CN114418568A - 一种支付方式推荐方法、装置及设备 - Google Patents

一种支付方式推荐方法、装置及设备 Download PDF

Info

Publication number
CN114418568A
CN114418568A CN202210010535.1A CN202210010535A CN114418568A CN 114418568 A CN114418568 A CN 114418568A CN 202210010535 A CN202210010535 A CN 202210010535A CN 114418568 A CN114418568 A CN 114418568A
Authority
CN
China
Prior art keywords
payment
information
user
training
paid
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.)
Pending
Application number
CN202210010535.1A
Other languages
English (en)
Inventor
张林江
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.)
Advanced New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN202210010535.1A priority Critical patent/CN114418568A/zh
Publication of CN114418568A publication Critical patent/CN114418568A/zh
Pending 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
    • G06Q20/22—Payment schemes or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q20/22—Payment schemes or models
    • G06Q20/227—Payment schemes or models characterised in that multiple accounts are available, e.g. to the payer
    • 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
    • G06Q20/405—Establishing or using transaction specific rules
    • 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
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例公开了一种支付方式推荐方法、装置以及设备。所述方法包括：获取用户信息、待支付信息和支付方式信息等实时的多维特征信息，利用推荐机器学习模型基于上述信息，对用户可用的支付方式进行打分排序，根据排序结果，针对指定用户推荐其所需的支付方式，以便用户可以快速的完成支付操作。

