CN112967044A - 一种支付业务的处理方法及装置 - Google Patents
一种支付业务的处理方法及装置 Download PDFInfo
- Publication number
- CN112967044A CN112967044A CN202110270081.7A CN202110270081A CN112967044A CN 112967044 A CN112967044 A CN 112967044A CN 202110270081 A CN202110270081 A CN 202110270081A CN 112967044 A CN112967044 A CN 112967044A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- payment
- sample
- willingness
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title description 17
- 238000000034 method Methods 0.000 claims abstract description 109
- 238000013526 transfer learning Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000001960 triggered effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 226
- 230000006870 function Effects 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 51
- 238000003860 storage Methods 0.000 claims description 21
- 230000005012 migration Effects 0.000 claims description 19
- 238000013508 migration Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 144
- 238000010586 diagram Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
- G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/387—Payment using discounts or coupons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/42—Confirmation, e.g. check or permission by the legal debtor of payment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书一个或多个实施例提供了一种支付业务的处理方法及装置,该方法包括:在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;若用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;若用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到支付意愿识别结果;基于支付意愿识别结果,确定针对支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。
Description
技术领域
本文件涉及互联网技术领域,尤其涉及一种支付业务的处理方法及装置。
背景技术
目前,随着互联网时代的到来,互联网在人们日常的学习、工作和生活中得到广泛的应用。人们日常的各种事务都可以通过互联网来处理和呈现。同时,随着移动互联网的快速发展,各互联网服务提供方通过开发各自的应用程序为用户提供相应的业务服务。
其中,随着自媒体行业的快速发展,互联网服务提供方推广了各种短视频应用,用户使用该短视频应用可以在线观看直播、短视频、直播打赏等等,其中,用户为了享受某种业务服务,具有通过该短视频应用在线发起支付订单的需求,例如,在线充值购买直播打赏礼品等等,因此,需要更加精准地识别用户的支付意愿,以便基于用户支付意愿进行用户权益发放,从而提高用户权益发放的准确度,进而指导商家有针对性地进行推广活动运营。
发明内容
本说明书一个或多个实施例的目的是提供一种支付业务的处理方法。该支付业务的处理方法包括:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户。若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的。若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果。基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例的目的是提供一种支付业务的处理装置。该支付业务的处理装置包括:
用户类型确定模块,其在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户。第一支付意愿识别模块,其若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的。第二支付意愿识别模块,其若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果。支付业务处理模块,其基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例的目的是提供一种支付业务的处理设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器。
所述计算机可执行指令在被执行时使所述处理器在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户。若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的。若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果。基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例的目的是提供一种存储介质,用于存储计算机可执行指令。所述可执行指令在被处理器执行时在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户。若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的。若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果。基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
附图说明
为了更清楚地说明本说明书一个或多个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一个或多个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为本说明书一个或多个实施例提供的支付业务的处理系统的应用场景示意图;
图2为本说明书一个或多个实施例提供的支付业务的处理方法的第一种流程示意图;
图3为本说明书一个或多个实施例提供的支付业务的处理方法的第二种流程示意图;
图4为本说明书一个或多个实施例提供的支付业务的处理方法中涉及的多端交互过程示意图;
图5为本说明书一个或多个实施例提供的支付业务的处理装置的第一种模块组成示意图;
图6为本说明书一个或多个实施例提供的支付业务的处理装置的第二种模块组成示意图;
图7为本说明书一个或多个实施例提供的支付业务的处理设备的结构示意图。
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一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,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,都应当属于本文件的保护范围。
需要说明的是,在不冲突的情况下,本说明书中的一个或多个实施例以及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本说明书一个或多个实施例。
本说明书一个或多个实施例提供了一种支付业务的处理方法及装置,在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
图1为本说明书一个或多个实施例提供的支付业务的处理系统的应用场景示意图,如图1所示,该系统包括:客户端、目标业务服务应用对应的第一服务端、目标支付应用对应的第二服务端和第三方可信平台,其中,该客户端可以是智能手机、平板电脑等移动终端,该客户端还可以是个人计算机等终端设备,该第一服务端可以是为客户端提供某一业务服务的服务端,该第二服务端可以是为客户端提供支付业务的服务端,该第一服务端或第二服务端均可以是独立的服务器,也可以是由多个服务器组成的服务器集群。
其中,支付业务的处理的具体过程为:
客户端,在检测到目标用户针对某一业务订单的支付提交控件的触发操作后,向第一服务端发送支付页面数据获取请求;
第一服务端,若接收到上述支付页面数据获取请求,则确定目标用户具有待触发支付事件,并确定目标用户的用户类型;其中,该用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于目标业务服务应用且不属于目标支付应用的非共有用户;
第一服务端,若目标用户的用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到目标用户的支付意愿识别结果;其中,该第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的;
其中,针对利用联邦学习模型对共有用户进行支付意愿识别的过程,联邦学习模型可以是仅设置于第一服务端、第二服务端、第三方可信平台中任一项的神经网络模型,由于在针对共有用户进行支付意愿识别时,需要同时参考目标用户预设时间段内在目标业务服务应用侧所产生的第一特征数据、以及在目标支付应用侧所产生的第二特征数据,这样能够实现对目标用户的刻画更加完善,进而使得支付意愿的预测结果更加准确,同时,为了提高用户特征数据的隐私安全性,优选地,采用分别在第一服务端设置第一子模型、第二服务端设置第二子模型、以及在第三方可信平台存储各子模型的加权系数得到联邦学习模型的方式,基于此,具体过程为:
第一服务端,若目标用户的用户类型为共有用户,则向第三方可信平台发送支付意愿识别请求,并利用本地部署的第一子模型基于目标用户的第一特征数据,得到第一识别结果,并将该第一识别结果发送至第三方可信平台;
第三方可信平台,在接收到第一服务端的支付意愿识别请求后,向第二服务端发送针对目标用户的支付意愿识别请求;
第二服务端,利用本地部署的第二子模型并基于目标用户的第二特征数据,得到第二识别结果,并将该第二识别结果发送至第三方可信平台;其中,该第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;
第三方可信平台,基于上述第一识别结果和第二识别结果,确定针对目标用户的最终的支付意愿识别结果,并将该最终的支付意愿识别结果发送至第一服务端;
第一服务端,基于上述支付意愿识别结果,确定针对上述支付事件待分发的权益分配信息,并将该权益分配信息和客户端请求的支付页面数据发送至客户端;
客户端,基于该支付页面数据渲染得到在指定位置展示权益分配信息的支付页面,并在检测到目标用户针对支付确认控件的触发操作后,向第一服务端发送扣款请求,以触发第一服务端基于待支付订单信息执行扣款操作。
在上述应用场景中,在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
图2为本说明书一个或多个实施例提供的支付业务的处理方法的第一种流程示意图,图2中的方法能够由图1中的目标业务服务应用对应的第一服务端执行,如图2所示,该方法至少包括以下步骤:
S202,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;其中,该用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于目标业务服务应用且不属于目标支付应用的非共有用户;
其中,用户类型可以是基于目标用户的历史支付订单数据预先确定并标记的,也可以是实时确定的;目标业务服务应用可以是短视频应用,还可以是城市服务应用,也可以是购物类应用,目标支付应用可以是为目标用户提供电子支付、移动支付的第三方支付平台所开发的安装于客户端的应用程序。
具体的,客户端在检测到目标用户针对某一业务订单下的支付提交控件的触发操作后,向第一服务端发送支付页面数据获取请求,其中,该支付页面包含供用户选择的多种支付方式,某一支付方式对应于目标支付应用;第一服务端在向客户端发送支付页面对应的页面数据之前,先利用与用户类型对应的训练后的神经网络模型进行用户支付意愿识别,再确定与目标用户的当前支付意愿匹配的权益分配信息,最后将该权益分配信息和支付页面数据发送至客户端,以使客户端在支付页面中的相应位置展示该权益分配信息,例如,在某一支付方式选项的下方位置,以提高目标用户在支付页面中选定某一支付方式、或选定目标支付应用对应的支付方式进行支付的概率。
S204,若目标用户的用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,该第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,该第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;
其中,第一特征数据可以包括:由第一服务端按照第一预设特征维度对目标用户预设时间段内在目标业务服务应用侧所产生的用户特征数据进行预处理得到的,第一特征数据可以包括:用户操作行为数据、用户注册数据、用户身份划分等级、用户标识中至少一项,例如,该用户操作行为数据可以是用户消费行为数据、用户浏览行为数据、用户充值行为数据、用户收藏行为数据中至少一项;第二特征数据可以包括:由第二服务端按照第二预设特征维度对目标用户在目标支付应用侧所产生的用户特征数据进行预处理得到的,第二特征数据可以包括:用户基础属性数据、用户支付行为数据、用户标识中至少一项,例如,该用户基础属性数据可以是用户性别、用户年龄、用户所在城市中至少一项,该用户支付行为数据可以是消费频次、支付成功率、支付犹豫时间中至少一项。
具体的,当确定目标用户的用户类型为共有用户时,利用预先训练后的联邦学习模型对目标用户的支付意愿进行识别,得到相应的支付意愿识别结果;在具体实施时,考虑到需要同时参考目标用户在目标业务服务应用侧所产生的第一特征数据、以及在目标支付应用侧所产生的第二特征数据,可以由服务端上传加密后的特征数据,由第三方可信平台进行支付意愿识别;另外,为了进一步确保目标用户的隐私数据的安全性,也可以由服务端基于各自的特征数据分别进行支付意愿识别得到分支识别结果,再将该分支识别结果上传至第三方可信平台,再由第三方可信平台基于分支识别结果得到最终的识别结果。
S206,若目标用户的用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到目标用户的支付意愿识别结果;
具体的,考虑到针对属于目标业务服务应用但不属于目标支付应用的非共有用户,即在目标支付应用侧的用户特征数据比较少或者参考性不强的用户,为了提高针对非共有用户的支付意愿识别准确度,引入迁移学习模型,利用训练后的迁移学习模型对非共有用户进行支付意愿识别;其中,迁移学习模型在训练过程中所选的训练样本集包括共有样本用户的特征数据和非共有用户的特征数据这两部分,即将共有样本用户的特征数据作为先验知识与非共有样本用户的特征数据一同作为训练样本集,对迁移学习模型进行模型参数迭代训练,或者将非共有样本用户的特征数据作为先验知识与共有样本用户的特征数据一同作为训练样本集,对迁移学习模型进行模型参数迭代训练,这样由于丰富了迁移学习模型的训练样本集,从而提高了训练后的迁移学习模型的识别精度,进而提高了非共有用户的支付意愿识别准确度。
S208,基于上述支付意愿识别结果,确定针对上述支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。
具体的,在确定出待分发给目标用户的权益分配信息后,向目标用户对应的客户端发送该权益分配信息,以触发客户端进行展示并接收目标用户基于该权益分配信息所触发的确认支付操作;其中,该权益分配信息可以是现金红包,也可以是权益兑换券,还可以是购物优惠券等等。
其中,目标用户的支付意愿越高,则权益分配金额越小,反之,权益分配金额越大,从而实现基于展示的权益分配信息增强目标用户的支付意愿,第一服务端接收客户端发送的目标用户针对该权益分配信息所触发的确认支付请求,具体的,针对权益分配信息的确定过程,可以是预先存储支付意愿识别结果与权益分配信息之间的对应关系,例如,以支付意愿识别结果包括:支付意愿高、支付意愿中、支付意愿低这三种类别,若目标用户为共有用户且支付意愿高,则确定待分发的权益分配信息为无,若目标用户为共有用户且支付意愿中,则确定待分发的权益分配信息为第一待分发权益,若目标用户为共有用户且支付意愿低,则确定待分发的权益分配信息为第二待分发权益,其中,第二待分发权益高于第一待分发权益,该第一待分发权益或第二待分发权益可以由第二服务端执行权益分发;对应的,若目标用户为非共有用户且支付意愿高,则确定待分发的权益分配信息为无,若目标用户为非共有用户且支付意愿中,则确定待分发的权益分配信息为第三待分发权益,若目标用户为非共有用户且支付意愿低,则确定待分发的权益分配信息为第四待分发权益,其中,第四待分发权益高于第三待分发权益,该第三待分发权益或第四待分发权益可以由第一服务端执行权益分发。其中,第一待分发权益与第三待分发权益可以相同,也可以不同,同样的,第二待分发权益与第四待分发权益可以相同,也可以不同。
具体的,在基于目标用户的用户类型,采用与该用户类型对应的支付意愿识别模型,确定出目标用户的支付意愿识别结果,并基于该支付意愿识别结果确定出权益分配信息后,将该权益分配信息和客户端请求的支付页面数据一并发送至客户端;以便客户端基于该支付页面数据渲染得到在指定位置展示权益分配信息的支付页面,并在检测到目标用户针对支付确认控件的触发操作后,向第一服务端发送扣款请求,以触发第一服务端基于待支付订单信息执行扣款操作;并且,第一服务端在确定完成扣款操作后,基于该待分发的权益分配信息向客户端发放相应的用户权益。
本说明书一个或多个实施例中,在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
进一步的,考虑到用户特征数据属于用户隐私数据,为了确保用户隐私安全,第一特征数据和第二特征数据仅在各自服务端以明文形式使用,基于此,在对目标用户的支付意愿进行识别过程中,先由第一服务端和第二服务端分别基于各自具有的用户特征数据确定分支支付意愿识别结果,再由第三方可信平台基于各分支支付意愿识别结果综合确定最终的支付意愿识别结果的情况,这样能够实现在确保用户隐私保护的基础上,综合参考目标用户在第一服务端所产生的第一特征数据以及在第二服务端所产生的第二特征数据,来确定目标用户的当前支付意愿程度,进而进行用户权益分配,以提高权益分配准确度。具体的,上述联邦学习模型包括:设置于目标业务服务应用对应的第一服务端的第一子模型和设置于目标支付应用对应的第二服务端的第二子模型;
对应的,如图3所示,上述S204,若目标用户的用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果,具体包括:
S2042,若目标用户的用户类型为共有用户,则利用设置于第一服务端的第一子模型并基于目标用户的第一特征数据,得到第一识别结果;
具体的,第一服务端获取目标用户预设时间段内使用目标业务服务应用所产生的用户特征数据,按照第一预设特征维度对获取到的用户特征数据进行预处理,得到第一特征数据,并将该第一特征数据输入至本地预先部署的第一子模型,将该第一子模型的输出结果确定为第一识别结果,其中,该第一识别结果可以是二分类结果,例如0表示支付意愿高,1表示支付意愿低,该第一识别结果也可以是支付意愿得分,例如,支付意愿得分为85。
S2044,将上述第一识别结果上传到第三方可信平台,以使第三方可信平台基于上述第一识别结果和第二服务端上传的第二识别结果,确定最终的支付意愿识别结果;其中,该第二识别结果是利用设置于第二服务端的第二子模型并基于目标用户的第二特征数据得到的;
具体的,最终的支付意愿识别结果是第三方可信平台基于第一服务端上传的第一识别结果和第二服务端上传的第二识别结果共同确定的;其中,第二服务端在接收到第三方可信平台或第一服务端发送的支付意愿识别请求后,获取目标用户预设时间段内使用目标支付应用所产生的用户特征数据,按照第二预设特征维度对获取到的用户特征数据进行预处理,得到第二特征数据,并将该第二特征数据输入至本地预先部署的第二子模型,将该第二子模型的输出结果确定为第二识别结果,其中,该第二识别结果可以是二分类结果,例如0表示支付意愿高,1表示支付意愿低,该第二识别结果也可以是支付意愿得分,例如,支付意愿得分为85。
S2046,接收第三方可信平台返回的最终的支付意愿识别结果。
具体的,第三方可信平台在基于第一服务端上传的第一识别结果和第二服务端上传的第二识别结果确定出最终的支付意愿识别结果后,将该支付意愿识别结果发送至第一服务端,以便第一服务端基于该最终的支付意愿识别结果确定待分发的权益分配信息。
其中,上述分支支付意愿识别结果可以是服务端基于用户特征数据得到的支付意愿得分,对应的,上述S2042,利用设置于第一服务端的第一子模型并基于目标用户的第一特征数据,得到第一识别结果,具体包括:
利用设置于第一服务端的第一子模型,基于目标用户的第一特征数据对目标用户的支付意愿进行打分,得到第一打分结果;
具体的,将获取到的第一特征数据输入至本地预先部署的第一子模型,该第一子模型的输出结果基于针对目标用户进行支付意愿识别得到的支付意愿得分,即第一打分结果。
对应的,上述S2044,将上述第一识别结果上传到第三方可信平台,以使第三方可信平台基于上述第一识别结果和第二服务端上传的第二识别结果,确定最终的支付意愿识别结果,具体包括:
将上述第一打分结果上传到第三方可信平台,以使第三方可信平台对该第一打分结果和第二服务端上传的第二打分结果进行加权运算,得到最终的支付意愿得分,并将该最终的支付意愿得分确定为最终的支付意愿识别结果。其中,第一打分结果和第二打分结果分别对应的加权系数是在联邦学习模型的训练阶段由第三方可信平台基于第一预测标签和第二预测标签综合确定的,该加权系数即为在目标函数收敛时第一子模型对应的加权系数和第二子模型对应的加权系数;其中,子模型对应的加权系数的大小与其对得到符合预设要求的预测结果的贡献程度正相关,例如,第一子模型对得到符合预设要求的预测结果的贡献度越高,第一子模型对应的加权系数越大,对应的,第二子模型对得到符合预设要求的预测结果的贡献度越低,第二子模型对应的加权系数越小。
在一个具体实施例中,如图4所示,给出了支付业务的处理系统中最终的支付意愿识别结果的确定过程的具体实现原理示意图,具体为:
S401,客户端在检测到目标用户针对某一业务订单的支付提交控件的触发操作后,向第一服务端发送支付页面数据获取请求;其中,该支付页面数据获取请求携带有目标用户的用户标识;
S402,第一服务端在接收到上述支付页面数据获取请求后,确定目标用户的用户类型;其中,该用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于目标业务服务应用且不属于目标支付应用的非共有用户;
S403,若目标用户的用户类型为非共有用户,第一服务端利用预先训练好的迁移学习模型并基于目标用户的第一特征数据,得到最终的支付意愿识别结果;
S404,若目标用户的用户类型为共有用户,第一服务端向第三方可信平台发送支付意愿识别请求;以及,
S405,第一服务端利用本地部署的第一子模型基于目标用户的第一特征数据,得到第一识别结果;具体的,第一子模型可以是逻辑回归模型,也可以是其他神经网络模型,以第一子模型为线性逻辑回归模型为例,第一识别结果为特征权重系数(即训练好的联邦学习模型中第一子模型的模型参数)与第一特征数据之间的乘积;
S406,第一服务端将上述第一识别结果发送至第三方可信平台;
S407,第三方可信平台在接收到第一服务端的支付意愿识别请求后,向第二服务端发送针对目标用户的支付意愿识别请求;
S408,第二服务端在接收到支付意愿识别请求后,利用本地部署的第二子模型并基于目标用户的第二特征数据,得到第二识别结果;具体的,第二子模型可以是逻辑回归模型,也可以是其他神经网络模型,以第二子模型为线性逻辑回归模型为例,第二识别结果为特征权重系数(即训练好的联邦学习模型中第二子模型的模型参数)与第二特征数据之间的乘积;
S409,第二服务端将上述第二识别结果发送至第三方可信平台;
S410,第三方可信平台基于上述第一识别结果和第二识别结果,确定针对目标用户的最终的支付意愿识别结果;其中,图4中虚线方框内为针对共有用户确定最终的支付意愿识别结果的具体过程;
S411,第三方可信平台将上述最终的支付意愿识别结果发送至第一服务端。
其中,针对用户权益分配信息的确定过程,上述S208,基于上述支付意愿识别结果,确定针对上述支付事件待分发的权益分配信息,具体包括:
步骤一,基于上述支付意愿识别结果,确定上述目标用户的支付意愿等级;其中,可以预先存储支付意愿识别结果与支付意愿等级之间的对应关系,以支付意愿识别结果为支付意愿得分为例,例如,该对应关系可以是:支付意愿得分为小于或等于第一预设分数,对应的支付意愿等级为等级1(即支付意愿低),支付意愿得分为大于第一预设分数且小于第二预设分数,对应的支付意愿等级为等级2(即支付意愿中),支付意愿得分为大于第二预设分数,对应的支付意愿等级为等级3(即支付意愿高)。
步骤二,针对目标用户的待触发支付事件,确定与上述支付意愿等级相匹配的待分发权益分配信息。
具体的,预先存储支付意愿等级与权益分配信息之间的对应关系,以上述支付意愿等级包括:等级1、等级2、等级3这三个等级为例,例如,该对应关系可以是:若目标用户为共有用户且等级3,则确定待分发的权益分配信息为无,若目标用户为共有用户且等级2,则确定待分发的权益分配信息为第一待分发权益,若目标用户为共有用户且等级1,则确定待分发的权益分配信息为第二待分发权益,其中,第二待分发权益高于第一待分发权益,该第一待分发权益或第二待分发权益可以由第二服务端执行权益分发;对应的,若目标用户为非共有用户且等级3,则确定待分发的权益分配信息为无,若目标用户为非共有用户且等级2,则确定待分发的权益分配信息为第三待分发权益,若目标用户为非共有用户且等级1,则确定待分发的权益分配信息为第四待分发权益,其中,第四待分发权益高于第三待分发权益,该第三待分发权益或第四待分发权益可以由第一服务端执行权益分发。
其中,针对目标用户的用户类型的确定过程,上述S202,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型,具体包括:
在检测出目标用户具有待触发支付事件后,获取目标用户在预设历史时间段内的历史业务订单数据;
基于获取到的历史业务订单数据,判断目标用户使用目标支付应用的支付订单情况是否满足预设约束条件;其中,该预设约束条件包括:支付次数小于预设次数阈值、支付频率小于预设频率阈值、支付金额小于预设金额阈值中至少一项;
若判断结果为是,则确定目标用户的用户类型为非共有用户;具体的,针对目标用户使用目标支付应用的支付订单情况满足预设约束条件的情况,即支付订单情况满足支付次数小于预设次数阈值、支付频率小于预设频率阈值、支付金额小于预设金额阈值中至少一项,则说明目标用户在目标业务服务应用所提交的支付订单中选用目标支付应用对应的支付方式的支付次数、支付频率、支付金额中至少一项小于对应的预设阈值,对应的,在目标支付应用侧能够获取到的第二特征数据比较少、参考性差,因此,通过利用迁移学习模型针对目标用户进行支付意愿识别,来提高支付意愿识别准确度。
若判断结果为否,则确定目标用户的用户类型为共有用户;具体的,针对目标用户使用目标支付应用的支付订单情况不满足预设约束条件的情况,即支付订单情况满足支付次数不小于预设次数阈值、支付频率不小于预设频率阈值、以及支付金额不小于预设金额阈值,则说明目标用户在目标业务服务应用所提交的支付订单中选用目标支付应用对应的支付方式的支付次数、支付频率、支付金额中均大于或等于对应的预设阈值,对应的,在目标支付应用侧能够获取到的第二特征数据比较多、参考性强,因此,能够利用联邦学习模型针对目标用户进行支付意愿识别。
其中,针对目标用户的用户类型为共有用户的情况,需要第二服务端向第三方可信平台提供基于第二特征数据得到的第二识别结果,基于此,在S202,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型之后,还包括:
若目标用户的用户类型为共有用户,则向第二服务端发送支付意愿识别请求,以使第二服务端利用第二子模型并基于目标用户的第二特征数据得到第二识别结果;其中,该支付意愿识别请求携带有目标用户的用户标识;具体的,由第一服务端直接触发第二服务端利用第二子模型对目标用户进行支付意愿识别得到第二识别结果,并且第二服务端将该第二识别结果向第三方可信平台发送第二识别结果;
或者,
若目标用户的用户类型为共有用户,则向第三方可信平台发送支付意愿识别请求,以使第三方可信平台触发第二服务端利用第二子模型并基于目标用户的第二特征数据得到第二识别结果;具体的,由第一服务端通过第三方可信平台触发第二服务端利用第二子模型对目标用户进行支付意愿识别得到第二识别结果,并且第二服务端将该第二识别结果向第三方可信平台发送第二识别结果。
进一步的,在基于用户类型采用对应的神经网络模型进行用户支付意愿识别之前,需要预先训练得到用于对共有用户进行支付意愿识别的联邦学习模型、以及用于对非共有用户进行支付意愿识别的迁移学习模型,具体的,针对联邦学习模型的训练过程,上述联邦学习模型的训练过程具体包括:
步骤一,获取第一模型训练样本集;其中,该第一模型训练样本集包括:第一样本用户在目标业务服务应用的第一特征数据集和第二样本用户在目标支付应用的第二特征数据集,该第一特征数据集包括用户特征数据和真实支付意愿标签;其中,该真实支付意愿标签可以是0或1,例如,0表示样本用户为高支付意愿,1表示样本用户为低支付意愿。另外,为了提高最终的联邦学习模型的训练准确度,选取同一历史时间段内产生的第一特征数据集和第二特征数据集。
具体的,上述第一特征数据集可以是由第一服务端按照第一预设特征维度对第一样本用户在目标业务服务应用侧所产生的用户特征数据进行预处理得到的,第一特征数据集可以包括:用户操作行为数据、用户注册数据、用户身份划分等级、用户标识中至少一项,例如,该用户操作行为数据可以是用户消费行为数据、用户浏览行为数据、用户充值行为数据、用户收藏行为数据中至少一项;上述第二特征数据集可以是由第二服务端按照第二预设特征维度对第二样本用户在目标支付应用侧所产生的用户特征数据进行预处理得到的,第二特征数据集可以包括:用户基础属性数据、用户支付行为数据、用户标识中至少一项,例如,该用户基础属性数据可以是用户性别、用户年龄、用户所在城市中至少一项,该用户支付行为数据可以是消费频次、支付成功率、支付犹豫时间中至少一项。
步骤二,基于上述第一样本用户的用户标识和第二样本用户的用户标识,确定目标业务服务应用与目标支付应用的共有样本用户;
具体的,考虑到目标业务服务应用与目标支付应用的用户群体并不完全重合,因此需要在第一样本用户和第二样本用户中选取用户标识相同的样本用户,即选取目标业务服务应用和目标支付应用的共有用户。
步骤三,利用机器学习方法并基于上述共有样本用户的第一特征数据集和第二特征数据集,对初始的联邦学习模型进行迭代训练,得到训练后的联邦学习模型。具体的,基于第一模型训练样本集对联邦学习模型的模型参数进行迭代训练,直到对应的目标函数收敛,其中,由于第一特征数据集和第二特征数据集分别来自于第一服务端和第二服务端,因此,在联邦学习模型训练过程中,需要引入第三方可信平台,并且第一服务端和第二服务端先对用户特征数据或中间数据进行加密后传输至第三方可信平台。
其中,为了确保用户隐私数据的安全性,针对共有样本用户的确定过程,上述步骤二,基于上述第一样本用户的用户标识和第二样本用户的用户标识,确定目标业务服务应用与目标支付应用的共有样本用户,具体包括:
利用预设基于加密的用户样本对齐方法,将上述第一样本用户的加密后用户标识和第二样本用户的加密后用户标识进行比对,得到用户标识比对结果;
将用户标识相同的第一样本用户和第二样本用户,确定为目标业务服务应用与目标支付应用的共有样本用户。
在具体实施时,预设基于加密的用户样本对齐方法可以选用RSA算法,其中,共有样本用户的确定过程可以是仅由第一服务端、第二服务端、第三方可信平台中任一方确定,但为了进一步提高用户特征数据的隐私安全性,采用分别在第一服务端和第二服务端对样本用户的用户标识进行加密,再由第三方可信平台进行用户标识比对的方式,基于此,由第三方可信平台(即协作者)分别向第一服务端和第二服务端分发第一公钥和第二公钥,第一服务端利用第一公钥对第一样本用户的用户标识加密,第二服务端利用第二公钥对第二样本用户的用户标识进行加密,再由第三方可信平台利用公钥对应的私钥对加密后的用户标识进行解密,选取出目标业务服务应用和目标支付用户的共有用户。
具体的,考虑到目标业务服务应用与目标支付应用之间的用户特征数据不互通,针对共有样本用户的确定过程中得到用户标识比对结果的步骤,上述利用预设基于加密的用户样本对齐方法,将上述第一样本用户的加密后用户标识和第二样本用户的加密后用户标识进行比对,得到用户标识比对结果,具体包括:
利用由第三方可信平台提供的第一公钥对第一样本用户的用户标识进行加密,得到的第一样本用户的加密后用户标识;
将第一样本用户的加密后用户标识发送至第三方可信平台,以使第三方可信平台获取第一样本用户的加密后用户标识和第二服务端上传的第二样本用户的加密后用户标识、并利用第一公钥对应的第一私钥和第二公钥对应的第二私钥分别对对应的加密后用户标识进行解密并基于解密后的用户标识得到用户标识比对结果,其中,该第二样本用户的加密后用户标识是第二服务端利用由第三方可信平台提供的第二公钥对第二样本用户的用户标识进行加密,得到的。
具体的,第三方可信平台将解密后的第一样本用户的用户标识分别与第二样本用户的用户标识进行一致性比较,将用户标识相同的第一样本用户和第二样本用户确定为共有样本用户。
其中,第三方可信平台生成第一公钥和其对应的第一私钥,或者生成第二公钥和其对应的第二私钥的过程为:
随机选取两个大质数P和Q,计算N=P*Q;计算N的欧拉函数M=$(N);以及随机选取一个正整数e,使得1<e<M,且e与M互质d;根据扩展欧几里得算法,求得d,使得e*d/M的余数为1;
其中,公钥为(N,e),私钥为(N,d),该公钥作为第一公钥或第二公钥,由第一服务端或第二服务端用于对用户标识进行加密,密文为明文的e次方除以N的余数;该私钥作为第一私钥或第二私钥,由第三方可信平台用于对加密后的用户标识进行解密,解密出的明文为密文的d次方除以N的余数。
进一步的,针对在确定出共有样本用户后,基于共有样本用户的用户特征数据进行联邦学习模型训练的过程,考虑到用户特征数据可能包含用户隐私数据,为了确保用户隐私数据的安全性,基于此,针对联邦学习模型的具体训练过程,上述联邦学习模型包括:设置于目标业务服务应用对应的第一服务端的第一子模型和设置于目标支付应用对应的第二服务端的第二子模型;
对应的,上述步骤三,利用机器学习方法并基于上述共有样本用户的第一特征数据集和第二特征数据集,对初始的联邦学习模型进行迭代训练,得到训练后的联邦学习模型,具体包括:
步骤a1,利用参数更新后的第一子模型并基于上述第一特征数据集向第三方可信平台发送加密后的第一预测结果,以使第三方可信平台基于该第一预测结果和第二服务端上传的加密后的第二预测结果确定第一子模型对应的第一梯度和第二子模型对应的第二梯度,直到对应的目标函数收敛;
其中,上述第二预测结果是第二服务端利用参数更新后的第二子模型并基于上述第二特征数据集得到的;
步骤a2,接收第三方可信平台返回的第一子模型对应的第一梯度;并利用梯度下降法基于该第一梯度更新第一子模型的模型参数;
具体的,第一服务端在接收到第三方可信平台发送更新后的第一梯度后,利用梯度下降法基于该第一梯度更新第一子模型的模型参数;再将第一特征数据集输入至参数更新后的第一子模型,得到第一预测结果,并将加密后的第一预测结果上传至第三方可信平台;以及第二服务端在接收到第三方可信平台发送更新后的第二梯度后,利用梯度下降法基于该第二梯度更新第二子模型的模型参数;再将第二特征数据集输入至参数更新后的第二子模型,得到第二预测结果,并将加密后的第二预测结果上传至第三方可信平台;第三方可信平台基于加密后的第一预测结果和加密后的第二预测结果确定第一子模型对应的第一梯度和第二子模型对应的第二梯度,直到对应的目标函数收敛。
具体的,针对每一轮模型参数更新的过程,第一服务端利用梯度下降方法朝着第一梯度下降最多的方向更新第一子模型的模型参数,以及第二服务端利用梯度下降方法朝着第二梯度下降最多的方向更新第二子模型的模型参数。
具体的,每次基于第一梯度更新第一子模型的模型参数之后,返回执行上述步骤a1至步骤a2,即经过多轮子模型参数迭代更新,直到第三方可信平台确定联邦学习模型的目标函数收敛,则停止确定第一梯度和第二梯度,从而停止模型参数迭代更新。其中,上述训练后的联邦学习模型为基于目标函数收敛时对应的模型参数得到的第一子模型和第二子模型的组合;该第二子模型的模型参数是第二服务端利用梯度下降法基于第三方可信平台返回的第二子模型对应的第二梯度更新得到的;具体的,针对每一轮模型参数更新的过程,利用梯度下降方法朝着第二梯度下降最多的方向更新第二子模型的模型参数。另外,训练后的联邦学习模型还包括存储于第三方可信平台的利用第一子模型得到的分支预测结果的加权系数、以及利用第二子模型得到的分支预测结果的加权系数,以便在利用训练后的联邦学习模型对共有用户进行支付意愿识别时,基于该加权系数对第一打分结果和第二打分结果进行加权运算,得到最终的支付意愿得分。
其中,针对属于目标业务服务应用且属于目标支付应用的共有用户,在联邦学习模型的训练过程,为了确保目标用户在目标业务服务应用侧所产生的用户特征数据、以及在目标支付应用侧所产生的用户特征数据的隐私安全性,分别在目标业务服务应用侧和目标支付应用侧设置半模型,再由第三方可信平台基于半模型的分支预测结果综合确定各半模型对应的梯度值,以触发目标业务服务应用侧和目标支付应用侧基于该梯度值更新各自半模型的模型参数,直到第三方可信平台侧的目标函数收敛;其中,由于梯度值是第三方可信平台是基于各半模型的分支预测结果综合确定的,因此,在目标业务服务应用侧和目标支付应用侧设置半模型的模型参数的迭代更新过程也是由在目标业务服务应用侧所产生的用户特征数据、以及在目标支付应用侧所产生的用户特征数据共同决定的。
具体的,考虑到目标业务服务应用和目标支付应用的重叠用户比较多,即同一用户既在目标业务服务应用侧具体多个用户特征数据,又在目标支付应用侧具有多个用户特征数据,对于共有样本用户而言,共有样本用户在目标业务服务应用侧所产生的用户特征数据涉及的特征维度与在目标支付应用侧所产生的用户特征数据涉及的特征维度不完全相同,因此,需要先基于用户标识确定共有样本用户,再按照至少一个第一预设特征维度,从共有样本用户在目标业务服务应用侧所产生的用户特征数据中选取第一特征数据集,以及按照至少一个第二预设特征维度,从共有样本用户在目标支付应用侧所产生的用户特征数据中选取第二特征数据集,即选取目标业务服务应用和目标支付应用的用户相同而用户特征不完全相同的用户特征数据作为模型训练样本集,最后,基于第一特征数据集和第二特征数据集对联邦学习的模型参数进行迭代训练,得到训练后的联邦学习模型。
其中,针对联邦学习模型的具体训练过程中得到第一预测结果的步骤,上述步骤三a,利用参数更新后的第一子模型并基于上述第一特征数据集向第三方可信平台发送加密后的第一预测结果,具体包括:
利用参数更新后的第一子模型并基于上述第一特征数据集得到每个训练样本的第一预测标签;
将加密后的第一预测标签发送至第三方可信平台,以使第三方可信平台基于第一预测标签、以及第二服务端上传的第二预测标签、以及真实支付意愿标签和目标函数,确定第一梯度和第二梯度;其中,该第二预测标签是第二服务端利用参数更新后的第二子模型并基于上述第二特征数据集得到的。
具体的,上述加密后的第一预测标签为第一服务端利用由第三方可信平台提供的第一公钥对待上传数据进行加密得到的,以及加密后的第二预测标签为第二服务端利用由第三方可信平台提供的第二公钥对待上传数据进行加密得到的。
其中,针对由第三方可信平台基于第一服务端和第二服务端上传的中间加密数据确定第一子模型对应的第一梯度和第二子模型对应的第二梯度的过程,具体的,上述第一梯度和第二梯度是上述第三方可信平台通过如下方式确定的:
基于上述第一预测标签、第二预测标签和真实支付意愿标签,计算针对每个共有样本用户的训练样本的支付意愿预测误差;其中,该第一预测标签表征第一特征数据集中的第一特征数据与第一子模型更新后的模型参数的乘积,该第二预测标签表征第二特征数据集中的第二特征数据与第二子模型更新后的模型参数的乘积;
具体的,第一预测值(即第一预测标签)与第二预测值(即第二预测标签)之和得到综合预测值,综合预测值减去真实值(真实支付意愿标签)即为支付意愿预测误差;或者,第一预测值(即第一预测标签)与第二预测值(即第二预测标签)加权求和得到综合预测值,综合预测值减去真实值(即真实支付意愿标签)即为支付意愿预测误差;
基于上述支付意愿预测误差,更新联邦学习模型对应的目标函数;
对更新后的目标函数求梯度,得到第一子模型对应的第一梯度和第二子模型对应的第二梯度;具体的,将第一特征数据的权重系数作为自变量,对更新后的目标函数求导,得到第一子模型对应的第一梯度;以及将第二特征数据的权重系数作为自变量,对更新后的目标函数求导,得到第二子模型对应的第二梯度。
具体的,联邦学习模型对应的目标函数为:
其中,表示第一特征数据集中标识为i的第一特征数据,ΘA表示第一特征数据的权重系数,即第一子模型更新后的模型参数,表示第二特征数据集中标识为i的第二特征数据,ΘB表示第二特征数据的权重系数,即第二子模型更新后的模型参数,yi表示真实支付意愿标签,λ表示正则系数, 表示支付意愿预测误差,表示第一预测标签,表示第二预测标签;
进一步的,在基于用户类型采用对应的神经网络模型进行用户支付意愿识别之前,不仅需要预先训练得到用于对共有用户进行支付意愿识别的联邦学习模型,还需要预先训练得到用于对非共有用户进行支付意愿识别的迁移学习模型,具体的,针对迁移学习模型的训练过程,上述迁移学习模型的训练过程具体包括:
步骤一,获取第二模型训练样本集;其中,该第二模型训练样本集包括:非共有样本用户的训练样本集、以及在联邦学习模型训练过程所用的共有样本用户的训练样本集;其中,该共有样本用户的训练样本集可以包括用户在目标业务服务应用的第一特征数据集,该第一特征数据集包括用户特征数据和真实支付意愿标签,该真实支付意愿标签与用户在目标业务服务应用的用户特征数据和在目标支付应用的用户特征数据同时相关;
具体的,在迁移学习模型的训练过程中所选用的训练样本集包括非共有样本用户的训练样本集和共有样本用户的训练样本集,这样一方面能够实现对样本用户的刻画更加完善,进而使得利用训练好的迁移学习模型得到的支付意愿的预测结果更加准确,另一方面,通过借助共有样本用户的训练样本集,使得还不需要积累大量的非共有样本用户的训练样本集,提升了模型上线效率;其中,上述非共有样本用户的训练样本集即为基于非共有样本用户在目标业务服务应用侧所产生的用户特征数据所得到的,非共有样本用户的训练样本集包括:用户操作行为数据、用户注册数据、用户身份划分等级、用户标识中至少一项。
步骤二,确定上述共有样本用户的每个目标训练样本对应的第一权重和上述非共有样本用户的每个目标训练样本对应的第二权重;
步骤三,利用机器学习方法并基于上述共有样本用户的每个目标训练样本和对应的第一权重、上述非共有样本用户的每个目标训练样本和对应的第二权重,对初始的迁移学习模型进行迭代训练,得到训练后的迁移学习模型。
其中,初始的迁移学习模型可以采用TrAdaBoost算法,以及初始的迁移学习模型中的基分类器可以选择XGBoost、逻辑回归LR、或其他神经网络等有监督网络模型。具体的,迁移学习模型即为一种将已有问题的模型,利用在其他不同但相关问题上的机器学习方法,其中,共有样本用户和非共有样本用户在某些特征维度上具有相似性,因此,通过将非共有样本用户的训练样本集和共有样本用户的训练样本集这两部分作为迁移学习模型的模型训练样本集,得到的训练后的迁移学习模型;其中,在迁移学习模型的模型参数迭代训练过程中,针对共有样本用户的训练样本选取数量小于预设阈值的情况,将非共有样本用户的训练样本集作为先验知识进行模型参数迭代训练,即从非共有样本用户到共有样本用户做迁移学习;对应的,针对共有样本用户的训练样本选取数量不小于预设阈值的情况,将共有样本用户的训练样本集作为先验知识进行模型参数迭代训练,即从共有样本用户到非共有样本用户做迁移学习。
其中,上述步骤三,利用机器学习方法并基于上述共有样本用户的每个目标训练样本和对应的第一权重、上述非共有样本用户的每个目标训练样本和对应的第二权重,对初始的迁移学习模型进行迭代训练,得到训练后的迁移学习模型,具体包括:
步骤b1,利用参数更新后的迁移学习模型并基于上述共有样本用户的每个目标训练样本和对应的第一权重、上述非共有样本用户的每个目标训练样本和对应的第二权重,得到各目标训练样本的预测支付意愿标签;
具体的,将共有样本用户的每个目标训练样本数据和对应的第一权重、上述非共有样本用户的每个目标训练样本数据和对应的第二权重输入至参数更新后的迁移学习模型,该迁移学习模型的输出结果即为各目标训练样本的预测支付意愿标签;
步骤b2,基于各目标训练样本的预测支付意愿标签和真实支付意愿标签,更新迁移学习模型对应的目标函数;
步骤b3,利用机器学习方法并基于更新后的目标函数,对迁移学习模型中的模型参数迭代更新,直到目标函数收敛;具体的,迁移学习模型的训练过程可以参考采用TrAdaBoost算法的神经网络模型的模型参数迭代训练过程。
步骤b4,根据针对每一轮训练基于目标函数收敛时对应的模型参数得到的迁移学习模型,确定训练后的迁移学习模型。
其中,为了提高训练好的迁移学习模型对非共有用户的支付意愿识别准确度,上述步骤b4,根据针对每一轮训练基于上述目标函数收敛时对应的模型参数得到的迁移学习模型,确定训练后的迁移学习模型,具体包括:
确定在迁移学习模型的迭代训练过程中每一轮训练对应的模型参考权重;其中,该模型参考权重可以基于每一轮训练得到的迁移学习模型对得到满足预设要求的预测结果的贡献程度所确定,每一轮训练对应的模型参考权重的大小与其对得到符合预设要求的预测结果的贡献程度正相关。
基于各轮训练分别对应的参考权重,对针对每一轮训练基于上述目标函数收敛时对应的模型参数得到的迁移学习模型进行加权,得到训练后的迁移学习模型。
其中,考虑到不同的训练样本对迁移学习模型的训练过程的贡献程度不同,即存在贡献程度高的训练样本,也存在贡献程度低的训练样本,通过增加贡献程度高的训练样本的影响权重,以及降低贡献程度低的训练样本的影响权重,这样能够提高训练好的迁移学习模型对非共有用户的支付意愿识别准确度,基于此,针对每个目标训练样本对应的影响权重的确定过程,上述步骤二,确定上述共有样本用户的每个目标训练样本对应的第一权重和上述非共有样本用户的每个目标训练样本对应的第二权重,具体包括:
(1)针对迁移学习模型的首轮训练,确定目标业务服务应用与目标支付应用的共有样本用户的目标训练样本和非共有样本用户的目标训练样本的样本选取比例;利用网格搜索算法并基于该样本选取比例,确定共有样本用户的每个目标训练样本对应的第一权重的初始值和非共有样本用户的每个目标训练样本对应的第二权重的初始值;
(2)针对迁移学习模型的非首轮训练,按照预设权重调整规则,基于上一轮训练结果、以及第一权重和第二权重在上一轮训练的取值,确定第一权重和第二权重在本轮训练的当前取值。
具体的,若非共有样本用户的目标训练样本的数量为m,共有样本用户的目标训练样本的数量为n,即选取比例为m:n,那么,每个非共有样本用户的目标训练样本对应的权重均为1/m,每个共有样本用户的目标训练样本对应的第一权重均为1/n,先利用网格搜索grid search算法枚举每个第一权重和第二权重的初始权重,此时每个目标训练样本的权重不完全相同,再基于预测误差在该初始权重的基础上,迭代调整每个目标训练样本的最终权重(即目标函数收敛时针对每个目标训练样本所赋予的权重的取值)。
另外,针对引入非共有样本用户的目标训练样本、共有样本用户的目标训练样本的真实支付意愿标签的情况,若非共有样本用户的目标训练样本中真实意愿标签为0和1的比例为a:b,共有样本用户的目标训练样本中真实意愿标签为0和1的比例为c:d,对应的,每个非共有样本用户且真实标签为0的目标训练样本对应的权重均为1/ma,每个非共有样本用户且真实标签为1的目标训练样本对应的权重均为1/mb,每个共有样本用户且真实标签为0的目标训练样本对应的权重均为1/mc,每个共有样本用户且真实标签为1的目标训练样本对应的权重均为1/m d。
进一步的,为了进一步提高训练后的迁移学习模型的支付意愿识别准确度,利用网格搜索算法多次枚举第一权重和第二权重的初始值,分别针对每一对第一权重和第二权重的初始值,通过上述多轮迭代训练得到训练后的迁移学习模型,然后,在多对第一权重和第二权重的初始值下分别得到的多个训练后的迁移学习模型中,选取预测结果准确度最高的迁移学习模型为最终的训练后的迁移学习模型。
其中,针对迁移学习模型的非首轮训练过程中的第一权重和第二权重的当前取值的确定步骤,上述按照预设权重调整规则,基于上一轮训练结果、以及第一权重和第二权重在上一轮训练的取值,确定第一权重和第二权重在本轮训练的当前取值,具体包括:
基于上一轮训练结果和预设误差计算公式,确定针对每个非共有样本用户的支付意愿预测误差;
按照预设权重调整规则并基于上述支付意愿预测误差,调整第一权重和第二权重在上一轮训练的取值,得到第一权重和第二权重在本轮训练的当前取值。
具体的,上述预设误差计算公式为:
若设βt=∈t/(1-∈t),则本轮训练时(即第t+1轮训练)序号为i的目标训练样本对应的权重为:
其中,ht(xi)表示预测支付意愿标签(即上一轮训练结果),c(xi)表示真实支付意愿标签,表示上一轮训练下(即第t轮训练)序号为i的目标训练样本对应的权重,n为针对共有样本用户所选取的目标训练样本的数量,m为针对非共有样本用户所选取的目标训练样本的数量。
本说明书一个或多个实施例中的支付业务的处理方法,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;若用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;若用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到支付意愿识别结果;基于支付意愿识别结果,确定针对支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。通过在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
对应上述图2至图4描述的支付业务的处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付业务的处理装置,图5为本说明书一个或多个实施例提供的支付业务的处理装置的第一种模块组成示意图,该装置用于执行图2至图4描述的支付业务的处理方法,如图5所示,该装置包括:
用户类型确定模块502,其在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
第一支付意愿识别模块504,其若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
第二支付意愿识别模块506,其若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
支付业务处理模块508,其基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例中,在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
可选地,所述联邦学习模型包括:设置于所述目标业务服务应用对应的第一服务端的第一子模型和设置于所述目标支付应用对应的第二服务端的第二子模型;所述第一支付意愿识别模块504,其:
利用所述第一子模型并基于所述目标用户的第一特征数据,得到第一识别结果;
将所述第一识别结果上传到第三方可信平台,以使所述第三方可信平台基于所述第一识别结果和所述第二服务端上传的第二识别结果,确定最终的支付意愿识别结果;其中,所述第二识别结果是利用所述第二子模型并基于所述目标用户的第二特征数据得到的;
接收所述第三方可信平台返回的所述支付意愿识别结果。
可选地,所述第一支付意愿识别模块504,其:
利用所述第一子模型,基于所述目标用户的第一特征数据对所述目标用户的支付意愿进行打分,得到第一打分结果;
将所述第一打分结果上传到第三方可信平台,以使所述第三方可信平台对所述第一打分结果和所述第二服务端上传的第二打分结果进行加权运算,得到最终的支付意愿得分,并将所述最终的支付意愿得分确定为最终的支付意愿识别结果。
可选地,所述支付业务处理模块,其:
基于所述支付意愿识别结果,确定所述目标用户的支付意愿等级;
针对所述支付事件,确定与所述支付意愿等级相匹配的待分发权益分配信息。
可选地,所述用户类型确定模块502,其:
在检测出目标用户具有待触发支付事件后,获取所述目标用户在预设历史时间段内的历史业务订单数据;
基于所述历史业务订单数据,判断所述目标用户使用所述目标支付应用的支付订单情况是否满足预设约束条件;其中,所述预设约束条件包括:支付次数小于预设次数阈值、支付频率小于预设频率阈值、支付金额小于预设金额阈值中至少一项;
若判断结果为是,则确定所述目标用户的用户类型为所述非共有用户;
若判断结果为否,则确定所述目标用户的用户类型为所述共有用户。
可选地,所述装置还包括:识别请求发送模块,其:
若所述用户类型为所述共有用户,则向所述第二服务端发送支付意愿识别请求,以使所述第二服务端利用所述第二子模型并基于所述目标用户的第二特征数据得到第二识别结果;其中,所述支付意愿识别请求携带有所述目标用户的用户标识;或者,
向所述第三方可信平台发送支付意愿识别请求,以使所述第三方可信平台触发所述第二服务端利用所述第二子模型并基于所述目标用户的第二特征数据得到第二识别结果。
可选地,如图6所示,所述装置还包括:第一模型训练模块510,其:
获取第一模型训练样本集;其中,所述第一模型训练样本集包括:第一样本用户在目标业务服务应用的第一特征数据集和第二样本用户在目标支付应用的第二特征数据集,所述第一特征数据集包括用户特征数据和真实支付意愿标签;
基于所述第一样本用户的用户标识和所述第二样本用户的用户标识,确定目标业务服务应用与目标支付应用的共有样本用户;
利用机器学习方法并基于所述共有样本用户的所述第一特征数据集和所述第二特征数据集,对初始的联邦学习模型进行迭代训练,得到训练后的联邦学习模型。
可选地,所述第一模型训练模块510,其:
利用预设基于加密的用户样本对齐方法,将所述第一样本用户的加密后用户标识和所述第二样本用户的加密后用户标识进行比对,得到用户标识比对结果;
将用户标识相同的所述第一样本用户和所述第二样本用户,确定为目标业务服务应用与目标支付应用的共有样本用户。
可选地,所述第一模型训练模块510,其:
利用由第三方可信平台提供的第一公钥对所述第一样本用户的用户标识进行加密,得到的所述第一样本用户的加密后用户标识;以及,
利用由第三方可信平台提供的第二公钥对所述第二样本用户的用户标识进行加密,得到的所述第二样本用户的加密后用户标识;
将所述第一样本用户的加密后用户标识和所述第二样本用户的加密后用户标识发送至所述第三方可信平台,以使所述第三方可信平台利用所述第一公钥对应的第一私钥和所述第二公钥对应的第二私钥分别对对应的所述加密后用户标识进行解密并基于解密后的用户标识得到用户标识比对结果。
可选地,所述联邦学习模型包括:设置于所述目标业务服务应用对应的第一服务端的第一子模型和设置于所述目标支付应用对应的第二服务端的第二子模型;所述第一模型训练模块510,其:
利用参数更新后的所述第一子模型并基于所述第一特征数据集向第三方可信平台发送加密后的第一预测结果,以使所述第三方可信平台基于所述第一预测结果和所述第二服务端上传的加密后的第二预测结果确定所述第一子模型对应的第一梯度和所述第二子模型对应的第二梯度,直到对应的目标函数收敛;其中,所述第二预测结果是所述第二服务端利用参数更新后的所述第二子模型并基于所述第二特征数据集得到的;
接收所述第三方可信平台返回的所述第一梯度;并利用梯度下降法基于所述第一梯度更新所述第一子模型的模型参数;
其中,所述训练后的联邦学习模型为基于所述目标函数收敛时对应的模型参数得到的第一子模型和第二子模型的组合;所述第二子模型的模型参数是所述第二服务端利用梯度下降法基于所述第三方可信平台返回的所述第二梯度更新得到的。
可选地,所述第一模型训练模块510,其:
利用参数更新后的所述第一子模型并基于所述第一特征数据集得到每个训练样本的第一预测标签;
将加密后的第一预测标签发送至第三方可信平台,以使所述第三方可信平台基于所述第一预测标签、以及所述第二服务端上传的第二预测标签、以及所述真实支付意愿标签和目标函数确定第一梯度和第二梯度;其中,所述第二预测标签是所述第二服务端利用参数更新后的所述第二子模型并基于所述第二特征数据集得到的。
可选地,所述第一梯度和第二梯度是所述第三方可信平台通过如下方式确定的:
基于所述第一预测标签、所述第二预测标签和真实支付意愿标签,计算针对每个共有样本用户的训练样本的支付意愿预测误差;
基于所述支付意愿预测误差,更新所述联邦学习模型对应的目标函数;
对更新后的所述目标函数求梯度,得到所述第一子模型对应的第一梯度和所述第二子模型对应的第二梯度。
可选地,所述装置还包括:第二模型训练模块512,其:
获取第二模型训练样本集;其中,所述第二模型训练样本集包括:非共有样本用户的训练样本集、以及在联邦学习模型训练过程所用的共有样本用户的训练样本集;
确定所述共有样本用户的每个目标训练样本对应的第一权重和所述非共有样本用户的每个目标训练样本对应的第二权重;
利用机器学习方法并基于所述共有样本用户的每个所述目标训练样本和所述第一权重、所述非共有样本用户的每个所述目标训练样本和所述第二权重,对初始的迁移学习模型进行迭代训练,得到训练后的迁移学习模型。
可选地,所述第二模型训练模块512,其:
利用参数更新后的迁移学习模型并基于所述共有样本用户的每个所述目标训练样本和所述第一权重、所述非共有样本用户的每个所述目标训练样本和所述第二权重,得到各所述目标训练样本的预测支付意愿标签;
基于各所述目标训练样本的预测支付意愿标签和真实支付意愿标签,更新所述迁移学习模型对应的目标函数;
利用机器学习方法并基于更新后的所述目标函数,对所述迁移学习模型中的模型参数迭代更新,直到所述目标函数收敛;
根据针对每一轮训练基于所述目标函数收敛时对应的模型参数得到的迁移学习模型,确定训练后的迁移学习模型。
可选地,所述第二模型训练模块512,其:
确定在所述迁移学习模型的迭代训练过程中每一轮训练对应的模型参考权重;
基于各轮训练分别对应的所述参考权重,对针对每一轮训练基于所述目标函数收敛时对应的模型参数得到的迁移学习模型进行加权,得到训练后的迁移学习模型。
可选地,所述第二模型训练模块512,其:
针对所述迁移学习模型的首轮训练,确定目标业务服务应用与目标支付应用的共有样本用户的目标训练样本和非共有样本用户的目标训练样本的样本选取比例;利用网格搜索算法并基于所述样本选取比例,确定所述共有样本用户的每个目标训练样本对应的第一权重的初始值和所述非共有样本用户的每个目标训练样本对应的第二权重的初始值;
针对所述迁移学习模型的非首轮训练,按照预设权重调整规则,基于上一轮训练结果、所述第一权重和所述第二权重在上一轮训练的取值,确定所述第一权重和所述第二权重在本轮训练的当前取值。
可选地,所述第二模型训练模块512,其:
基于上一轮训练结果和预设误差计算公式,确定针对每个所述非共有样本用户的支付意愿预测误差;
按照预设权重调整规则并基于所述支付意愿预测误差,调整所述第一权重和所述第二权重在上一轮训练的取值,得到所述第一权重和所述第二权重在本轮训练的当前取值。
本说明书一个或多个实施例中的支付业务的处理装置,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;若用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;若用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到支付意愿识别结果;基于支付意愿识别结果,确定针对支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。通过在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
需要说明的是,本说明书中关于支付业务的处理装置的实施例与本说明书中关于支付业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付业务的处理方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图4所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种支付业务的处理设备,该设备用于执行上述的支付业务的处理方法,如图7所示。
支付业务的处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对支付业务的处理设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在支付业务的处理设备上执行存储器702中的一系列计算机可执行指令。支付业务的处理设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706等。
在一个具体的实施例中,支付业务的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对支付业务的处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例中的支付业务的处理设备,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;若用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;若用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到支付意愿识别结果;基于支付意愿识别结果,确定针对支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。通过在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
需要说明的是,本说明书中关于支付业务的处理设备的实施例与本说明书中关于支付业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付业务的处理方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图4所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,在检测出目标用户具有待触发支付事件后,确定目标用户的用户类型;若用户类型为共有用户,则获取利用联邦学习模型并基于目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,第一特征数据为基于目标用户在目标业务服务应用的用户特征数据所确定的,第二特征数据为基于目标用户在目标支付应用的用户特征数据所确定的;若用户类型为非共有用户,则利用迁移学习模型并基于目标用户的第一特征数据,得到支付意愿识别结果;基于支付意愿识别结果,确定针对支付事件待分发的权益分配信息,并基于该权益分配信息执行相应的支付业务处理。通过在检测到目标用户具有待触发的支付事件后,先确定目标用户的用户类型,再选取与用户类型对应的支付意愿识别方式,这样按照用户类型采用与用户类型对应的识别模型进行支付意愿识别,不仅能够同时兼顾目标业务服务应用与目标支付应用的共有用户和非共有用户,进而提高支付意愿识别的用户覆盖率,还能够提高用户支付意愿的识别准确度,进而提高用户权益分发的准确度。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于支付业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的支付业务的处理方法的实施,重复之处不再赘述。
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。
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、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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个的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是参照根据本说明书一个或多个实施例的方法、设备(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数据处理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数据处理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数据处理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数据处理设备上,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。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个的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说明书一个或多个,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处理设备来执行任务。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,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个的权利要求范围之内。
Claims (20)
1.一种支付业务的处理方法,包括:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
2.根据权利要求1所述的方法,其中,所述联邦学习模型包括:设置于所述目标业务服务应用对应的第一服务端的第一子模型和设置于所述目标支付应用对应的第二服务端的第二子模型;
所述获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果,包括:
利用所述第一子模型并基于所述目标用户的第一特征数据,得到第一识别结果;
将所述第一识别结果上传到第三方可信平台,以使所述第三方可信平台基于所述第一识别结果和所述第二服务端上传的第二识别结果,确定最终的支付意愿识别结果;其中,所述第二识别结果是利用所述第二子模型并基于所述目标用户的第二特征数据得到的;
接收所述第三方可信平台返回的所述支付意愿识别结果。
3.根据权利要求2所述的方法,其中,所述利用所述第一子模型并基于所述目标用户的第一特征数据,得到第一识别结果,包括:
利用所述第一子模型,基于所述目标用户的第一特征数据对所述目标用户的支付意愿进行打分,得到第一打分结果;
所述将所述第一识别结果上传到第三方可信平台,以使所述第三方可信平台基于所述第一识别结果和所述第二服务端上传的第二识别结果,确定最终的支付意愿识别结果,包括:
将所述第一打分结果上传到第三方可信平台,以使所述第三方可信平台对所述第一打分结果和所述第二服务端上传的第二打分结果进行加权运算,得到最终的支付意愿得分,并将所述最终的支付意愿得分确定为最终的支付意愿识别结果。
4.根据权利要求1所述的方法,其中,所述基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,包括:
基于所述支付意愿识别结果,确定所述目标用户的支付意愿等级;
针对所述支付事件,确定与所述支付意愿等级相匹配的待分发权益分配信息。
5.根据权利要求1所述的方法,其中,所述在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型,包括:
在检测出目标用户具有待触发支付事件后,获取所述目标用户在预设历史时间段内的历史业务订单数据;
基于所述历史业务订单数据,判断所述目标用户使用所述目标支付应用的支付订单情况是否满足预设约束条件;其中,所述预设约束条件包括:支付次数小于预设次数阈值、支付频率小于预设频率阈值、支付金额小于预设金额阈值中至少一项;
若判断结果为是,则确定所述目标用户的用户类型为所述非共有用户;
若判断结果为否,则确定所述目标用户的用户类型为所述共有用户。
6.根据权利要求2所述的方法,其中,在确定所述目标用户的用户类型之后,还包括:
若所述用户类型为所述共有用户,则向所述第二服务端发送支付意愿识别请求,以使所述第二服务端利用所述第二子模型并基于所述目标用户的第二特征数据得到第二识别结果;其中,所述支付意愿识别请求携带有所述目标用户的用户标识;或者,
向所述第三方可信平台发送支付意愿识别请求,以使所述第三方可信平台触发所述第二服务端利用所述第二子模型并基于所述目标用户的第二特征数据得到第二识别结果。
7.根据权利要求1所述的方法,其中,所述联邦学习模型的训练过程具体包括:
获取第一模型训练样本集;其中,所述第一模型训练样本集包括:第一样本用户在目标业务服务应用的第一特征数据集和第二样本用户在目标支付应用的第二特征数据集,所述第一特征数据集包括用户特征数据和真实支付意愿标签;
基于所述第一样本用户的用户标识和所述第二样本用户的用户标识,确定目标业务服务应用与目标支付应用的共有样本用户;
利用机器学习方法并基于所述共有样本用户的所述第一特征数据集和所述第二特征数据集,对初始的联邦学习模型进行迭代训练,得到训练后的联邦学习模型。
8.根据权利要求7所述的方法,其中,所述基于所述第一样本用户的用户标识和所述第二样本用户的用户标识,确定目标业务服务应用与目标支付应用的共有样本用户,包括:
利用预设基于加密的用户样本对齐方法,将所述第一样本用户的加密后用户标识和所述第二样本用户的加密后用户标识进行比对,得到用户标识比对结果;
将用户标识相同的所述第一样本用户和所述第二样本用户,确定为目标业务服务应用与目标支付应用的共有样本用户。
9.根据权利要求8所述的方法,其中,所述利用预设基于加密的用户样本对齐方法,将所述第一样本用户的加密后用户标识和所述第二样本用户的加密后用户标识进行比对,得到用户标识比对结果,包括:
利用由第三方可信平台提供的第一公钥对所述第一样本用户的用户标识进行加密,得到的所述第一样本用户的加密后用户标识;以及,
利用由第三方可信平台提供的第二公钥对所述第二样本用户的用户标识进行加密,得到的所述第二样本用户的加密后用户标识;
将所述第一样本用户的加密后用户标识和所述第二样本用户的加密后用户标识发送至所述第三方可信平台,以使所述第三方可信平台利用所述第一公钥对应的第一私钥和所述第二公钥对应的第二私钥分别对对应的所述加密后用户标识进行解密并基于解密后的用户标识得到用户标识比对结果。
10.根据权利要求7所述的方法,其中,所述联邦学习模型包括:设置于所述目标业务服务应用对应的第一服务端的第一子模型和设置于所述目标支付应用对应的第二服务端的第二子模型;
所述利用机器学习方法并基于所述共有样本用户的所述第一特征数据集和所述第二特征数据集,对初始的联邦学习模型进行迭代训练,得到训练后的联邦学习模型,包括:
利用参数更新后的所述第一子模型并基于所述第一特征数据集向第三方可信平台发送加密后的第一预测结果,以使所述第三方可信平台基于所述第一预测结果和所述第二服务端上传的加密后的第二预测结果确定所述第一子模型对应的第一梯度和所述第二子模型对应的第二梯度,直到对应的目标函数收敛;其中,所述第二预测结果是所述第二服务端利用参数更新后的所述第二子模型并基于所述第二特征数据集得到的;
接收所述第三方可信平台返回的所述第一梯度;并利用梯度下降法基于所述第一梯度更新所述第一子模型的模型参数;
其中,所述训练后的联邦学习模型为基于所述目标函数收敛时对应的模型参数得到的第一子模型和第二子模型的组合;所述第二子模型的模型参数是所述第二服务端利用梯度下降法基于所述第三方可信平台返回的所述第二梯度更新得到的。
11.根据权利要求10所述的方法,其中,所述利用参数更新后的所述第一子模型并基于所述第一特征数据集向第三方可信平台发送加密后的第一预测结果,包括:
利用参数更新后的所述第一子模型并基于所述第一特征数据集得到每个训练样本的第一预测标签;
将加密后的第一预测标签发送至第三方可信平台,以使所述第三方可信平台基于所述第一预测标签、以及所述第二服务端上传的第二预测标签、以及所述真实支付意愿标签和目标函数确定第一梯度和第二梯度;其中,所述第二预测标签是所述第二服务端利用参数更新后的所述第二子模型并基于所述第二特征数据集得到的。
12.根据权利要求11所述的方法,其中,所述第一梯度和第二梯度是所述第三方可信平台通过如下方式确定的:
基于所述第一预测标签、所述第二预测标签和真实支付意愿标签,计算针对每个共有样本用户的训练样本的支付意愿预测误差;
基于所述支付意愿预测误差,更新所述联邦学习模型对应的目标函数;
对更新后的所述目标函数求梯度,得到所述第一子模型对应的第一梯度和所述第二子模型对应的第二梯度。
13.根据权利要求1所述的方法,其中,所述迁移学习模型的训练过程具体包括:
获取第二模型训练样本集;其中,所述第二模型训练样本集包括:非共有样本用户的训练样本集、以及在联邦学习模型训练过程所用的共有样本用户的训练样本集;
确定所述共有样本用户的每个目标训练样本对应的第一权重和所述非共有样本用户的每个目标训练样本对应的第二权重;
利用机器学习方法并基于所述共有样本用户的每个所述目标训练样本和所述第一权重、所述非共有样本用户的每个所述目标训练样本和所述第二权重,对初始的迁移学习模型进行迭代训练,得到训练后的迁移学习模型。
14.根据权利要求13所述的方法,其中,所述利用机器学习方法并基于所述共有样本用户的每个所述目标训练样本和所述第一权重、所述非共有样本用户的每个所述目标训练样本和所述第二权重,对初始的迁移学习模型进行迭代训练,得到训练后的迁移学习模型,包括:
利用参数更新后的迁移学习模型并基于所述共有样本用户的每个所述目标训练样本和所述第一权重、所述非共有样本用户的每个所述目标训练样本和所述第二权重,得到各所述目标训练样本的预测支付意愿标签;
基于各所述目标训练样本的预测支付意愿标签和真实支付意愿标签,更新所述迁移学习模型对应的目标函数;
利用机器学习方法并基于更新后的所述目标函数,对所述迁移学习模型中的模型参数迭代更新,直到所述目标函数收敛;
根据针对每一轮训练基于所述目标函数收敛时对应的模型参数得到的迁移学习模型,确定训练后的迁移学习模型。
15.根据权利要求14所述的方法,其中,所述根据针对每一轮训练基于所述目标函数收敛时对应的模型参数得到的迁移学习模型,确定训练后的迁移学习模型,包括:
确定在所述迁移学习模型的迭代训练过程中每一轮训练对应的模型参考权重;
基于各轮训练分别对应的所述参考权重,对针对每一轮训练基于所述目标函数收敛时对应的模型参数得到的迁移学习模型进行加权,得到训练后的迁移学习模型。
16.根据权利要求13所述的方法,其中,所述确定所述共有样本用户的每个目标训练样本对应的第一权重和所述非共有样本用户的每个目标训练样本对应的第二权重,包括:
针对所述迁移学习模型的首轮训练,确定目标业务服务应用与目标支付应用的共有样本用户的目标训练样本和非共有样本用户的目标训练样本的样本选取比例;利用网格搜索算法并基于所述样本选取比例,确定所述共有样本用户的每个目标训练样本对应的第一权重的初始值和所述非共有样本用户的每个目标训练样本对应的第二权重的初始值;
针对所述迁移学习模型的非首轮训练,按照预设权重调整规则,基于上一轮训练结果、所述第一权重和所述第二权重在上一轮训练的取值,确定所述第一权重和所述第二权重在本轮训练的当前取值。
17.根据权利要求16所述的方法,其中,所述按照预设权重调整规则,基于上一轮训练结果、所述第一权重和所述第二权重在上一轮训练的取值,确定所述第一权重和所述第二权重在本轮训练的当前取值,包括:
基于上一轮训练结果和预设误差计算公式,确定针对每个所述非共有样本用户的支付意愿预测误差;
按照预设权重调整规则并基于所述支付意愿预测误差,调整所述第一权重和所述第二权重在上一轮训练的取值,得到所述第一权重和所述第二权重在本轮训练的当前取值。
18.一种支付业务的处理装置,包括:
用户类型确定模块,其在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
第一支付意愿识别模块,其若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
第二支付意愿识别模块,其若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
支付业务处理模块,其基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
19.一种支付业务的处理设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
20.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
在检测出目标用户具有待触发支付事件后,确定所述目标用户的用户类型;其中,所述用户类型包括:目标业务服务应用与目标支付应用的共有用户、或者属于所述目标业务服务应用且不属于所述目标支付应用的非共有用户;
若所述用户类型为所述共有用户,则获取利用联邦学习模型并基于所述目标用户的第一特征数据和第二特征数据得到的支付意愿识别结果;其中,所述第一特征数据为基于所述目标用户在所述目标业务服务应用的用户特征数据所确定的,所述第二特征数据为基于所述目标用户在所述目标支付应用的用户特征数据所确定的;
若所述用户类型为所述非共有用户,则利用迁移学习模型并基于所述目标用户的第一特征数据,得到所述目标用户的支付意愿识别结果;
基于所述支付意愿识别结果,确定针对所述支付事件待分发的权益分配信息,并基于所述权益分配信息执行相应的支付业务处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270081.7A CN112967044B (zh) | 2021-03-12 | 2021-03-12 | 一种支付业务的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270081.7A CN112967044B (zh) | 2021-03-12 | 2021-03-12 | 一种支付业务的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967044A true CN112967044A (zh) | 2021-06-15 |
CN112967044B CN112967044B (zh) | 2022-05-06 |
Family
ID=76277712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110270081.7A Active CN112967044B (zh) | 2021-03-12 | 2021-03-12 | 一种支付业务的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967044B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239025A (zh) * | 2022-09-21 | 2022-10-25 | 荣耀终端有限公司 | 一种支付预测方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279217A1 (en) * | 2017-01-23 | 2019-09-12 | Alibaba Group Holding Limited | Method for adjusting risk parameter, and method and device for risk identification |
CN110910041A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种风险管控方法、系统、及装置 |
CN111738440A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种基于领域自适应与联邦学习的模型训练方法及系统 |
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN112150221A (zh) * | 2020-11-25 | 2020-12-29 | 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 |
-
2021
- 2021-03-12 CN CN202110270081.7A patent/CN112967044B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279217A1 (en) * | 2017-01-23 | 2019-09-12 | Alibaba Group Holding Limited | Method for adjusting risk parameter, and method and device for risk identification |
CN110910041A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种风险管控方法、系统、及装置 |
CN111738775A (zh) * | 2020-07-03 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种用户支付意愿预测模型的训练方法及系统 |
CN111738440A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种基于领域自适应与联邦学习的模型训练方法及系统 |
CN112150221A (zh) * | 2020-11-25 | 2020-12-29 | 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 |
Non-Patent Citations (3)
Title |
---|
ISMAEL MARTINEZ: "Record and Reward Federated Learning Contributions with Blockchain", 《IEEE》 * |
张艳艳: ""联邦学习"及其在金融领域的应用分析", 《农村金融研究》 * |
王佳: "联邦学习浅析", 《现代计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239025A (zh) * | 2022-09-21 | 2022-10-25 | 荣耀终端有限公司 | 一种支付预测方法及电子设备 |
CN115239025B (zh) * | 2022-09-21 | 2023-02-03 | 荣耀终端有限公司 | 一种支付预测方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112967044B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105468742B (zh) | 恶意订单识别方法及装置 | |
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
He et al. | Neural factorization machines for sparse predictive analytics | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN110688974B (zh) | 一种身份识别方法及装置 | |
US10692089B2 (en) | User classification using a deep forest network | |
CN113435583B (zh) | 基于联邦学习的对抗生成网络模型训练方法及其相关设备 | |
CN110335115A (zh) | 一种业务订单处理方法及装置 | |
US20190035015A1 (en) | Method and apparatus for obtaining a stable credit score | |
CN111737279B (zh) | 基于区块链的业务处理方法、装置、设备及存储介质 | |
CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN109064217B (zh) | 基于用户等级的核身策略确定方法、装置及电子设备 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
CN114429222A (zh) | 一种模型的训练方法、装置及设备 | |
CN115712866A (zh) | 数据处理方法、装置及设备 | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN112836129B (zh) | 一种信息的推荐方法、装置及设备 | |
CN113221717A (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN113656699A (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN116485391A (zh) | 支付推荐处理方法及装置 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
CN116956204A (zh) | 多任务模型的网络结构确定方法、数据预测方法及装置 | |
CN115564450A (zh) | 一种风控方法、装置、存储介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |