CN113065873A - 基于大数据及人工智能的支付方法及云平台系统 - Google Patents

基于大数据及人工智能的支付方法及云平台系统 Download PDF

Info

Publication number
CN113065873A
CN113065873A CN202110396647.0A CN202110396647A CN113065873A CN 113065873 A CN113065873 A CN 113065873A CN 202110396647 A CN202110396647 A CN 202110396647A CN 113065873 A CN113065873 A CN 113065873A
Authority
CN
China
Prior art keywords
payment
user
node
vector
server
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.)
Withdrawn
Application number
CN202110396647.0A
Other languages
English (en)
Inventor
梁万钢
高斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Yunuo Internet Co ltd
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110396647.0A priority Critical patent/CN113065873A/zh
Publication of CN113065873A publication Critical patent/CN113065873A/zh
Withdrawn legal-status Critical Current

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
    • G06Q20/102—Bill distribution or payments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

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)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种基于大数据及人工智能的支付方法及云平台系统，所述基于大数据及人工智能的支付云平台系统包括第一移动终端和服务器，所述方法包括：支付发起用户的第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将照片发送至服务器；服务器对接收到的照片进行人脸识别，确定共同支付用户的身份信息；服务器根据共同支付用户的数量对待支付账单进行拆分，得到多个子账单；服务器根据共同支付用户的身份信息，向共同支付用户的第二移动终端推送各子账单的对应付款请求。如此，可以实现对合照进行人脸识别，从而自动地实现多人分担付款或拼单付款账单推送，可以提高付款动作的便利性及效率。

Description

基于大数据及人工智能的支付方法及云平台系统
技术领域
本发明涉及数字化支付技术领域，具体而言，涉及一种基于大数据及人工智能的支付方法及云平台系统。
背景技术
随着信息技术的不断发展，数字化的支付方式越来越普及，例如，通过支付平台付款、数字货币付款、加密货币付款等。而付款的形式方式也越来越丰富，例如，AA制付款、拼单、团购付款。在这些场景中，需要对账单进行拆分然后确定各个协同付款的用户，再把拆分后的账单分别推送给各个用户，整个支付流程非常复杂。
发明内容
为了克服现有技术中的上述不足，本发明的目的在于提供一种基于大数据及人工智能的支付方法，应用于包括第一移动终端和服务器的基于大数据及人工智能的支付云平台系统，所述方法包括：
支付发起用户的所述第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器；
所述服务器对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息；
所述服务器根据所述共同支付用户的数量对所述待支付账单进行拆分，得到多个子账单；
所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送各所述子账单的对应付款请求。
在一种可能的实现方式中，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，包括：
所述服务器根据所述支付发起用户的身份信息，确定与该支付发起用户具有社交关联关系的用户作为的第一关联用户；
所述服务器从第一人脸特征信息库中提取所述第一关联用户的人脸特征信息组成第二人脸特征信息库；
所述服务器对接收到的所述照片信息进行人脸特征信息提取，获得所述照片中所述共同支付用户的待匹配人脸特征信息；
所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
在一种可能的实现方式中，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，还包括：
若所述服务器根据所述第二人脸特征信息库未能确定所述共同支付用户的身份信息，则查询与所述第一关联用户具有社交关联关系的用户作为第二关联用户；
所述服务器从所述第一人脸特征信息库中提取所述第二关联用户的人脸特征信息作为第三人脸特征信息库；
所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
在一种可能的实现方式中，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，还包括：
若所述服务器根据所述第三人脸特征信息库未能确定所述共同支付用户的身份信息，则获取所述第一移动终端的当前位置信息作为目标支付位置；
所述服务器从所述第一人脸特征信息库中提取与所述目标支付位置关联的用户的人脸特征信息作为第四人脸特征信息库；
所述服务器根据所述待匹配人脸特征信息，在所述第四人脸特征信息库中进行身份匹配，确定所述共同支付用户的身份信息。
在一种可能的实现方式中，所述方法还包括：
根据历史支付订单的付款用户和支付位置，确定各个用户和支付位置之间的第一关联关系；根据同一用户在不同支付位置的支付订单，确定各个支付位置之间的第二关联关系；
根据所述第一关联关系和所述第二关联关系确定第一拓扑关系图，所述第一拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系或第二关联关系的两个所述节点使用所述连接线相连；
根据同一用户在同一支付位置进行付款的次数确定所述用户对所述支付位置的偏好度，根据该偏好度确定所述用户和所述支付位置的第三关联关系；
根据所述支付位置与所述用户的第一关联关系、所述第三关联关系构建第二拓扑关系图；所述第二拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系的两个所述节点使用所述连接线相连，所述连接线具有与相应的所述偏好度；
基于所述第一拓扑关系图和第二拓扑关系图进行向量迭代传播，根据所述节点间的所述连接线进行向量传播和迭代学习、提取所述拓扑关系图中的邻接关系，得到所述支付位置节点的支付位置特征向量和所述用户节点的用户特征向量；
根据所述支付位置特征向量和所述用户特征向量计算各所述支付位置和各所述用户之间的关联程度值；
根据所述关联程度值确定与所述目标支付位置关联的用户。
在一种可能的实现方式中，所述基于所述第一拓扑关系图和第二拓扑关系图进行向量迭代传播的步骤，包括：
基于所述第一拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第一特征向量和所述用户节点的第二特征向量；
基于所述第二拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第三特征向量和所述用户节点的第四特征向量；
所述根据所述支付位置特征向量和所述用户特征向量计算各所述支付位置和各所述用户之间的关联程度值的步骤，包括：
根据所述第一特征向量和所述第二特征向量计算得到第一关联程度参数，根据所述第三特征向量和所述第四特征向量计算得到第二关联程度参数；
根据所述第一关联程度参数和第二关联程度参数计算获得所述关联程度值。
在一种可能的实现方式中，所述基于所述第一拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第一特征向量和所述用户节点的第二特征向量的步骤，包括：
基于所述第一拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第一拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第一拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第一拓扑向量；根据所述节点的所述第n层第一拓扑向量和所述邻接节点的所述第n层邻接第一拓扑向量进行向量更新，得到所述节点的第n+1层第一拓扑向量；其中，所述支付位置节点对应第n+1层第一特征向量，所述用户节点对应第n+1层第二特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第一拓扑关系图中的第m层第一特征向量，得到所述用户节点在所述第一拓扑关系图中的第m层第二特征向量，m为正整数；
所述基于所述第二拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第三特征向量和所述用户节点的第四特征向量的步骤，包括：
基于所述第二拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第二拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第二拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第二拓扑向量；根据所述节点的所述第n层第二拓扑向量和所述邻接节点的所述第n层邻接第二拓扑向量进行向量更新，得到所述节点的第n+1层第二拓扑向量；其中，所述支付位置节点对应第n+1层第三特征向量，所述用户节点对应第n+1层第四特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第二拓扑关系图中的第m层第三特征向量，得到所述用户节点在所述第二拓扑关系图中的第m层第四特征向量，m为正整数。
在一种可能的实现方式中，所述根据所述第一特征向量和所述第二特征向量计算得到第一关联程度参数的步骤，包括：
将所述支付位置节点的m层所述第一特征向量顺序拼接得到第一拼接向量，m为正整数；将所述用户节点的m层所述第二特征向量顺序拼接得到第二拼接向量；根据所述第一拼接向量与所述第二拼接向量的乘积得到所述第一关联程度参数；
所述根据所述第三特征向量和所述第四特征向量计算得到第二关联程度参数的步骤，包括：
将所述支付位置节点的m层所述第三特征向量顺序拼接得到第三拼接向量，m为正整数；将所述用户节点的m层所述第四特征向量顺序拼接得到第四拼接向量；根据所述第三拼接向量与所述第四拼接向量的乘积得到所述第二关联程度参数；
所述根据所述第一关联程度参数和第二关联程度参数计算获得所述关联程度值的步骤，包括：
将所述第一关联程度参数与所述第二关联程度参数的加权和确定为所述关联程度值；
所述根据所述关联程度值确定与所述目标支付位置关联的用户的步骤，包括：
将至少两个所述用户节点中，与所述目标支付位置的所述支付位置节点的所述关联程度值最大的前k个所述用户节点对应的所述用户，确定为所述目标支付位置的所述关联用户。
在一种可能的实现方式中，根据所述关联程度值确定与所述目标支付位置关联的用户的步骤，包括：
通过预先训练机器学习模型根据所述关联程度值确定与所述目标支付位置关联的用户；
所述方法还包括：
获取正样本的正样本关联程度值，所述正样本包括具有第一关联关系的样本支付位置和正样本用户，所述正样本关联程度值为所述样本支付位置和所述正样本用户的所述关联程度值；
获取负样本的负样本关联程度值，所述负样本包括不具有第一关联关系的所述样本支付位置和负样本用户，所述负样本关联程度值为所述样本支付位置和所述负样本用户的所述关联程度值；
调用损失函数计算所述正样本关联程度值与所述负样本关联程度值的损失值，并根据所述损失值调整所述机器学习模型的模型参数。
本发明还提供一种基于大数据及人工智能的支付云平台系统，包括第一移动终端和服务器的基于大数据及人工智能的支付云平台系统：
所述第一移动终端用于响应的支付发起用户针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器；
所述服务器用于对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息；所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送与所述待支付账单对应付款请求。
相对于现有技术而言，本发明具有以下有益效果：
本发明提供的一种基于大数据及人工智能的支付方法及云平台系统，通过支付发起用户的第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器。接着所述服务器对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息。然后所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送与所述待支付账单对应付款请求。如此，可以实现对合照进行人脸识别，从而实现多人AA制付款或拼单付款，可以提高付款动作的便利性及趣味性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于大数据及人工智能的支付云平台系统的架构示意图；
图2为本发明实施例提供的基于大数据及人工智能的支付方法的步骤流程示意图；
图3为步骤S120的子步骤流程示意图之一；
图4为步骤S120的子步骤流程示意图之二；
图5为步骤S120的子步骤流程示意图之三。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参照图1，图1为本实施例提供的一种基于大数据及人工智能的支付云平台系统的示意图，该基于大数据及人工智能的支付云平台系统可以包括第一移动终端100及服务器200。
请参照图2， 图2应用于图1所示基于大数据及人工智能的支付云平台系统的一种基于大数据及人工智能的支付方法，其中，本实施例提供的所述基于大数据及人工智能的支付方法可以被用于数字货币支付、加密货币支付或使用其他支付平台进行支付。下面对该方法的各个步骤进行详细解释。
步骤S110，支付发起用户的所述第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器。
在本实施例中，支付发起用户可以通过所述第一移动终端与商家的终端设别进行交互，获得所述待支付账单。再获得所述待支付账单以后，所述第一移动终端可以显示一选择界面，支付发起用户可以在该选择界面上选择单个用户支付或者多个用户共同支付。
若所述支付发起用户选择共同支付，则所述第一移动终端可以启动摄像头，支付发起用户可以通过所述摄像头拍摄需要一起进行付款的至少两个共同支付用户的照片，并由所述第一移动终端发送给服务器。可以理解的是，在本实施例中，所述支付发起用户也可以是其中一个共同支付用户。
步骤S120，所述服务器对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息。
在本实施例中，所述服务器可以对接收到的所述照片进行人脸识别，通过人脸识别的方式确定所述照片中出现的人脸对应的用户身份信息，并将这些用户确定为共同支付用户。
在一些可能的实现方式中，在拍摄照片以后，还可以由先所述支付发起用户通过选择方式从所述待照片中选取需要进行识别的人脸，然后再讲照片发送给所述服务器进行识别。从而避免将照片中无关的路人识别为共同支付用户，同时也可以减少服务器在图像识别过程中的工作量，提高识别效率。
步骤S130，所述服务器根据所述共同支付用户的数量对所述待支付账单进行拆分，得到多个子账单。
可选地，在本实施例中，在本实施例中，可以先有支付发起用户输入所述共同支付用户的数量，也可以由服务器通过对所述照片的识别确定共用支付用户的数量。
在确定共同支付用户的数量后，所述服务器可以对所述待支付账单进行拆分，例如，对付款金额进行均分。拆分后可以获得与所述共同支付用户数量相同的子账单。
步骤S140，所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送各所述子账单的对应付款请求。
在本实施例中，所述服务器可以根据在获得各个所述子账单以后，将各个所述子账单推送给各个共同支付用户对应的第二移动终端。可以理解的是，在本实施例中，当所述支付发起用户也是其中一个共同支付用户时，所述第一移动终端也可以作为其中一个所述第二移动终端接收所述子账单。
可选地，在一些实现方式中，所述服务器还可以将所述照片发送给各个第二移动终端，使各个共同支付用户可以留作纪念。如此可以提高整个付款过程的去微信。
可选地，所述服务器还可以根据人脸识别结果，在所述照片上备注各个共同支付用户的身份信息后，再发送給各个第二移动终端。
可选地，在一些可能的实现方式中，在步骤S130中，所述服务器可以根据所述支付发起用户的选择根据所述共同支付用户的数量对所述待支付账单进行拆分。例如，支付发起用户可以在从所述照片上选择需要进行识别的人脸时或者在所述服务器完成对共同支付用户的人脸识别后，为各个公共支付用户选择需要分担的付款比例，比如均分或者按照设定的比例分担。然后所述服务器根据所述支付发起用户的选择进行账单拆分。
在本实施例中，所述服务器需要在预存的人脸特征信息库中对所述照片中出现的人脸进行匹配，为了方便减少所述服务器的匹配工作量，所述服务器可以预先通过一些逻辑处理缩小人脸匹配的范围。
在一些可能的实现方式中，请参照图3，在步骤S120可以包括以下子步骤。
步骤S201，所述服务器根据所述支付发起用户的身份信息，确定与该支付发起用户具有社交关联关系的用户作为的第一关联用户。
由于需要一起进行账单支付的用户通常可能具有一定的社交关联关系，因此，在本实施例中，可以根据在和所述支付发起用户具有社交关联关系的用户中进行共同支付用户的人脸特征匹配，从而缩小服务器进行人脸匹配比对的范围。
具体地，所述服务器中可以预先存储有各个用户的社交网络关系，所述社交关联关系可以包括在社交网络或支付平台上的好友关联关系。所述服务器可以根据所述支付发起用户的身份信息，根据所述支付发起用户的社交网络关系，将和所述支付发起用户具有社交关联关系的用户确定为第一关联用户。
步骤S202，所述服务器从第一人脸特征信息库中提取所述第一关联用户的人脸特征信息组成第二人脸特征信息库。
在本实施例中，所述服务器预存的第一人脸特征信息库可以为全量用户的人脸特征信息库。在确定所述第一关联用户之后，即可以从预存所述第一人脸特征信息库中提取所述第一关联用户的人脸特征信息组成所述第二人脸特征信息库。
步骤S203，所述服务器对接收到的所述照片信息进行人脸特征信息提取，获得所述照片中所述共同支付用户的待匹配人脸特征信息。
在本实施例中，所述服务器可以通过预先训练的人脸识别模型对接收到的所述照片进行人脸特征信息提取，获得待匹配人脸特征信息。
步骤S204，所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
在本实施例中，所述服务器可以在所述第二人脸特征信息库中对所述待匹配人脸特征信息进行匹配比对，从而确定所述共同支付用户的身份信息。
在一些情形中，某些共同支付用户可能和支付发起用户不具有社交关联关系，而是和其他某个共同支付用户具有社交关联关系。因此，在一些可能的而实现方式中，当所述服务器还可以在支付发起用户亲友的亲友中继续进行共同支付用户的匹配识别。
具体地，请参照图4，步骤S120还可以包括以下子步骤。
步骤S205，若所述服务器根据所述第二人脸特征信息库未能确定所述共同支付用户的身份信息，则查询与所述第一关联用户具有社交关联关系的用户作为第二关联用户。
换句话说，在本实施例中，所述服务器可以将所述支付发起用户的亲友的亲友确定为所述第二关联用户。
步骤S206，所述服务器从所述第一人脸特征信息库中提取所述第二关联用户的人脸特征信息作为第三人脸特征信息库。
步骤S207，所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
在一些情形中，某些共同支付用户可能不是支付发起用户的亲友，也是不是支付发起用户亲友的亲友，因此，在本实施例中，所述服务器还可以根据各个用户的位置信息，从第一人脸特征信息库中确定第四人脸特征信息库进行人脸匹配识别。又由于所述服务区可能无法实时的获取各个用户的位置信息，因此在本实施例中，所述服务器可以通过预测的方式确定哪些用户可能与所述目标支付位置具有关联。
具体地，请参照图5，在本实施例中，步骤S120还可以包括以下子步骤。
步骤S208，若所述服务器根据所述第三人脸特征信息库未能确定所述共同支付用户的身份信息，则获取所述第一移动终端的当前位置信息作为目标支付位置。
步骤S209，所述服务器从所述第一人脸特征信息库中提取与所述目标支付位置关联的用户的人脸特征信息作为第四人脸特征信息库。
步骤S210，所述服务器根据所述待匹配人脸特征信息，在所述第四人脸特征信息库中进行身份匹配，确定所述共同支付用户的身份信息。
在一些可能的实现方式中，所述服务器可以通过以下步骤确定与所述目标支付位置关联的用户。
步骤S301，根据历史支付订单的付款用户和支付位置，确定各个用户和支付位置之间的第一关联关系；根据同一用户在不同支付位置的支付订单，确定各个支付位置之间的第二关联关系。
在本实施例中，考虑到用户和支付位置之间可能存在一定的关联关系。例如，当某个用户在某个支付位置进行过付款，即可认为该用户的行动规矩曾与该支付位置产生过交集，则该用户和该支付位置之间具有第一关联关系。
在本实施例中，考虑到支付位置和支付位置之间的关联关系。例如，当同一用户在不同的两个支付位置都进行过支付，则可能更多的其他用户也可能在这两个支付位置都进行支付，这该两个支付位置之间就具有第二关联关系。
在本实施例中，还考虑到同一用户在不同支付位置的支付的频繁程度作为第三关联关系。可以理解的是，第三关联关系可以视作具有了支付次数加权的第一关联关系。
步骤S302，根据所述第一关联关系和所述第二关联关系确定第一拓扑关系图，所述第一拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系或第二关联关系的两个所述节点使用所述连接线相连。
在本实施例中，可以根据是第一关联关系和第二关联关系确定第一拓扑关系图。可以理解的是，在本实施例中，第一拓扑关系图可以并不具有可视化的图像视觉呈现效果，所述第一拓扑关系图可以仅记录节点内和节点之间的连接关系。
步骤S303，根据同一用户在同一支付位置进行付款的次数确定所述用户对所述支付位置的偏好度，根据该偏好度确定所述用户和所述支付位置的第三关联关系。
步骤S304，根据所述支付位置与所述用户的第一关联关系、所述第三关联关系构建第二拓扑关系图；所述第二拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系的两个所述节点使用所述连接线相连，所述连接线具有与相应的所述偏好度。
在本实施例中，可以根据所述第一关联关系和三关联惯性系确定第二拓扑关系图。可以理解的是，在本实施例中，第一拓扑关系图可以并不具有可视化的图像视觉呈现效果，所述第一拓扑关系图可以仅记录节点内和节点之间的连接关系。
在一个例子中，所述服务器可以基于数据库中存储的支付位置数据构建拓扑关系图。拓扑关系图是由大量支付位置的支付位置数据构成的大规模关系图。图中包括两类节点：支付位置节点和用户节点。在一个例子中，拓扑关系图中存在至少两个支付位置节点或至少两个用户节点，在一个例子中，由于拓扑关系图是使用服务器中存储的大量支付位置数据构建的，拓扑关系图中存在多个支付位置节点和多个用户节点。在一个例子中，用连接线来表示各个节点间的关系，例如，当支付位置与用户存在第一关联关系时，用连接线将支付位置节点与用户节点相连，该连接线即表示这两个节点间的第一关联关系；再如，支付位置与支付位置间存在第二关联关系时，用连接线将两个支付位置节点相连，该连接线即表示这两个节点间的第二关联关系；再如，对于一个支付位置，可以为在此地付款的不同用户分配不同的关联程度，则可以为支付位置节点与用户节点间的连接线赋值关联程度，该连接线即表示这两个支付位置节点存在第一关联关系和该第一关联关系的关联程度。在一个例子中，在一种可选的实现方式中，连接线可以是有向连接线也可以是无向连接线。
下面对本实施例提供的三种关系进行分别介绍。
第一关联关系是支付位置(支付位置节点)与用户(用户节点)间的关系。第一关联关系代表支付位置与用户间存在直接关联关系，即，支付位置与用户之间发生了支付倾向动作，例如，用户在支付位置完成了支付、用户收藏了支付位置的商家、用户评论了支付位置的商家、用户为该支付位置的商家点赞、用户搜索该支付位置的关键词、用户浏览了该支付位置的相关信息、用户在该支付位置签到、用户接入该支付位置的WiFi等等。在一个例子中，第一关联关系可以是由终端采集到的，终端将采集到的第一关联关系发送给服务器进行存储，服务器根据存储的各个终端上报的各个支付位置的第一关联关系，来构建拓扑关系图。在一个例子中，由于支付位置与用户间具有第一关联关系，则该支付位置对应的支付位置节点与该用户对应的用户节点间具有第一关联关系。
第二关联关系是两个支付位置(支付位置节点)间的关系。第二关联关系代表两个支付位置间存在直接关联关系，例如，同一用户在不同两个支付位置均完成过支付，则该两个支付位置之间存在第二关联关系。在一个例子中，本发明所说的支付位置是指所述服务器所能够识别的支付位置，例如，接收付款的商家上报的位置信息。
第三关联关系是加权的第一关联关系。在一个例子中，根据用户在同一个支付位置进行付款的次数，可以计算得到在地理位置层面用户对支付位置的偏好程度，本实施例将经过偏好程度加权的第一关联关系称为第三关联关系。
在一个例子中，基于第一关联关系和第二关联关系可以构建第一拓扑关系图，基于第一关联关系和第三关联关系可以构建第二拓扑关系图，基于第一关联关系、第二关联关系和第三关联关系可以构建第一拓扑关系图和第二拓扑关系图。基于不同的关系图进行学习可以学习到支付位置与用户间的不同邻接关系，进而从不同的层面来向支付位置的关联用户。
步骤S305，基于所述第一拓扑关系图和第二拓扑关系图进行向量迭代传播，根据所述节点间的所述连接线进行向量传播和迭代学习、提取所述拓扑关系图中的邻接关系，得到所述支付位置节点的支付位置特征向量和所述用户节点的用户特征向量。
所述向量迭代传播用于根据节点间的连接线进行向量传播和迭代学习、提取拓扑关系图中的邻接关系。
在一个例子中，在本实施例中，可以采用图卷积网络提取拓扑关系图中的特征。图卷积网络的核心在于节点间的向量传播，对于每一个节点而言，可以吸收融合其邻接节点传播而来的向量，结合该节点自身的向量，生成一个新的维度相同的向量。这样的向量传播可以迭代多次，从而提取了关系图结构中一层乃至高层的连接信息；同时节点的原始属性特征可以作为第0层表征向量，故图卷积网络可以同时有效利用节点属性与关系图的结构信息。
在一个例子中，所述服务器首先根据各个节点自身的属性生成各个节点的第0层表征向量(原始表征向量)，例如，根据支付位置的节点标识生成支付位置节点的原始表征向量，根据用户的节点标识生成用户节点的原始表征向量。或者，所述服务器还可以根据支付位置的节点标识和支付位置性别生成支付位置节点的原始表征向量，根据用户的节点标识和用户类型生成用户节点的原始表征向量。
然后，所述服务器根据本节点与邻接节点的连接关系，向邻接节点发送本节点的原始表征向量，同时，本节点会接收到邻接节点发送的邻接节点的原始表征向量。本节点就可以根据接收到的邻接节点的原始表征向量以及本节点的原始表征向量，来进行向量更新本节点的表征向量得到本节点的第1层表征向量。如此，本节点的第1层表征向量就可以学习到本节点的邻接节点的特征。重复向量迭代传播的步骤，可以继续根据本节点的第1层表征向量和邻接节点的第1层表征向量得到本节点的第2层表征向量，由于邻接节点的第1层表征向量已经学习到了邻接节点的邻接节点的特征，则本节点的第2层表征向量就包含了邻接节点的邻接节点的特征。如此，进行迭代学习，本节点就可以不断学习到更远处节点的特征。
例如，节点1和节点2通过连接线相连，节点2和节点3通过连接线相连，节点1具有原始表征向量1，节点2具有原始表征向量2，节点3具有原始表征向量3。首先，进行向量传播，节点1向节点2发送原始表征向量1，节点2向节点1和节点3发送原始表征向量2，节点3向节点2发送原始表征向量3。然后，进行向量更新，节点1根据接收到的原始表征向量2和其自身的原始表征向量1得到第1层表征向量1，节点2根据接收到的原始表征向量1和原始表征向量3以及其自身的原始表征向量2得到第1层表征向量2，节点3根据接收到的原始表征向量2和其自身的原始表征向量3得到第1层表征向量3。然后，再次进行向量传播，节点1向节点2发送第1层表征向量1，节点2向节点1和节点3发送第1层表征向量2，节点3向节点2发送第1层表征向量3。然后，再次进行向量更新，节点1根据接收到的第1层表征向量2和其自身的第1层表征向量1得到第2层表征向量1，节点2根据接收到的第1层表征向量1和第1层表征向量3以及其自身的第1层表征向量2得到第2层表征向量2，节点3根据接收到的第1层表征向量2和其自身的第1层表征向量3得到第2层表征向量3。如此，节点1在经过两次向量迭代传播，就可以学习到节点3的特征，同理，节点3也可以学习到节点1的特征。
向量传播是指各个节点向邻接节点发送本节点的表征向量的过程，向量更新是指各个节点根据接收到的表征向量更新本节点的表征向量的过程。迭代进行向量迭代传播就可以得到更深层的表征向量。
步骤S306，根据所述支付位置特征向量和所述用户特征向量计算各所述支付位置和各所述用户之间的关联程度值。
在一个例子中，在经过迭代的向量迭代传播后，每个节点都可以得到多层表征向量。根据一个支付位置节点的表征向量和一个用户节点的表征向量可以计算得到一个关联程度值，关联程度值用于表征该支付位置对该用户的兴趣程度。在一个例子中，关联程度值越高表示该用户在该支付位置处进行消费的可能性越高。
步骤S307，根据所述关联程度值确定与所述目标支付位置关联的用户。
在本实施例中，将至少两个所述用户节点中，与所述目标支付位置的所述支付位置节点的所述关联程度值最大的前k个所述用户节点对应的所述用户，确定为所述目标支付位置的所述关联用户。
在本实施例中，步骤S305可以包括以下子步骤。
步骤S401，基于所述第一拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第一特征向量和所述用户节点的第二特征向量。
具体地，在本实施例中，可以基于所述第一拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第一拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第一拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第一拓扑向量；根据所述节点的所述第n层第一拓扑向量和所述邻接节点的所述第n层邻接第一拓扑向量进行向量更新，得到所述节点的第n+1层第一拓扑向量；其中，所述支付位置节点对应第n+1层第一特征向量，所述用户节点对应第n+1层第二特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第一拓扑关系图中的第m层第一特征向量，得到所述用户节点在所述第一拓扑关系图中的第m层第二特征向量，m为正整数。
在一个例子中，所述向量迭代传播的向量传播过程包括向量发送和向量接收两个过程。
首先，基于第一拓扑关系图进行向量传播。控制节点向邻接节点发送节点的第n层第一拓扑向量，n为自然数，邻接节点是通过连接线与节点相连的节点，其中，第0层第一拓扑向量是根据节点的节点信息生成的原始表征向量。
在一个例子中，邻接节点是会向本节点发送表征向量的节点，例如，若连接线是有向连接线，节点A通过有向连接线指向节点B，则节点A是节点B的邻接节点，但节点B不是节点A的邻接节点，因为节点B不会向节点A发送表征向量。
然后，进行向量接收。控制节点接收邻接节点发送的邻接节点的第n层邻接第一拓扑向量。
在一个例子中，在第一拓扑关系图中，对于支付位置节点，邻接节点包括邻接支付位置节点和邻接用户节点，则支付位置节点接收到的第n层邻接第一拓扑向量包括第n层邻接第一特征向量和第n层邻接第二特征向量；对于用户节点，邻接节点包括邻接支付位置节点，则用户节点接收到的第n层邻接第一拓扑向量包括第n层邻接第一特征向量；
在一个例子中，所述向量迭代传播的向量传播更新过程可以采用如下方式。
根据节点的第n层第一拓扑向量和邻接节点的第n层邻接第一拓扑向量进行向量更新，得到节点的第n+1层第一拓扑向量；其中，支付位置节点对应第n+1层第一特征向量，用户节点对应第n+1层第二特征向量。
在一个例子中，响应于节点为支付位置邻接节点，将第n层第一拓扑向量、第n层邻接第一特征向量和第n层邻接第二特征向量之和确定为第n+1层关联特征向量；计算第n+1层关联特征向量与第n+1层关联权重的第n+1关联乘积；计算第n+1关联乘积与第n+1层关联偏置的第n+1关联和，将第n+1关联和代入激活函数得到支付位置节点的第n+1层第一特征向量。
响应于节点为用户节点，将第n层第一拓扑向量和第n层邻接第一特征向量之和确定为第n+1层关联特征向量；计算第n+1层关联特征向量与第n+1层关联权重的第2(n+1)关联乘积；计算第2(n+1)关联乘积与第n+1层关联偏置的第2(n+1)关联和，将第2(n+1)关联和代入激活函数得到用户节点的第n+1层第二特征向量。
重复上述步骤迭代进行向量迭代传播，得到支付位置节点在第一拓扑关系图中的第m层第一特征向量，得到用户节点在第一拓扑关系图中的第m层第二特征向量，m为正整数。
步骤S402，基于所述第二拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第三特征向量和所述用户节点的第四特征向量。
具体地，在本实施例中，可以基于所述第二拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第二拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第二拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第二拓扑向量；根据所述节点的所述第n层第二拓扑向量和所述邻接节点的所述第n层邻接第二拓扑向量进行向量更新，得到所述节点的第n+1层第二拓扑向量；其中，所述支付位置节点对应第n+1层第三特征向量，所述用户节点对应第n+1层第四特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第二拓扑关系图中的第m层第三特征向量，得到所述用户节点在所述第二拓扑关系图中的第m层第四特征向量，m为正整数。
在一个例子中，所述向量迭代传播的向量传播过程包括向量发送和向量接收两个过程。
首先，基于第二拓扑关系图进行向量传播。控制节点向邻接节点发送节点的第n层第二拓扑向量，n为自然数，邻接节点是通过连接线与节点相连的节点，其中，第0层第二拓扑向量是根据节点的节点信息生成的原始表征向量。
然后，进行向量接收。控制节点接收邻接节点发送的邻接节点的第n层邻接第二拓扑向量。
在一个例子中，在第二拓扑关系图中，对于支付位置节点，邻接节点包括邻接用户节点，则支付位置节点接收到的第n层邻接第二拓扑向量包括第n层邻接第四特征向量；对于用户节点，邻接节点包括邻接支付位置节点，则用户节点接收到的第n层邻接第二拓扑向量包括第n层邻接第三特征向量。
在一个例子中，所述向量迭代传播的向量传播更新过程可以采用如下方式。
根据节点的第n层第二拓扑向量和邻接节点的第n层邻接第二拓扑向量进行向量更新，得到节点的第n+1层第二拓扑向量；其中，支付位置节点对应第n+1层第三特征向量，用户节点对应第n+1层第四特征向量。
在一个例子中，响应于节点为支付位置邻接节点，计算第n层邻接第四特征向量与邻接节点的关联程度第一乘积，将第n层第二拓扑向量和第一乘积之和确定为第n+1层地理特征向量；计算第n+1层地理特征向量与第n+1层地理权重的第n+1地理乘积；计算第n+1地理乘积与第n+1层地理偏置的第n+1地理和，将第n+1地理和代入激活函数得到支付位置节点的第n+1层第三特征向量。
响应于节点为用户节点，计算第n层邻接第三特征向量与邻接节点的关联程度第二乘积，将第n层第二拓扑向量和第二乘积之和确定为第n+1层地理特征向量；计算第n+1层地理特征向量与第n+1层地理权重的第2(n+1)地理乘积；计算第2(n+1)地理乘积与第n+1层地理偏置的第2(n+1)地理和，将第2(n+1)地理和代入激活函数得到用户节点的第n+1层第四特征向量。
重复上述步骤迭代进行向量迭代传播，得到支付位置节点在第二拓扑关系图中的第m层第三特征向量，得到用户节点在第二拓扑关系图中的第m层第四特征向量，m为正整数。
在本实施例中，根据支付位置对用户的关联程度可以为第一关联关系进行加权，即，在第二拓扑关系图中，支付位置与用户间的连接线是具有权重值的，不同的连接线权重值不同，权重值即为支付位置对用户的关联程度。
在进行向量更新时，可以根据连接线的权重值来更新本节点的向量。例如，本节点在向量传播时接收到了第一邻接节点的第一表征向量，和第二邻接节点的第二表征向量，其中，本节点与第一邻接节点连接线的关联程度为0.5，本节点与第二邻接节点连接线的关联程度为0.3，则用关联程度对第一表征向量和第二表征向量进行加权，根据本节点的表征向量、加权后的第一表征向量、加权后的第二表征向量来进行向量更新。例如，加权后的第一表征向量是0.5*第一表征向量，加权后的第二表征向量是0.3*第二表征向量。
如此，便可以在第二拓扑关系图中引入用户的地理位置信息，根据用户的地理位置信息来提取支付位置兴趣在地理位置层面上的特征，从而更好地确定与支付位置关联的用户。
步骤S403，根据所述第一特征向量和所述第二特征向量计算得到第一关联程度参数，根据所述第三特征向量和所述第四特征向量计算得到第二关联程度参数。
步骤S404，根据所述第一关联程度参数和第二关联程度参数计算获得所述关联程度值。
具体地，在步骤S403中，可以将所述支付位置节点的m层所述第一特征向量顺序拼接得到第一拼接向量，m为正整数；将所述用户节点的m层所述第二特征向量顺序拼接得到第二拼接向量；根据所述第一拼接向量与所述第二拼接向量的乘积得到所述第一关联程度参数。
将所述支付位置节点的m层所述第三特征向量顺序拼接得到第三拼接向量，m为正整数；将所述用户节点的m层所述第四特征向量顺序拼接得到第四拼接向量；根据所述第三拼接向量与所述第四拼接向量的乘积得到所述第二关联程度参数。
在步骤S404中，可以将所述第一关联程度参数与所述第二关联程度参数的加权和确定为所述关联程度值。
在一些可能的实现方式中，可以通过预先训练机器学习模型根据所述关联程度值确定与所述目标支付位置关联的用户。
其中，训练所述机器学习模型的过程可以包括以下步骤。
步骤S501，获取正样本的正样本关联程度值，所述正样本包括具有第一关联关系的样本支付位置和正样本用户，所述正样本关联程度值为所述样本支付位置和所述正样本用户的所述关联程度值.
步骤S502，获取负样本的负样本关联程度值，所述负样本包括不具有第一关联关系的所述样本支付位置和负样本用户，所述负样本关联程度值为所述样本支付位置和所述负样本用户的所述关联程度值。
步骤S503，调用损失函数计算所述正样本关联程度值与所述负样本关联程度值的损失值，并根据所述损失值调整所述机器学习模型的模型参数。
在一个例子中，可以基于偏序学习的方法，将具有第一关联关系的支付位置与用户作为正样本，不具有第一关联关系的支付位置与用户作为负样本，利用损失函数来计算正样本与负样本间的损失值，根据损失值来调整模型参数，以使正样本与负样本的关联程度值距离拉大，正样本与负样本的关联程度值差值越大，则表示机器学习模型对正样本和负样本的区分能力越强。
在一个例子中，以使用一个正样本和一个负样本计算一个损失值为例，所述服务器从多个支付位置中选出一个样本支付位置，然后获取该样本支付位置的一个正样本和一个负样本，即，获取该样本支付位置与具有第一关联关系的用户的关联程度值，以及，获取该样本支付位置与不具有第一关联关系的一个用户的关联程度值，然后调用损失函数计算这两个关联程度值的损失值。在一个例子中，一组正样本和负样本必须对应同一个支付位置，即，组成<支付位置，正样本，负样本>的三元组数据，根据三元组数据中的正样本和负样本的关联程度值来计算损失值。
在一个例子中，由于对于一个支付位置，具有第一关联关系的用户的数量较少，不具有第一关联关系的用户数量较多，因此，对于每一个正样本，按照一定的比例从多个不具有第一关联关系的用户中随机抽取一部分作为负样本，构成三元组数据，利用每一组三元组数据代入损失函数计算损失值。
在一个例子中，所述服务器根据损失值来调整机器学习模型，以使调整后的机器学习模型输出的关联程度值的损失值最小。例如，所述服务器可以通过调整每个节点的每层社交权重、社交偏置、地理权重和地理偏置来使输出的关联程度值的损失值最小。
本实施例还提供一种基于大数据及人工智能的支付云平台系统，所述基于大数据及人工智能的支付云平台系统包括第一移动终端和服务器的基于大数据及人工智能的支付云平台系统：
所述第一移动终端用于响应的支付发起用户针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器；
所述服务器用于对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息；所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送与所述待支付账单对应付款请求。
综上所述，本发明提供的一种基于大数据及人工智能的支付方法及云平台系统，通过支付发起用户的第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器。接着所述服务器对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息。然后所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送与所述待支付账单对应付款请求。如此，可以实现对合照进行人脸识别，从而实现多人AA制付款或拼单付款，可以提高付款动作的便利性及趣味性。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的云平台系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台所述服务器（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述，仅为本发明的各种实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于大数据及人工智能的支付方法，其特征在于，应用于包括第一移动终端和服务器的基于大数据及人工智能的支付云平台系统，所述方法包括：
支付发起用户的所述第一移动终端响应于针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器；
所述服务器对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息；
所述服务器根据所述共同支付用户的数量对所述待支付账单进行拆分，得到多个子账单；
所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送各所述子账单的对应付款请求。
2.根据权利要求1所述的方法，其特征在于，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，包括：
所述服务器根据所述支付发起用户的身份信息，确定与该支付发起用户具有社交关联关系的用户作为的第一关联用户；
所述服务器从第一人脸特征信息库中提取所述第一关联用户的人脸特征信息组成第二人脸特征信息库；
所述服务器对接收到的所述照片信息进行人脸特征信息提取，获得所述照片中所述共同支付用户的待匹配人脸特征信息；
所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
3.根据权利要求2所述的方法，其特征在于，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，还包括：
若所述服务器根据所述第二人脸特征信息库未能确定所述共同支付用户的身份信息，则查询与所述第一关联用户具有社交关联关系的用户作为第二关联用户；
所述服务器从所述第一人脸特征信息库中提取所述第二关联用户的人脸特征信息作为第三人脸特征信息库；
所述服务器根据所述待匹配人脸特征信息，在所述第二人脸特征信息库中进行身份匹配，以确定所述共同支付用户的身份信息。
4.根据权利要求3所述的方法，其特征在于，所述服务器对接收到的照片进行人脸图像识别，确定所述共同支付用户的身份信息的步骤，还包括：
若所述服务器根据所述第三人脸特征信息库未能确定所述共同支付用户的身份信息，则获取所述第一移动终端的当前位置信息作为目标支付位置；
所述服务器从所述第一人脸特征信息库中提取与所述目标支付位置关联的用户的人脸特征信息作为第四人脸特征信息库；
所述服务器根据所述待匹配人脸特征信息，在所述第四人脸特征信息库中进行身份匹配，确定所述共同支付用户的身份信息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据历史支付订单的付款用户和支付位置，确定各个用户和支付位置之间的第一关联关系；根据同一用户在不同支付位置的支付订单，确定各个支付位置之间的第二关联关系；
根据所述第一关联关系和所述第二关联关系确定第一拓扑关系图，所述第一拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系或第二关联关系的两个所述节点使用所述连接线相连；
根据同一用户在同一支付位置进行付款的次数，确定所述用户对所述支付位置的偏好度，根据该偏好度确定所述用户和所述支付位置的第三关联关系；
根据所述支付位置与所述用户的第一关联关系、所述第三关联关系构建第二拓扑关系图；所述第二拓扑关系图包括节点和连接线，所述节点包括支付位置对应的支付位置节点和用户对应的用户节点，存在第一关联关系的两个所述节点使用所述连接线相连，所述连接线具有与相应的所述偏好度；
基于所述第一拓扑关系图和第二拓扑关系图进行向量迭代传播，根据所述节点间的所述连接线进行向量传播和迭代学习、提取所述拓扑关系图中的邻接关系，得到所述支付位置节点的支付位置特征向量和所述用户节点的用户特征向量；
根据所述支付位置特征向量和所述用户特征向量计算各所述支付位置和各所述用户之间的关联程度值；
根据所述关联程度值确定与所述目标支付位置关联的用户。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一拓扑关系图和第二拓扑关系图进行向量迭代传播的步骤，包括：
基于所述第一拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第一特征向量和所述用户节点的第二特征向量；
基于所述第二拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第三特征向量和所述用户节点的第四特征向量；
所述根据所述支付位置特征向量和所述用户特征向量计算各所述支付位置和各所述用户之间的关联程度值的步骤，包括：
根据所述第一特征向量和所述第二特征向量计算得到第一关联程度参数，根据所述第三特征向量和所述第四特征向量计算得到第二关联程度参数；
根据所述第一关联程度参数和第二关联程度参数计算获得所述关联程度值。
7.根据权利要求6所述的方法，其特征在于，
所述基于所述第一拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第一特征向量和所述用户节点的第二特征向量的步骤，包括：
基于所述第一拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第一拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第一拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第一拓扑向量；根据所述节点的所述第n层第一拓扑向量和所述邻接节点的所述第n层邻接第一拓扑向量进行向量更新，得到所述节点的第n+1层第一拓扑向量；其中，所述支付位置节点对应第n+1层第一特征向量，所述用户节点对应第n+1层第二特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第一拓扑关系图中的第m层第一特征向量，得到所述用户节点在所述第一拓扑关系图中的第m层第二特征向量，m为正整数；
所述基于所述第二拓扑关系图进行所述向量迭代传播，得到所述支付位置节点的第三特征向量和所述用户节点的第四特征向量的步骤，包括：
基于所述第二拓扑关系图，控制所述节点向邻接节点发送所述节点的第n层第二拓扑向量，n为自然数，所述邻接节点是通过所述连接线与所述节点相连的节点，其中，第0层第二拓扑向量是根据所述节点的节点信息生成的原始表征向量；控制所述节点接收所述邻接节点发送的所述邻接节点的第n层邻接第二拓扑向量；根据所述节点的所述第n层第二拓扑向量和所述邻接节点的所述第n层邻接第二拓扑向量进行向量更新，得到所述节点的第n+1层第二拓扑向量；其中，所述支付位置节点对应第n+1层第三特征向量，所述用户节点对应第n+1层第四特征向量；重复上述步骤迭代进行所述向量迭代传播，得到所述支付位置节点在所述第二拓扑关系图中的第m层第三特征向量，得到所述用户节点在所述第二拓扑关系图中的第m层第四特征向量，m为正整数。
8.根据权利要求7所述的方法，其特征在于，
所述根据所述第一特征向量和所述第二特征向量计算得到第一关联程度参数的步骤，包括：
将所述支付位置节点的m层所述第一特征向量顺序拼接得到第一拼接向量，m为正整数；将所述用户节点的m层所述第二特征向量顺序拼接得到第二拼接向量；根据所述第一拼接向量与所述第二拼接向量的乘积得到所述第一关联程度参数；
所述根据所述第三特征向量和所述第四特征向量计算得到第二关联程度参数的步骤，包括：
将所述支付位置节点的m层所述第三特征向量顺序拼接得到第三拼接向量，m为正整数；将所述用户节点的m层所述第四特征向量顺序拼接得到第四拼接向量；根据所述第三拼接向量与所述第四拼接向量的乘积得到所述第二关联程度参数；
所述根据所述第一关联程度参数和第二关联程度参数计算获得所述关联程度值的步骤，包括：
将所述第一关联程度参数与所述第二关联程度参数的加权和确定为所述关联程度值；
所述根据所述关联程度值确定与所述目标支付位置关联的用户的步骤，包括：
将至少两个所述用户节点中，与所述目标支付位置的所述支付位置节点的所述关联程度值最大的前k个所述用户节点对应的所述用户，确定为所述目标支付位置的所述关联用户。
9.根据权利要求5所述的方法，其特征在于，根据所述关联程度值确定与所述目标支付位置关联的用户的步骤，包括：
通过预先训练机器学习模型根据所述关联程度值确定与所述目标支付位置关联的用户；
所述方法还包括：
获取正样本的正样本关联程度值，所述正样本包括具有第一关联关系的样本支付位置和正样本用户，所述正样本关联程度值为所述样本支付位置和所述正样本用户的所述关联程度值；
获取负样本的负样本关联程度值，所述负样本包括不具有第一关联关系的所述样本支付位置和负样本用户，所述负样本关联程度值为所述样本支付位置和所述负样本用户的所述关联程度值；
调用损失函数计算所述正样本关联程度值与所述负样本关联程度值的损失值，并根据所述损失值调整所述机器学习模型的模型参数。
10.一种基于大数据及人工智能的支付云平台系统，其特征在于，包括第一移动终端和服务器的基于大数据及人工智能的支付云平台系统：
所述第一移动终端用于响应的支付发起用户针对待支付账单发起的共同支付操作，采集包括至少两个共同支付用户的照片，并将所述照片发送至服务器；
所述服务器用于对接收到的照片进行人脸识别，确定所述共同支付用户的身份信息；所述服务器根据所述共同支付用户的身份信息，向所述共同支付用户的第二移动终端推送与所述待支付账单对应付款请求。
CN202110396647.0A 2021-04-13 2021-04-13 基于大数据及人工智能的支付方法及云平台系统 Withdrawn CN113065873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396647.0A CN113065873A (zh) 2021-04-13 2021-04-13 基于大数据及人工智能的支付方法及云平台系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396647.0A CN113065873A (zh) 2021-04-13 2021-04-13 基于大数据及人工智能的支付方法及云平台系统

Publications (1)

Publication Number Publication Date
CN113065873A true CN113065873A (zh) 2021-07-02

Family

ID=76567222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396647.0A Withdrawn CN113065873A (zh) 2021-04-13 2021-04-13 基于大数据及人工智能的支付方法及云平台系统

Country Status (1)

Country Link
CN (1) CN113065873A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537964A (zh) * 2021-09-17 2021-10-22 北京奇虎科技有限公司 申请单处理方法、设备、存储介质及装置
CN113869891A (zh) * 2021-10-13 2021-12-31 百融云创科技股份有限公司 一种对账单金额动态拆分的优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537964A (zh) * 2021-09-17 2021-10-22 北京奇虎科技有限公司 申请单处理方法、设备、存储介质及装置
CN113869891A (zh) * 2021-10-13 2021-12-31 百融云创科技股份有限公司 一种对账单金额动态拆分的优化方法及系统

Similar Documents

Publication Publication Date Title
WO2020094060A1 (zh) 推荐方法及装置
CN111768231B (zh) 产品信息推荐方法及装置
CN109446171B (zh) 一种数据处理方法和装置
CN110889759A (zh) 信用数据的确定方法、装置及存储介质
CN114036398B (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
US20170351769A1 (en) System and Method for a Platform to Identify and Connect Like-Minded Individuals Based on Interaction
CN113065873A (zh) 基于大数据及人工智能的支付方法及云平台系统
WO2022188534A1 (zh) 信息推送的方法和装置
WO2021077814A1 (zh) 一种由用户终端执行的推送模型优化方法和装置
CN112395515A (zh) 一种信息推荐方法、装置、计算机设备及存储介质
US20220374484A1 (en) Graph learning and automated behavior coordination platform
CN113722546B (zh) 异常用户账户获取方法及装置、电子设备、存储介质
CN113836437A (zh) 用于帖子推荐的方法、电子设备和存储介质
CN113032694B (zh) 基于场景的查询方法及装置、存储介质、计算机设备
US11601509B1 (en) Systems and methods for identifying entities between networks
WO2021129530A1 (zh) 一种虚拟物品的显示方法、装置、计算机设备和存储介质
CN114819138A (zh) 图数据处理方法、装置、电子设备及存储介质
CN110555593A (zh) 信用合约体系下的发约处理方法以及装置
JP2019212311A (ja) ネットワークメッセージサービスを利用して費用振り分ける方法、コンピュータプログラム、およびコンピューティングデバイス
CN117034094B (zh) 一种账户类型预测方法及账户类型预测装置
CN113807749B (zh) 一种对象评分方法和装置
US10552920B2 (en) Detecting location data of co-located users having a common interest
CN112101390A (zh) 属性信息确定方法、属性信息确定装置及电子设备
WO2023051080A1 (zh) 图数据处理方法、装置、计算机设备、存储介质及计算机程序产品
CN114969514B (zh) 一种直播推荐方法、装置及电子设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220120

Address after: 266071 room 519, building 3, No. 288, Ningxia road, Shinan District, Qingdao, Shandong Province

Applicant after: Qingdao Yunuo Internet Co.,Ltd.

Address before: Room 302, building C, Nanning science and technology business incubation base, No.25, east section of Gaoxin Avenue, Nanning, Guangxi 530000

Applicant before: Liang Wangang

WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210702