结果的影响力的大小,使得商品类型的预测结果的准确性较低。
发明内容
根据本说明书的第一方面,提供一种支付实现方法,所述方法包括:
响应于目标商品的支付请求消息,获取所述目标商品的商品信息;
通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;
将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;
确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征,包括:
所述注意力层,对所述目标商品的各商品信息进行注意力计算,并将计算得到的各具有权重的商品信息输入至所述特征提取层;
所述特征提取层,基于各具有权重的商品信息,输出所述目标商品的商品特征。
可选的,所述注意力层,对所述目标商品的各商品信息进行注意力计算,包括:
所述注意力层,确定所述目标商品的各商品信息的权重;
所述注意力层,基于确定出的各商品信息的权重、以及各商品信息,确定各具有权重的商品信息。
可选的,所述商品信息包括:商品名称,商品的销售信息。
可选的,所述特征提取层为卷积神经网络。
可选的,所述向用户终端返回该推送信息,以由用户终端展示所述推送信息,包括:
向所述用户终端返回推送信息,以由所述用户终端在支付确认页面上显示所述推送信息。
根据本说明书的第二方面,提供一种对象类型的预测方法,所述方法包括:
通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征;
将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征,包括:
所述注意力层,对所述目标对象的各对象信息进行注意力计算,并将计算得到的各具有权重的对象信息输入至所述特征提取层;
所述特征提取层基于各具有权重的对象信息,输出所述目标对象的对象特征。
可选的,所述注意力层,对所述目标对象的各对象信息进行注意力计算,包括:
所述注意力层,确定所述目标对象的各对象信息的权重;
所述注意力层,基于确定出的各对象信息的权重、以及各对象信息,确定各具有权重的对象信息。
根据本说明书的第三方面,提供一种支付实现装置,所述装置包括:
获取模块,用于响应于目标商品的支付请求消息,获取目标商品的商品信息;
商品特征提取模块,用于通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;
商品确定模块,用于将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;
返回模块,用于确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述商品特征提取模块,在通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征时,用于所述注意力层,对所述目标商品的各商品信息进行注意力计算,并将计算得到的各具有权重的商品信息输入至所述特征提取层;所述特征提取层,基于各具有权重的商品信息,输出所述目标商品的商品特征。
可选的,所述商品特征提取模块,在所述注意力层,对所述目标商品的各商品信息进行注意力计算时,用于所述注意力层,确定所述目标商品的各商品信息的权重;所述注意力层,基于确定出的各商品信息的权重、以及各商品信息,确定各具有权重的商品信息。
可选的,所述商品信息包括:商品名称,商品的销售信息。
可选的,所述特征提取层为卷积神经网络。
可选的,所述返回模块,在向用户终端返回该推送信息,以由用户终端展示所述推送信息时,用于向所述用户终端返回推送信息,以由所述用户终端在支付确认页面上显示所述推送信息。
根据本说明书第四方面,提供一种对象类型的预测装置,所述装置包括:
特征提取模块,用于通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征;
确定模块,用于将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述特征提取模块,在通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征时,用于所述注意力层,对所述目标对象的各对象信息进行注意力计算,并将计算得到的各具有权重的对象信息输入至所述特征提取层;所述特征提取层基于各具有权重的对象信息,输出所述目标对象的对象特征。
可选的,所述特征提取模块,在所述注意力层,对所述目标对象的各对象信息进行注意力计算时,用于所述注意力层,确定所述目标对象的各对象信息的权重;所述注意力层,基于确定出的各对象信息的权重、以及各对象信息,确定各具有权重的对象信息。
根据本说明书的第五方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述支付实现方法。
根据本说明书的第六方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述对象类型的预测方法。
由上述描述可知,由于将目标对象的对象信息输入至具有注意力机制的特征提取模型,而注意力机制使得特征提取模型在对商品特征进行特征提取,可以考虑不同商品信息对分类结果的影响大小,从而使得商品类型的预测结果更为准确。
附图说明
图1是本说明书一示例性实施例示出的一种支付实现方法的流程图;