Description

一种支付方式推荐方法、装置及设备
本申请为2018年4月2日提交的申请号为201810284452.5，名为“一种支付方式推荐方法、装置及设备”的发明专利申请的分案申请。
技术领域
本说明书涉及计算机技术领域，尤其涉及一种支付方式推荐方法、装置以及设备。
背景技术
随着非现金货币支付技术的发展，人们在网上购物或者实体店购物时，越来越多地选择支付软件完成支付。
在现有技术中，支付软件向用户提供了多种支付方式，例如，银行卡支付、代付、账户余额支付等。为了满足用户的快速支付需求，在用户进行支付时，支付软件通常会为用户推荐支付方式。现有的推荐支付方式通常是基于用户使用习惯等简单规则实现。
基于现有技术，需要能够准确的针对指定用户进行支付方式推荐的方案。
发明内容
本说明书实施例提供支付方式推荐方法、装置以及设备，用于解决以下技术问题：需要能够准确的针对指定用户进行支付方式推荐的方案。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种支付方式推荐方法，包括：
针对每一次支付，获取用户信息和待支付信息；
根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序；
根据排序结果向用户推荐支付方式。
本说明书实施例提供的一种支付方式推荐装置，包括：
第一获取模块，针对每一次支付，获取用户信息和待支付信息；
排序模块，根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序；
推荐模块，根据排序结果向用户推荐支付方式。
本说明书实施例提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
针对每一次支付，获取用户信息和待支付信息；
根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序；
根据排序结果向用户推荐支付方式。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过利用推荐机器学习模型，根据用户个人信息、用户历史支付信息、用户可用的支付方式信息、待支付场景信息和待支付商品信息等，多种特征同时考虑，根据实际支付情况针对指定用户进行支付方式的推荐，能够有效提升支付方式推荐的准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的方案在实际应用场景下涉及的支付方式推荐系统的示意图；
图2为本说明书实施例提供的一种支付方式推荐方法的流程示意图；
图3为本说明书实施例提供的推荐机器学习模型的训练方法的流程示意图；
图4为本说明书实施例提供的LTR模型训练方法示意图；
图5为本说明书实施例提供的模型训练数据图；
图6为本说明书实施例提供的一种支付方式推荐装置的结构示意图；
图7为本说明书实施例提供的支付方式推荐系统结构示意图；
图8为本说明书实施例提供的平台架构的示意图。
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中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
图1为本说明书的方案在一种实际应用场景下涉及的支付方式推荐系统的示意图。基于用户信息、待支付场景信息、待支付商品信息、支付方式信息等，利用预先训练好的推荐机器学习模型，针对指定用户准确的推荐用户所需的支付方式；例如，该推荐机器学习模型为LTR(learning to rank，排序学习)模型，该LTR模型根据用户信息与支付方式之间的相关度对用户可选的各个支付方式进行打分并排序，为用户推荐排序比较靠前的支付方式。其中，推荐机器学习模型是基于用户信息特征参数、待支付场景信息特征参数、待支付商品信息特征参数、支付方式特征参数等训练得到的。
需要说明的是，这里所说的支付方式，可以是基于支付软件支付的方式，具体包括：基于支付软件通过其中所包含的信用支付、代支付、账户余额支付等支付的方式；也可以是基于支付软件通过各种银行卡(例如，信用卡、借记卡等)完成支付的方式。容易理解，实现该支付方式需要借助用户端来实现，例如，该用户端可以是用户手机、电脑等可支持支付软件的设备。
基于上述场景，下面对本说明书的方案进行详细说明。
图2为本说明书实施例提供的一种支付方式推荐方法的流程示意图，该方法具体可以包括以下步骤：
步骤S202：针对每一次支付，获取用户信息和待支付信息。
例如，假设用户在其手机端安装有某支付软件，用户通过支付软件登录用户账号，并且基于该用户账号绑定或者启用相关支付方式。容易理解，用户账号中会涉及到用户的个人信息；绑定或者启用的支付方式，包括基于该支付软件的信用支付、代支付、账户余额支付等支付方式；也可以是基于支付软件绑定的各种银行卡(例如，信用卡、借记卡等)。
在实际应用中，待支付信息、用户信息以及支付方式的状态信息等可能在上一次支付完成之后发生了变化，因此，每一次支付操作时，需要实时获取用户信息和待支付信息，以便可以根据实时获取的信息更加准确的为用户推荐支付方式。
步骤S204：根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序。
在实际应用中，由于各个用户的支付软件所启用的支付方式，和所绑定的银行卡情况都是不同的，并且，各个用户的支付习惯也会有差别。比如，用户甲在进行小额支付时，喜欢用信用支付；进行大额支付时，喜欢用借记卡支付。再比如，用户借记卡中的可用余额是变动的，支付软件在推荐支付方式时，需要考虑各支付方式的状态是否可用。
这里所说的已有支付方式，主要包括用户绑定的各种支付方式，包括可用的支付方式和不可用的支付方式；在对支付方式进行排序时，可以对所有支付方式进行整体排序，也可以对不可用的支付方式不进行排序，例如，假设支付软件中的余额为零元，则该软件中的余额就不是可用的支付方式，在排序时，推荐机器学习模型不会对该余额支付方式进行排序。
S206：根据排序结果向用户推荐支付方式。
一般来说，排序结果是降序的方式，即，将与用户信息相关度最大的支付方式(即，用户最可能用的支付方式)排在第一位。
在本说明书一个或者多个实施例中，对已有支付方式排序，具体包括：根据所述用户信息，确定与所述用户具有绑定关系的支付方式；针对确定出的所述支付方式进行排序；其中，所述用户信息包括：用户历史支付信息和用户个人信息；所述待支付信息包括：待支付场景信息和待支付商品信息。
如前文举例所述可知，假设用户手机端案子某支付软件，通过该支付软件可以获取已经登录该软件的用户个人信息，包括用户姓名、性别、年龄、学历以及工作类型等个人信息。同时，该支付软件还可以获得用户利用该支付软件完成的历史支付信息，具体可以包括：历史支付场景(例如，线上还是线下，以及商家名称)、支付时间、支付区域等；历史支付商品信息：支付商品的数量、商品金额等。
容易理解，这里所说的与用户具有绑定关系的支付方式，包括：用户启用的支付方式，或者用户添加的支付方式，都可以理解为具有绑定关系的支付方式。用户启用或者绑定的支付方式才可被用来推荐给用户使用。每个用户所启用和绑定的支付方式是不同的，需要支付软件根据用户信息获取其对应可用的支付方式信息，包括支付方式名称、使用状态、使用次数、可用额度等等。以便推荐机器学习模型可以针对用户准确推荐其所需的支付方式，能够有效提升用户体验。
需要说明的是，这里所说的支付场景包括线上支付和线下支付。具体的，线上支付信息可以包括线上电子商城信息、电子商城与支付软件之间的匹配关系等信息；线下支付信息可以包括线下商店支持的支付方式等信息。
在本说明书一个或者多个实施例中，在利用预训练的推荐机器学习模型，对已有支付方式排序之前，所述方法还包括：根据所述待支付信息，提取对应的待支付特征数据；根据预设清洗规则，清洗所述待支付特征数据。
由于用户的每次支付任务是不同的，例如，用户使用支付的场景不同、使用支付的区域不同、支付的商品类型不同、支付金额不同等。因此，在每次获取待支付信息之后，需要对该待支付信息进行数据处理，具体来说，包括：利用预设的清洗规则对待支付特征数据进行清洗；利用特征工程，根据待支付信息，提取其中的待支付特征数据。以便推荐机器学习模型能够基于特征数据实现准确的推荐支付方式。
在本说明书一个或者多个实施例中，如图3为本说明书实施例提供的推荐机器学习模型的训练方法的流程示意图，预训练推荐机器学习模型，具体可以包括：
S302：获取训练用户信息和训练支付方式信息，确定所述训练用户信息与所述训练支付方式信息之间的对应关系。
一般来说，每个用户信息对应多个支付方式信息；在对机器学习模型进行训练时，需要用来训练的训练用户信息和训练支付方式信息之间的对应关系。
S304：根据所述对应关系，确定训练用户与支付方式的相关度。
这里所说的训练用户与支付方式相关度，一般来说，相关度越高，在进行支付方式推荐时排序越靠前。在实际应用中，该训练数据的相关度，可以通过人为标注。
S306：基于所述训练用户信息、所述训练支付方式信息和所述相关度，训练所述推荐机器学习模型。
为了实现通过该推荐机器学习模型能够针对指定用户更加精准的推荐其所需的支付方式，在对该机器学习模型训练时，所输入的训练数据更为全面，包括多维特征，例如：用户信息、支付方式信息、相关度、支付场景信息等；以便可以训练得到更加准确的机器学习模型。
在本说明书一个或者多个实施例中，基于所述训练用户信息、所述训练支付方式信息和所述相关度，训练所述推荐机器学习模型，具体可以包括：基于所述用户信息、所述训练支付方式信息和所述相关度，提取对应的特征数据；根据所述特征数据，训练所述推荐机器学习模型。
需要说明的是，在获取用于训练的特征数据时，需要清洗其中的干扰数据，诸如支付失败、支付重复、支付日志错误等，商品异常、场景不支持银行卡或者银行卡现阶段渠道繁忙等各种信息。综合如上信息然后通过特征工程完成特征产出。
进一步地，所述推荐机器学习模型包括LTR排序学习模型。
需要说明的是，排序学习算法是一种有监督的判别式学习方法，如图4所示为本说明书实施例提供的LTR模型训练方法示意图。一个典型的训练集合通常包含：n个训练查询q(i)(i＝1,…,n)，与每一个查询q(i)相关的文档集合，以及对应的相关性判断。然后一个特定的学习算法会用于学习一个排序模型，它可以尽可能精确地对训练集合上的groundtruth label进行预测。在预测阶段，当一个新的查询出现，训练阶段学好的模型就可以用来指导文档的排序过程，并返回相应的结果列表。整个排序学习算法的研究大体可分为三类：pointwise方法、pairwise方法、以及listwise方法。
以pointwise方法为例，具体模型准备样例如图5所示，图5为本说明书实施例提供的模型训练数据图。
其中，uid列为用户ID，frd_uid为用户的支付工具ID。
label：在同一个qid中支付方式排序中，排的越靠前的label(即，前文所述的相关度)数据越大。如果不按label数据大小排序，可能会导致：训练模型时性能(比如选择NDCG@K作为评价指标)无法优化合格；并且，模型在预测集上的表现，NDCG不会超过0.1。
qid：训练样本分组标记，同一个uid对应相同的qid，qid取值相同的数据需要在数据表中连续出现，例如，在训练数据中连续几行的qid为1、1、1、4、4、2、2、2，会分组为(1 11)(4 4)(2 2 2)三组；但如果是1、1、1、4、2、2、2、4则会分组为(1 1 1)(4)(2 2 2)(4)四组，会被认为是四个不同的用户，作为四个训练样本。因此，要特别留意让相同取值的qid数据连续出现。
features：将原始形态的特征序列化为index0:val0、index1:val1、index2:val2、indexn:valn，这种键值对的格式。例如，该特征可以为46维特征。
除了label,qid,features列，其他列只是用于帮助后期更好地理解数据，并不直接用于训练过程。
根据上述实施例可以了解到，通过利用推荐机器学习模型，根据用户个人信息、用户历史支付信息、用户可用的支付方式信息、待支付场景信息和待支付商品信息等，多种特征同时考虑，根据实际支付情况针对指定用户进行支付方式的推荐，能够有效提升支付方式推荐的准确率。
基于同样的思路，本说明实施例还提供一种计算机可读介质，所述介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如上任一实施例中所述的方法。
基于同样的思路，本说明书实施例还提供一种支付方式推荐装置，如图6所示为本说明书实施例提供的一种支付方式推荐装置的结构示意图，该装置具体可以包括：
第一获取模块601，针对每一次支付，获取用户信息和待支付信息；排序模块602，根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序；推荐模块603，根据排序结果向用户推荐支付方式。
进一步地，还包括：第二获取模块604，所述第二获取模块604，根据所述用户信息，获取对应的支付方式信息，确定与所述用户具有绑定关系的支付方式；其中，所述用户信息包括：用户历史支付信息和用户个人信息；所述待支付信息包括：待支付场景信息和待支付商品信息。
进一步地，还包括：特征处理模块605；所述特征处理模块605，根据预设清洗规则，清洗所述待支付信息；根据所述待支付信息，提取对应的待支付特征数据。
进一步地，还包括：模型训练模块606；所述模型训练模块606，获取训练用户信息和训练支付方式信息，确定所述训练用户信息与所述训练支付方式信息之间的对应关系；根据所述对应关系，确定训练用户与支付方式的相关度；基于所述训练用户信息、所述训练支付方式信息和所述相关度，训练所述推荐机器学习模型。
进一步地，基于所述训练用户信息、所述训练支付方式信息和所述相关度，训练所述推荐机器学习模型，具体包括：基于所述用户信息、所述训练支付方式信息和所述相关度，清洗并提取对应的特征数据；根据所述特征数据，训练所述推荐机器学习模型。
进一步地，所述推荐机器学习模型包括LTR排序学习模型。
为例更好的理解本申请的计算方案，如图7为本说明书实施例提供的支付方式推荐系统结构示意图。该推荐系统的训练和应用方法如下：
获取基础数据，包括用户数据、场景数据、商品数据等。例如，用户数据包括：历史支付数据(比如，支付动作支付金额，支付时间等等)；以及用户的个人信息(比如，年龄性别基本信息购物等级信息)。场景数据包括：支付场景信息(比如，电商、线下商场、下线小摊超市等信息)。商品数据包括：待支付商品信息(比如，商品价格等)。
对以上信息利用特征工程提取特征。需要对上述信息进行数据清洗，比如：支付失败、支付重复、支付日志错误等，商品异常、场景不支持银行卡或者银行卡现阶段渠道繁忙等各种信息。
特征数据准备完成后，进一步地，对模型进行训练，主要包括：特征处理和模型调整。其中，特征处理包括：特征抽取、特征归一化、样本采样；模型处理包括：模型训练、模型调参、模型评估等。对模型评估的方法可以采用离线评估(比如，AUC(Area under Curve，曲线下面积)、NDCG(Normalized Discounted Cumulative Gain，归一化折损累积增益))。
利用该推荐机器学习模型进行预测时，根据用户个人信息、支付场景、支付商品信息等进行实时预测排序。
本方案的实现可以基于分布式平台采用MR(MapReduce，分布式计算系统)和SQL(Structured Query Language，结构化查询语言)实现，如图8为本说明书实施例提供的平台架构的示意图。
基于同样的思路，本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
针对每一次支付，获取用户信息和待支付信息；
根据所述用户信息和所述待支付信息，利用预训练的推荐机器学习模型，对已有支付方式排序；
根据排序结果向用户推荐支付方式。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
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实施例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，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
本说明书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说明书，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实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种支付方式推荐方法，包括：
针对每一次支付，获取用户信息和待支付信息；
根据所述用户信息和所述待支付信息，利用预训练的排序学习模型，对已有支付方式排序；所述排序学习模型的训练数据包括，具有分组标记的训练样本，同一分组标记的训练样本对应于相同的用户，且同一分组标记的训练样本中，支付方式按照人工标注的用户与支付方式的相关度进行排序；
根据排序结果向用户推荐支付方式。
2.如权利要求1所述的方法，对已有支付方式排序，具体包括：
根据所述用户信息，确定与所述用户具有绑定关系的可用的支付方式；
针对确定出的所述支付方式进行排序；
其中，所述用户信息包括：用户历史支付信息和用户个人信息；所述待支付信息包括：待支付场景信息和待支付商品信息。
3.如权利要求2所述的方法，其中，所述用户历史支付信息包括历史支付场景、历史支付时间、历史支付区域、历史支付商品信息中至少一种。
4.如权利要求1所述的方法，所述相关度通过以下方式获取：
获取训练用户信息和训练支付方式信息，确定所述训练用户信息与所述训练支付方式信息之间的对应关系；
根据所述对应关系，获取人工标注的训练用户与支付方式的相关度。
5.如权利要求1所述的方法，其中，所述同一分组标记的训练样本在数据表中连续出现。
6.如权利要求1所述的方法，其中，所述相关度作用为标签，所述排序学习模型用于对所述标签进行预测。
7.一种支付方式推荐装置，包括：
第一获取模块，针对每一次支付，获取用户信息和待支付信息；
排序模块，根据所述用户信息和所述待支付信息，利用预训练的排序学习模型，对已有支付方式排序；所述排序学习模型的训练数据包括，具有分组标记的训练样本，同一分组标记的训练样本对应于相同的用户，且同一分组标记的训练样本中，支付方式按照人工标注的用户与支付方式的相关度进行排序；
推荐模块，根据排序结果向用户推荐支付方式。
8.如权利要求7所述的装置，还包括：第二获取模块，
所述第二获取模块，根据所述用户信息，确定与所述用户具有绑定关系的可用的支付方式；
其中，所述用户信息包括：用户历史支付信息和用户个人信息；所述待支付信息包括：待支付场景信息和待支付商品信息。
9.如权利要求8所述的装置，其中，所述用户历史支付信息包括历史支付场景、历史支付时间、历史支付区域、历史支付商品信息中至少一种。
10.如权利要求7所述的装置，包括：模型训练模块；
所述模型训练模块，获取训练用户信息和训练支付方式信息，确定所述训练用户信息与所述训练支付方式信息之间的对应关系；
根据所述对应关系，获取人工标注的训练用户与支付方式的相关度。
11.如权利要求7所述的装置，其中，所述同一分组标记的训练样本在数据表中连续出现。
12.如权利要求10所述的装置，其中，所述相关度作用为标签，所述排序学习模型用于对所述标签进行预测。
13.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
针对每一次支付，获取用户信息和待支付信息；
根据所述用户信息和所述待支付信息，利用预训练的排序学习模型，对已有支付方式排序；所述排序学习模型的训练数据包括，具有分组标记的训练样本，同一分组标记的训练样本对应于相同的用户，且同一分组标记的训练样本中，支付方式按照人工标注的用户与支付方式的相关度进行排序；
根据排序结果向用户推荐支付方式。
CN202210010535.1A 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备 Pending CN114418568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210010535.1A CN114418568A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210010535.1A CN114418568A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备
CN201810284452.5A CN108734460A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201810284452.5A Division CN108734460A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114418568A true CN114418568A (zh) 2022-04-29

Family

ID=63941121

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201810284452.5A Pending CN108734460A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备
CN202210010535.1A Pending CN114418568A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201810284452.5A Pending CN108734460A (zh) 2018-04-02 2018-04-02 一种支付方式推荐方法、装置及设备

Country Status (3)

Country Link
CN (2) CN108734460A (zh)
TW (1) TW201942826A (zh)
WO (1) WO2019192261A1 (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734460A (zh) * 2018-04-02 2018-11-02 阿里巴巴集团控股有限公司 一种支付方式推荐方法、装置及设备
US11410223B2 (en) * 2018-05-24 2022-08-09 Mastercard International Incorporated Method and system for facilitating e-commerce transactions
CN109299385A (zh) * 2018-11-06 2019-02-01 浙江执御信息技术有限公司 一种利用支付令牌进行支付方式推荐的方法及其装置
CN110033252A (zh) * 2018-11-29 2019-07-19 阿里巴巴集团控股有限公司 一种支付渠道推荐方法及装置
CN109300021A (zh) * 2018-11-29 2019-02-01 爱保科技（横琴）有限公司 保险推荐方法及装置
CN110033247B (zh) * 2019-01-04 2021-11-05 创新先进技术有限公司 支付渠道推荐方法及其系统
CN109903140A (zh) * 2019-03-07 2019-06-18 阿里巴巴集团控股有限公司 一种信用服务推荐方法、装置及设备
CN110245935B (zh) * 2019-05-06 2021-03-30 创新先进技术有限公司 支付渠道推荐方法、装置及设备
US11282052B2 (en) 2019-05-06 2022-03-22 Advanced New Technologies Co., Ltd. Payment channel recommendation
CN110908746A (zh) * 2019-10-12 2020-03-24 平安银行股份有限公司 一种数据处理方法、系统、可读存储介质及终端设备
CN110781391B (zh) * 2019-10-22 2023-12-12 深圳市雅阅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111127074B (zh) * 2019-11-26 2023-04-25 杭州聚效科技有限公司 一种数据推荐方法
CN111144874B (zh) * 2019-12-20 2023-09-26 支付宝实验室(新加坡)有限公司 支付方式推荐方法、装置及设备
CN113159877B (zh) * 2020-01-22 2024-07-19 北京沃东天骏信息技术有限公司 数据处理方法、装置、系统、计算机可读存储介质
CN111091388B (zh) * 2020-02-18 2024-02-09 支付宝实验室(新加坡)有限公司 活体检测方法和装置、人脸支付方法和装置、电子设备
CN111582973A (zh) * 2020-04-09 2020-08-25 苏宁云计算有限公司 一种商品推荐数据生成方法、装置及系统
CN111612442A (zh) * 2020-05-28 2020-09-01 杭州一骑轻尘信息技术有限公司 支付路由配置方法、装置和系统
CN111753275B (zh) * 2020-06-04 2024-03-26 支付宝(杭州)信息技术有限公司 基于图像的用户隐私保护方法、装置、设备和存储介质
CN111784384B (zh) * 2020-06-19 2022-07-19 支付宝(杭州)信息技术有限公司 支付业务数据处理方法、装置、设备及系统
CN111737595B (zh) * 2020-06-24 2024-02-06 支付宝(杭州)信息技术有限公司 一种候选词推荐方法、词库排序模型训练方法及装置
CN114638629A (zh) * 2020-12-15 2022-06-17 支付宝(杭州)信息技术有限公司 信息推送的方法及装置
CN112712358B (zh) * 2020-12-30 2024-07-05 深圳市顺易通信息科技有限公司 一种无感支付方式的推荐方法、装置及终端设备
KR102326549B1 (ko) * 2021-02-05 2021-11-16 쿠팡 주식회사 아이템 판매 정보 처리를 위한 장치 및 그 방법
CN113240430B (zh) * 2021-06-16 2024-06-28 中国银行股份有限公司 移动支付验证方法及装置
CN114119010A (zh) * 2022-01-28 2022-03-01 星河智联汽车科技有限公司 一种车内支付方式推荐方法、装置、设备及存储介质
CN114663166A (zh) * 2022-04-21 2022-06-24 中国工商银行股份有限公司 电子卡数据处理方法及装置
CN116611898B (zh) * 2023-07-20 2023-09-22 南京可码软件科技有限公司 一种基于电商平台的线上支付优化系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160088503A (ko) * 2015-01-15 2016-07-26 주식회사 카카오 검색 방법 및 검색 서버
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
CN106651357A (zh) * 2016-11-16 2017-05-10 网易乐得科技有限公司 一种支付方式推荐方法和设备
CN107146077A (zh) * 2017-05-02 2017-09-08 广州市智专信息科技有限公司 一种支付方法及相应的便携式终端、第三方支付平台
WO2017148258A1 (zh) * 2016-02-29 2017-09-08 中国银联股份有限公司 一种支付方法及装置、设备
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN107578244A (zh) * 2017-08-07 2018-01-12 阿里巴巴集团控股有限公司 一种支付方法、装置及其设备
US20180025341A1 (en) * 2016-07-25 2018-01-25 International Business Machines Corporation Dynamic Payment Mechanism Recommendation Generator
CN107766873A (zh) * 2017-09-06 2018-03-06 天津大学 基于排序学习的多标签零样本分类方法
CN107818467A (zh) * 2017-09-08 2018-03-20 深圳市金立通信设备有限公司 一种支付方法及终端
CN108460590A (zh) * 2018-02-06 2018-08-28 北京三快在线科技有限公司 信息推荐的方法、装置及电子设备
CN108734460A (zh) * 2018-04-02 2018-11-02 阿里巴巴集团控股有限公司 一种支付方式推荐方法、装置及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246979A (zh) * 2013-05-17 2013-08-14 苏州通付盾信息技术有限公司 一种省钱型移动支付方法
CN106033570A (zh) * 2016-05-25 2016-10-19 努比亚技术有限公司 移动支付装置及方法
CN106408278B (zh) * 2016-09-08 2021-09-24 北京星选科技有限公司 支付方法和装置
CN107403316A (zh) * 2017-08-03 2017-11-28 广州爱九游信息技术有限公司 筛选支付方式的方法、装置、计算设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160088503A (ko) * 2015-01-15 2016-07-26 주식회사 카카오 검색 방법 및 검색 서버
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
WO2017148258A1 (zh) * 2016-02-29 2017-09-08 中国银联股份有限公司 一种支付方法及装置、设备
US20180025341A1 (en) * 2016-07-25 2018-01-25 International Business Machines Corporation Dynamic Payment Mechanism Recommendation Generator
CN106651357A (zh) * 2016-11-16 2017-05-10 网易乐得科技有限公司 一种支付方式推荐方法和设备
CN107146077A (zh) * 2017-05-02 2017-09-08 广州市智专信息科技有限公司 一种支付方法及相应的便携式终端、第三方支付平台
CN107578244A (zh) * 2017-08-07 2018-01-12 阿里巴巴集团控股有限公司 一种支付方法、装置及其设备
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN107766873A (zh) * 2017-09-06 2018-03-06 天津大学 基于排序学习的多标签零样本分类方法
CN107818467A (zh) * 2017-09-08 2018-03-20 深圳市金立通信设备有限公司 一种支付方法及终端
CN108460590A (zh) * 2018-02-06 2018-08-28 北京三快在线科技有限公司 信息推荐的方法、装置及电子设备
CN108734460A (zh) * 2018-04-02 2018-11-02 阿里巴巴集团控股有限公司 一种支付方式推荐方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林原 等: "基于似然损失函数的组样本排序学习方法", 模式识别与人工智能, vol. 30, no. 3, 31 March 2017 (2017-03-31), pages 236 - 240 *

Also Published As

Publication number Publication date
TW201942826A (zh) 2019-11-01
CN108734460A (zh) 2018-11-02
WO2019192261A1 (zh) 2019-10-10

Similar Documents

Publication Publication Date Title
CN114418568A (zh) 一种支付方式推荐方法、装置及设备
CN113837804B (zh) 一种信息推荐的方法、装置及设备
CN108305158B (zh) 一种训练风控模型和风控的方法、装置及设备
CN110245935B (zh) 支付渠道推荐方法、装置及设备
CN109858970B (zh) 一种用户行为预测方法、装置及存储介质
CN112487278A (zh) 推荐模型的训练方法、预测选择概率的方法及装置
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
US20120290509A1 (en) Training Statistical Dialog Managers in Spoken Dialog Systems With Web Data
CN110020175B (zh) 一种搜索处理方法、处理设备和系统
CN110737756B (zh) 确定针对用户输入数据的应答的方法、装置、设备和介质
CN113641896A (zh) 一种模型训练以及推荐概率预测方法及装置
CN111737595B (zh) 一种候选词推荐方法、词库排序模型训练方法及装置
CN110599307A (zh) 一种商品推荐的方法及装置
CN112733024A (zh) 一种信息推荐的方法及装置
CN113010640B (zh) 一种业务执行的方法及装置
CN114490786A (zh) 数据排序方法及装置
CN109903140A (zh) 一种信用服务推荐方法、装置及设备
CN110516918B (zh) 一种风险识别方法和装置
CN112183584A (zh) 一种模型训练以及业务执行的方法及装置
CN108595498B (zh) 问题反馈方法及装置
CN109584088A (zh) 产品信息的推送方法及装置
CN116188895A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN114860967A (zh) 一种模型训练的方法、信息推荐的方法以及装置
CN114756750A (zh) 一种预测推荐目标的点击率的方法及装置
CN112417275A (zh) 一种信息提供的方法、装置存储介质及电子设备

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