图2是本说明书一示例性实施例示出的一种支付确认页面的示意图;
图3是本说明书一示例性实施例示出的一种对象类型的预测方法的流程图;
图4是本说明书一示例性实施例示出的一种电子设备的硬件结构图;
图5是本说明书一示例性实施例示出的一种支付实现装置的框图;
图6是本说明书一示例性实施例示出的另一种电子设备的硬件结构图;
图7是本说明书一示例性实施例示出的一种对象类型的预测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提出一种支付实现方法,电子设备响应于目标商品的支付请求消息,通过具有注意力机制的特征提取模型,对该支付请求消息中携带的商品信息进行特征提取,得到该目标商品的商品特征;将所述商品特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;确定与该目标商品的类型关联的推送信息,并向用户终端返回携带有该推送信息的支付响应消息,以由用户终端展示所述推送信息。
一方面,由于将目标对象的对象信息输入至具有注意力机制的特征提取模型,而注意力机制使得特征提取模型在对商品特征进行特征提取,可以考虑不同商品信息对分类结果的影响大小,从而使得商品类型的预测结果更为准确。
另一方面,在基于支付请求中的商品信息确定出商品类型后,还确定出与该商品类型关联的推送信息,并将推送信息返回给用户终端,以使得用户在支付时,看到该推送信息,提升用户体验。
参见图1,图1是本说明书一示例性实施例示出的一种支付实现方法的流程图,该方法可应用在电子设备上。其中,该电子设备可以是支付服务器、服务器集群等,这里只是对电子设备进行示例性地说明,不对其进行具体地限定。
该商品类型的预测方法可包括如下所示步骤。
步骤102:响应于目标商品的支付请求消息,获取所述目标商品的商品信息。
在实现时,用户在进行订单支付时,用户终端可生成该订单中的目标商品的支付请求消息,并将该支付请求消息发送给电子设备。
电子设备可响应于该支付请求消息,获取该目标商品的商品信息。
其中,商品信息可包括:商品名称、商品的销售信息等。
比如,商品的销售信息可包括:商品的价格、商品的热度、商品的订单数量等。
在本说明书实施例中,电子设备可通过不同途径来获取该目标商品的商品信息。比如,电子设备可从支付请求消息中获取目标商品的部分商品信息,比如商品名称、商品价格等。此外,电子设备还可基于本设备实时统计的各商品的相关信息中,获取目标商品的热度、目标商品的订单量等其他商品信息。这里只是示例性地说明,不对其进行具体地限定。
步骤104:通过具有注意力机制的特征提取模型,对获取的商品信息进行特征提取,得到该目标商品的商品特征。
下面通过步骤1041至步骤1042对步骤104进行详细地说明。
步骤1041:电子设备对商品信息进行预处理。
在实现时,电子设备可先对商品信息进行预处理,使得商品信息的格式符合特征提取模型的入参格式。
例如,假设商品信息包括:商品名称,以及商品销售信息。
由于商品名称通常是由文字信息,而对于文字信息的处理可采用词向量模型进行处理,所以在本说明书实施例中,电子设备可将商品名称输入至已训练的词向量模型,以由该词向量模型对该商品名称进行词向量处理,得到该商品名称的词向量。
其中,上述词向量模型可以为基于Word2vec(用来产生词向量的相关模型)。比如,该词向量模型可包括CBOW(Continuous Bag-of-Words Model,连续词袋模型)模型、Skip-Gram(Continuous Skip-gram Model,连续跳跃模型)模型。这里只是对词向量模型进行示例性地说明,不对其进行具体地限定。
需要说明的是,采用CBOW模型和Skip-Gram模型对商品名称进行词向量处理时,会考虑各个词与上下文之间的关联关系,所以采用这些模型进行词向量处理,得到的词向量不仅代表了各个词,还能表示出各个词与上下文的关联关系。
此外,由于商品销售信息通常包括:商品价格、商品热度、商品订单量等,这些商品销售信息通常以数字形式表示,所以电子设备可不对该商品销售信息进行处理,将该商品销售信息直接输入至特征提取模型。或者,电子设备为了减少模型的数据计算量,对商品销售信息进行常规数字处理(比如归一化处理等),这里只是示例性地说明,不对其进行具体地限定。
步骤1042:电子设备可将预处理后的商品信息输入至具有注意力机制的特征提取模型,以由该具有注意力机制的特征提取模型对该商品信息进行特征提取,得到该目标商品的商品特征。
下面从“具有注意力机制的特征提取模型”和“特征提取”两方面对步骤1042进行详细地描述。
1)具有注意力机制的特征提取模型
在本说明书实施例中,具有注意力机制的特征提取模型包括:注意力层和特征提取层。
其中,注意力层又被称为Attention(注意力)层,是指具有注意力计算能力的网络层。
特征提取层可由现有的特征提取模型构成。比如特征提取层可以是CNN(Convolutional Neural Network,卷积神经网络)网络等,这里只是对特征提取层进行示例性地说明,不对其进行具体地限定。
在本说明书实施例中,注意力层的输出可与特征提取层级联,可作为特征提取层的输入。
例如,假设特征提取层为CNN网络,注意力层与该CNN网络的输入层级联。
这里只是对具有注意力机制的特征提取模型进行示例性地说明,不对其进行具体地限定。
2)特征提取
电子设备可将预处理后的商品信息输入具有注意力机制的特征提取模型。
该特征提取模型中的注意力层可对该商品信息进行注意力计算,得到各带有权重的商品信息。
比如,注意力层可确定各商品信息的权重,然后基于各商品信息的权重、以及各商品信息确定各带有权重的商品信息。例如,针对每一商品信息,注意力层可计算该商品信息以及该商品信息的权重的乘积,作为带有权重的该商品信息。
然后,注意力层可将各带有权重的商品信息输入至特征提取层,以由特征提取层对各带有权重的商品信息进行特征提取,得到该目标商品的商品特征。
例如,假设特征提取层是CNN网络。CNN网络可对注意力层输入的各带有权重的商品信息进行卷积操作、池化操作等,以得到目标商品的商品特征。
需要说明的是,由于在本说明书中,在特征提取层之前增加了注意力层,注意力层为各商品信息赋予了权重,使得对分类结果影响较大的商品信息权重较大,对分类结果影响较小的商品信息权重较小。然后,特征提取层再对注意力层输出的带有权重的商品信息进行特征提取,由于在特征提取时考虑了各个商品信息对于分类结果的影响,所以使得分类模型的预测结果更为准确。
步骤106:将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型。
电子设备可将具有注意力机制的特征提取模型提取出的商品特征输入至已训练的分类模型中。
分类模型可基于目标商品的商品特征,预测目标商品的类型。比如,分类模型可输出各个商品类型及其概率,作为分类结果。
电子设备可在各个商品类型及其概率中,选择概率最大的商品类型作为目标商品的商品类型。
例如,假设,电子设备在将目标商品的商品特征输入至分类模型后,分类模型输出了:武侠类(概率为80%)、休闲类(概率为5%).....等。
假设,武侠类的概率值最大,则电子设备可确定该目标商品的类型为武侠类商品。
需要说明的是,在本说明书中,需要联合训练特征提取模型和分类模型。
具体地,样本数据包括输入数据和标签。其中输入数据为商品信息,标签为商品类型的真实值。
在训练模型时,电子设备将该输入值输入至特征提取模型,特征提取模型将商品特征输入给分类模型,分类模型基于该商品特征进行分类预测,得到商品类型的预测值。然后,电子设备可计算商品类型的预测值和真实值之间的损失,并计算本次迭代的梯度。然后将梯度反向传播给各个网络层,以更新各个网络层的模型参数,从而达到模型的训练。
步骤108:确定与该目标商品的类型关联的推送信息,并向用户终端返回携带有该推送信息的支付响应消息,以由用户终端展示所述推送信息。
其中,该推送信息是指与商品类型相关联的信息,比如该推送信息可包括:支付文案信息、与支付商品相关联的商品推荐、广告等等。这里只是对推送信息进行示例性地说明,不对其进行具体地限定。
在本说明书中,预配置了不同商品类型对应的推送信息。电子设备在确定出目标商品的类型后,可查找该目标商品的类型对应的推送信息。然后,电子设备可向用户终端返回该推送信息。用户终端可展示该推送信息。
以推送信息为支付文案信息为例进行说明。
例如,商品类型为武侠类,支付文案信息可以是“祝你纵横仙侠世界”。例如,商品类型为休闲类,支付文案信息可以是“祝您欧气满满,好运连连”等。这里只是示例性地说明,不对其进行具体地限定。
此外,在本说明书实施例中,用户终端在展示该推送信息时,可以在用户终端的支付确认页面上显示该推送信息,以提升用户的支付体验。
例如,如图2所示,图2是本说明书一示例性实施例示出的一种支付确认页面的示意图。由图2可以看出,用户在支付确认页面进行支付确认时,支付确认页面还可向用户展示推送信息(比如图2中的“祝你纵横仙侠天下”)。
下面通过具体例子对本说明书提供的商品类型的预测场景进行示例性地说明。
例如,用户在提交订单并选择付款方式后,用户终端可生成针对该订单的支付请求消息,并将支付请求消息发送给电子设备。电子设备可响应于支付请求,获取该支付请求中商品的商品信息,并基于该商品信息预测出商品类型。电子设备可确定与该商品类型关联的支付文案信息,并将支付文案信息和支付响应消息发送给用户终端。
用户终端基于支付响应消息生成支付界面,该支付确认页面上显示有该支付文案信息(如图2所示“祝你纵横仙侠天下”),用户点击支付界面上的“确认支付”即可完成支付。
由上述描述可知,一方面,由于将目标商品的商品信息输入至具有注意力机制的特征提取模型,而注意力机制使得特征提取模型在对商品特征进行特征提取时,可以考虑不同商品信息对分类结果的影响力的大小,从而使得商品类型的预测结果更为准确。
另一方面,在基于支付请求中的商品信息确定出商品类型后,还确定出与该商品类型关联的支付文案信息,并将支付文案信息返回给用户终端,以使得用户在支付时,看到该支付文案信息,提升用户体验。
参见图3,图3是本说明书一示例性实施例示出的一种对象类型的预测方法的流程图,该方法可应用在电子设备上,可包括如下所示步骤。
步骤302:通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征。
在本说明书中,对象、对象信息与不同的应用场景对应。
比如在互联网购物领域中,该对象可以为商品,对象信息可以为商品信息(比如商品名称、商品价格、商品的订单数量、商品的热度等),该预测用于预测商品的类型
再比如,在监控领域,该对象可以车辆,对象信息可包括:车牌图像、车辆品牌、车辆颜色等,该预测用于预测车辆的类型。这里只是对对象、对象信息进行示例性地说明,不对其进行具体地限定。
下面通过步骤3021至步骤3022对步骤302进行详细地说明。
步骤3021:电子设备对对象信息进行预处理。
在实现时,电子设备可先对对象信息进行预处理,使得对象信息的格式符合特征提取模型的入参格式。
例如,假设对象信息包括:文字形式的对象信息、和数字或图像形式的对象信息。
例如,当对象为商品时,文字形式的对象信息可包括商品名称,数字形式的对象信息可包括商品价格、商品订单量、商品热度等。
再例如,假设对象信息包括:当对象为车辆时,文字形式的对象信息可包括:车辆颜色、车辆品牌等,图像形式的对象信息可包括车牌图像等。
电子设备可将以文字形式的对象信息(比如对象名称等)输入至已训练的词向量模型,以由该词向量模型对该对象标识进行词向量处理,得到该对象标识的词向量。
其中,上述词向量模型可以为基于Word2vec(用来产生词向量的相关模型)。比如,该词向量模型可包括CBOW模型、Skip-Gram模型。这里只是对词向量模型进行示例性地说明,不对其进行具体地限定。
需要说明的是,采用CBOW模型和Skip-Gram模型对对象标识进行词向量处理时,会考虑各个词与上下文之间的关联关系,所以采用这些模型进行词向量处理,得到的词向量不仅代表了各个词,还能表示出各个词与上下文的关联关系。
此外,由于数字形式或者图像形式的对象信息可满足特征提取模型,所以电子设备可不对数字形式的对象信息进行处理,或者,为了减少模型的数据计算量,对数字形式的对象信息进行常规数字处理(比如归一化处理等)。这里只是示例性地说明,不对其进行具体地限定。
步骤3022:电子设备可将预处理后的对象信息输入至具有注意力机制的特征提取模型,以由该具有注意力机制的特征提取模型对该对象信息进行特征提取,得到该目标对象的对象特征。
下面从“具有注意力机制的特征提取模型”和“特征提取”两方面对步骤3022进行详细地描述。
1)具有注意力机制的特征提取模型
在本说明书实施例中,具有注意力机制的特征提取模型包括:注意力层和特征提取层。
其中,注意力层又被称为Attention(注意力)层,是指具有注意力计算能力的网络层。
特征提取层可由现有的特征提取模型构成。比如特征提取层可以是CNN网络等,这里只是对特征提取层进行示例性地说明,不对其进行具体地限定。
在本说明书实施例中,注意力层的输出可与特征提取层级联,可作为特征提取层的输入。
例如,假设特征提取层为CNN网络,注意力层与该CNN网络的输入层级联。
这里只是对具有注意力机制的特征提取模型进行示例性地说明,不对其进行具体地限定。
2)特征提取
电子设备可将预处理后的对象信息输入具有注意力机制的特征提取模型。
该特征提取模型中的注意力层可对该对象信息进行注意力计算,得到各带有权重的对象信息。
比如,注意力层可确定各对象信息的权重,然后基于各对象信息的权重、以及各对象信息确定各带有权重的对象信息。例如,针对每一对象信息,注意力层可计算该对象信息以及该对象信息的权重的乘积,作为带有权重的该对象信息。
然后,注意力层可将各带有权重的对象信息输入至特征提取层,以由特征提取层对各带有权重的对象信息进行特征提取,得到该目标对象的对象特征。
例如,假设特征提取层是CNN网络。CNN网络可对注意力层输入的各带有权重的对象信息进行卷积操作、池化操作等,以得到目标对象的对象特征。
需要说明的是,由于在本说明书中,在特征提取层之前增加了注意力层,注意力层为各对象信息赋予了权重,使得对分类结果影响较大的对象信息权重较大,对分类结果影响较小的对象信息权重较小。然后,特征提取层再对注意力层输出的带有权重的对象信息进行特征提取,由于在特征提取时考虑了各个对象信息对于分类结果的影响,所以使得分类模型的预测结果更为准确。
步骤304:将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型。
电子设备可将具有注意力机制的特征提取模型提取出的对象特征输入至已训练的分类模型中。
分类模型可基于目标对象的对象特征,预测目标对象的类型。比如,分类模型可输出各个对象类型及其概率,作为分类结果。
电子设备可在各个对象类型及其概率中,选择概率最大的对象类型作为目标对象的对象类型。
例如,假设,电子设备在将目标对象的对象特征输入至分类模型后,分类模型输出了:类型1(概率为80%)、类型2(概率为5%).....等。
假设,类型1的概率值最大,电子设备可确定该目标对象的类型为类型1。
需要说明的是,在本说明书中,需要联合训练特征提取模型和分类模型。
具体,样本数据包括输入数据和标签。其中输入数据为对象信息,标签为对象类型的真实值。
在训练模型时,电子设备将该商品信息输入至特征提取模型,特征提取模型将对象特征输入给分类模型,分类模型基于该对象特征进行分类预测,得到对象类型的预测值。然后,电子设备可计算对象类型的预测值和真实值之间的损失,并计算本次迭代的梯度。然后将梯度反向传播给各个网络层,以更新各个网络层的模型参数,从而达到模型的训练。
由上述描述可知,由于将目标对象的对象信息输入至具有注意力机制的特征提取模型,而注意力机制使得特征提取模型在对对象特征进行特征提取基于对象信息提取对象特征时,可以考虑不同对象信息对分类结果的影响力的大小,从而使得对象类型的预测结果更为准确。
与上述支付实现方法的实施例相对应,本说明书还提供了支付实现装置的实施例。
本说明书支付实现装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本说明书支付实现装置所在电子设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
参见图5,图5是本说明书一示例性实施例示出的一种支付实现装置的框图,该支付实现装置可应用在电子设备上,可包括如下所示模块。
获取模块501,用于响应于目标商品的支付请求消息,获取目标商品的商品信息;
商品特征提取模块502,用于通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;
商品确定模块503,用于将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;
返回模块504,用于确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述商品特征提取模块502,在通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征时,用于所述注意力层,对所述目标商品的各商品信息进行注意力计算,并将计算得到的各具有权重的商品信息输入至所述特征提取层;所述特征提取层,基于各具有权重的商品信息,输出所述目标商品的商品特征。
可选的,所述商品特征提取模块502,在所述注意力层,对所述目标商品的各商品信息进行注意力计算时,用于所述注意力层,确定所述目标商品的各商品信息的权重;所述注意力层,基于确定出的各商品信息的权重、以及各商品信息,确定各具有权重的商品信息。
可选的,所述商品信息包括:商品名称,商品的销售信息。
可选的,所述特征提取层为卷积神经网络。
可选的,所述返回模块504,在向用户终端返回该推送信息,以由用户终端展示所述推送信息时,用于向所述用户终端返回推送信息,以由所述用户终端在支付确认页面上显示所述推送信息。
与上述对象类型的预测方法的实施例相对应,本说明书还提供了对象类型的预测装置的实施例。
本说明书对象类型的预测装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本说明书对象类型的预测装置所在电子设备的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
参见图7,图7是本说明书一示例性实施例示出的一种对象类型的预测装置的框图,该装置可应用在图6所示的电子设备上,可包括如下所示模块。
特征提取模块701,用于通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征;
确定模块702,用于将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型。
可选的,所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述特征提取模块701,在通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征时,用于所述注意力层,对所述目标对象的各对象信息进行注意力计算,并将计算得到的各具有权重的对象信息输入至所述特征提取层;所述特征提取层基于各具有权重的对象信息,输出所述目标对象的对象特征。
可选的,所述特征提取模块701,在所述注意力层,对所述目标对象的各对象信息进行注意力计算时,用于所述注意力层,确定所述目标对象的各对象信息的权重;所述注意力层,基于确定出的各对象信息的权重、以及各对象信息,确定各具有权重的对象信息。
上述装置中各个单元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。
对于装置实施例而言,由于其基本对应于方法实施例,所以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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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说明书方案的目的。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。
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。
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。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (16)
1.一种支付实现方法,所述方法包括:
响应于目标商品的支付请求消息,获取所述目标商品的商品信息;
通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;
将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;
确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息;
所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征,包括:
所述注意力层,对所述目标商品的各商品信息进行注意力计算,并将计算得到的各具有权重的商品信息输入至所述特征提取层;
所述特征提取层,基于各具有权重的商品信息,输出所述目标商品的商品特征。
2.根据权利要求1所述的方法,所述注意力层,对所述目标商品的各商品信息进行注意力计算,包括:
所述注意力层,确定所述目标商品的各商品信息的权重;
所述注意力层,基于确定出的各商品信息的权重、以及各商品信息,确定各具有权重的商品信息。
3.根据权利要求1所述的方法,所述商品信息包括:商品名称,商品的销售信息。
4.根据权利要求1所述的方法,所述特征提取层为卷积神经网络。
5.根据权利要求1所述的方法,所述向用户终端返回该推送信息,以由用户终端展示所述推送信息,包括:
向所述用户终端返回推送信息,以由所述用户终端在支付确认页面上显示所述推送信息。
6.一种对象类型的预测方法,所述方法包括:
通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征;
将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型;
所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征,包括:
所述注意力层,对所述目标对象的各对象信息进行注意力计算,并将计算得到的各具有权重的对象信息输入至所述特征提取层;
所述特征提取层基于各具有权重的对象信息,输出所述目标对象的对象特征。
7.根据权利要求6所述的方法,所述注意力层,对所述目标对象的各对象信息进行注意力计算,包括:
所述注意力层,确定所述目标对象的各对象信息的权重;
所述注意力层,基于确定出的各对象信息的权重、以及各对象信息,确定各具有权重的对象信息。
8.一种支付实现装置,所述装置包括:
获取模块,用于响应于目标商品的支付请求消息,获取所述目标商品的商品信息;
商品特征提取模块,用于通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征;
商品确定模块,用于将所述商品特征输入至分类模型,并基于所述分类模型输出的分类结果确定所述目标商品的类型;
返回模块,用于确定与该目标商品的类型关联的推送信息,并向用户终端返回该推送信息,以由用户终端展示所述推送信息;
所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述商品特征提取模块,在通过具有注意力机制的特征提取模型,对所述商品信息进行特征提取,得到该目标商品的商品特征时,用于所述注意力层,对所述目标商品的各商品信息进行注意力计算,并将计算得到的各具有权重的商品信息输入至所述特征提取层;所述特征提取层,基于各具有权重的商品信息,输出所述目标商品的商品特征。
9.根据权利要求8所述的装置,所述商品特征提取模块,在所述注意力层,对所述目标商品的各商品信息进行注意力计算时,用于所述注意力层,确定所述目标商品的各商品信息的权重;所述注意力层,基于确定出的各商品信息的权重、以及各商品信息,确定各具有权重的商品信息。
10.根据权利要求8所述的装置,所述商品信息包括:商品名称,商品的销售信息。
11.根据权利要求8所述的装置,所述特征提取层为卷积神经网络。
12.根据权利要求8所述的装置,所述返回模块,在向用户终端返回该推送信息,以由用户终端展示所述推送信息时,用于向所述用户终端返回推送信息,以由所述用户终端在支付确认页面上显示所述推送信息。
13.一种对象类型的预测装置,所述装置包括:
特征提取模块,用于通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征;
确定模块,用于将所述对象特征输入至已训练的分类模型,并基于所述分类模型输出的分类结果确定所述目标对象的类型;
所述具有注意力机制的特征提取模型包括:注意力层和特征提取层;
所述特征提取模块,在通过具有注意力机制的特征提取模型,对目标对象的对象信息进行特征提取,得到该目标对象的对象特征时,用于所述注意力层,对所述目标对象的各对象信息进行注意力计算,并将计算得到的各具有权重的对象信息输入至所述特征提取层;所述特征提取层基于各具有权重的对象信息,输出所述目标对象的对象特征。
14.根据权利要求13所述的装置,所述特征提取模块,在所述注意力层,对所述目标对象的各对象信息进行注意力计算时,用于所述注意力层,确定所述目标对象的各对象信息的权重;所述注意力层,基于确定出的各对象信息的权重、以及各对象信息,确定各具有权重的对象信息。
15.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-5中任一项所述的方法。
16.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求6-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851845.7A CN111915413B (zh) | 2020-08-21 | 2020-08-21 | 支付实现方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851845.7A CN111915413B (zh) | 2020-08-21 | 2020-08-21 | 支付实现方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915413A CN111915413A (zh) | 2020-11-10 |
CN111915413B true CN111915413B (zh) | 2023-04-07 |
Family
ID=73278545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010851845.7A Active CN111915413B (zh) | 2020-08-21 | 2020-08-21 | 支付实现方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915413B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779641B (zh) * | 2016-12-29 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 信息处理方法及信息处理装置 |
CN107465741B (zh) * | 2017-08-02 | 2020-09-04 | 北京星选科技有限公司 | 信息推送方法和装置 |
CN108229430B (zh) * | 2018-01-30 | 2022-04-05 | 浙江大学 | 一种融合注意力图的商品分类方法 |
CN109145112B (zh) * | 2018-08-06 | 2021-08-06 | 北京航空航天大学 | 一种基于全局信息注意力机制的商品评论分类方法 |
CN109145816B (zh) * | 2018-08-21 | 2021-01-26 | 北京京东尚科信息技术有限公司 | 商品识别方法和系统 |
CN109509054B (zh) * | 2018-09-30 | 2023-04-07 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN109816495B (zh) * | 2019-02-13 | 2020-11-24 | 北京达佳互联信息技术有限公司 | 商品信息推送方法、系统及服务器和存储介质 |
CN110163672A (zh) * | 2019-05-13 | 2019-08-23 | 达疆网络科技(上海)有限公司 | 一种用户实时支付后的基于用户分层的差异化营销方法 |
CN111402013B (zh) * | 2020-06-04 | 2020-09-01 | 成都晓多科技有限公司 | 一种商品搭配推荐方法、系统、装置及存储介质 |
-
2020
- 2020-08-21 CN CN202010851845.7A patent/CN111915413B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111915413A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
WO2021047593A1 (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
CN110135951B (zh) | 游戏商品的推荐方法、装置及可读存储介质 | |
CN109064293B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN109189921B (zh) | 评论评估模型的训练方法和装置 | |
CN113256007B (zh) | 一种面向多模态的新产品销量预测方法及装置 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN110110257B (zh) | 数据处理方法及其系统、计算机系统及计算机可读介质 | |
CN110348947B (zh) | 对象推荐方法及装置 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN116108267A (zh) | 一种推荐方法及相关设备 | |
CN111126049B (zh) | 对象关系预测方法、装置、终端设备及可读存储介质 | |
CN112766284A (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN112256899A (zh) | 图像重排序方法、相关设备及计算机可读存储介质 | |
CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN111915413B (zh) | 支付实现方法、装置及电子设备 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN111768218A (zh) | 用于处理用户交互信息的方法和装置 | |
US20230114462A1 (en) | Selective presentation of an augmented reality element in an augmented reality user interface | |
CN111598638B (zh) | 点击率确定方法、装置及设备 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN113627449A (zh) | 模型训练方法及装置、标签确定方法及装置 | |
CN111339432A (zh) | 电子对象的推荐方法、装置和电子设备 |
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: 40040422 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |