TW201942826A - 支付方式推薦方法、裝置及設備 - Google Patents
支付方式推薦方法、裝置及設備 Download PDFInfo
- Publication number
- TW201942826A TW201942826A TW108104364A TW108104364A TW201942826A TW 201942826 A TW201942826 A TW 201942826A TW 108104364 A TW108104364 A TW 108104364A TW 108104364 A TW108104364 A TW 108104364A TW 201942826 A TW201942826 A TW 201942826A
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- payment
- training
- user
- paid
- Prior art date
Links
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)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本說明書實施例公開了一種支付方式推薦方法、裝置以及設備。所述方法包括：獲取使用者資訊、待支付資訊和支付方式資訊等即時的多維特徵資訊，利用推薦機器學習模型基於上述資訊，對使用者可用的支付方式進行評分排序，根據排序結果，針對指定使用者推薦其所需的支付方式，以便使用者可以快速的完成支付操作。
Description
本說明書涉及電腦技術領域，尤其涉及一種支付方式推薦方法、裝置以及設備。
隨著非現金貨幣支付技術的發展，人們在網上購物或者實體店購物時，越來越多地選擇支付軟體完成支付。
在現有技術中，支付軟體向使用者提供了多種支付方式，例如，銀行卡支付、代付、帳戶餘額支付等。為了滿足使用者的快速支付需求，在使用者進行支付時，支付軟體通常會為使用者推薦支付方式。現有的推薦支付方式通常是基於使用者使用習慣等簡單規則實現。
基於現有技術，需要能夠準確的針對指定使用者進行支付方式推薦的方案。
在現有技術中，支付軟體向使用者提供了多種支付方式，例如，銀行卡支付、代付、帳戶餘額支付等。為了滿足使用者的快速支付需求，在使用者進行支付時，支付軟體通常會為使用者推薦支付方式。現有的推薦支付方式通常是基於使用者使用習慣等簡單規則實現。
基於現有技術，需要能夠準確的針對指定使用者進行支付方式推薦的方案。
本說明書實施例提供支付方式推薦方法、裝置以及設備，用於解決以下技術問題：需要能夠準確的針對指定使用者進行支付方式推薦的方案。
為解決上述技術問題，本說明書實施例是這樣實現的：
本說明書實施例提供的一種支付方式推薦方法，包括：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
本說明書實施例提供的一種支付方式推薦裝置，包括：
第一獲取模組，針對每一次支付，獲取使用者資訊和待支付資訊；
排序模組，根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
推薦模組，根據排序結果向使用者推薦支付方式。
本說明書實施例提供的一種電子設備，包括：
至少一個處理器；以及，
與所述至少一個處理器通信連接的記憶體；其中，
所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
本說明書實施例採用的上述至少一個技術方案能夠達到以下有益效果：
透過利用推薦機器學習模型，根據使用者個人資訊、使用者歷史支付資訊、使用者可用的支付方式資訊、待支付場景資訊和待支付商品資訊等，多種特徵同時考慮，根據實際支付情況針對指定使用者進行支付方式的推薦，能夠有效提升支付方式推薦的準確率。
為解決上述技術問題，本說明書實施例是這樣實現的：
本說明書實施例提供的一種支付方式推薦方法，包括：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
本說明書實施例提供的一種支付方式推薦裝置，包括：
第一獲取模組，針對每一次支付，獲取使用者資訊和待支付資訊；
排序模組，根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
推薦模組，根據排序結果向使用者推薦支付方式。
本說明書實施例提供的一種電子設備，包括：
至少一個處理器；以及，
與所述至少一個處理器通信連接的記憶體；其中，
所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
本說明書實施例採用的上述至少一個技術方案能夠達到以下有益效果：
透過利用推薦機器學習模型，根據使用者個人資訊、使用者歷史支付資訊、使用者可用的支付方式資訊、待支付場景資訊和待支付商品資訊等，多種特徵同時考慮，根據實際支付情況針對指定使用者進行支付方式的推薦，能夠有效提升支付方式推薦的準確率。
為了使本技術領域的人員更好地理解本說明書中的技術方案，下面將結合本說明書實施例中的圖式，對本說明書實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本說明書實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。
圖1為本說明書的方案在一種實際應用場景下涉及的支付方式推薦系統的示意圖。基於使用者資訊、待支付場景資訊、待支付商品資訊、支付方式資訊等，利用預先訓練好的推薦機器學習模型，針對指定使用者準確的推薦使用者所需的支付方式；例如，該推薦機器學習模型為LTR(learning to rank，排序學習)模型，該LTR模型根據使用者資訊與支付方式之間的相關度對使用者可選的各個支付方式進行評分並排序，為使用者推薦排序比較靠前的支付方式。其中，推薦機器學習模型是基於使用者資訊特徵參數、待支付場景資訊特徵參數、待支付商品資訊特徵參數、支付方式特徵參數等訓練得到的。
需要說明的是，這裡所說的支付方式，可以是基於支付軟體支付的方式，具體包括：基於支付軟體透過其中所包含的信用支付、代支付、帳戶餘額支付等支付的方式；也可以是基於支付軟體透過各種銀行卡(例如，信用卡、簽帳金融卡等)完成支付的方式。容易理解，實現該支付方式需要借助使用者端來實現，例如，該使用者端可以是使用者手機、電腦等可支援支付軟體的設備。
基於上述場景，下面對本說明書的方案進行詳細說明。
圖2為本說明書實施例提供的一種支付方式推薦方法的流程示意圖，該方法具體可以包括以下步驟：
步驟S202：針對每一次支付，獲取使用者資訊和待支付資訊。
例如，假設使用者在其手機端安裝有某支付軟體，使用者透過支付軟體登錄使用者帳號，並且基於該使用者帳號綁定或者啟用相關支付方式。容易理解，使用者帳號中會涉及到使用者的個人資訊；綁定或者啟用的支付方式，包括基於該支付軟體的信用支付、代支付、帳戶餘額支付等支付方式；也可以是基於支付軟體綁定的各種銀行卡(例如，信用卡、簽帳金融卡等)。
在實際應用中，待支付資訊、使用者資訊以及支付方式的狀態資訊等可能在上一次支付完成之後發生了變化，因此，每一次支付操作時，需要即時獲取使用者資訊和待支付資訊，以便可以根據即時獲取的資訊更加準確的為使用者推薦支付方式。
步驟S204：根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序。
在實際應用中，由於各個使用者的支付軟體所啟用的支付方式，和所綁定的銀行卡情況都是不同的，並且，各個使用者的支付習慣也會有差別。比如，使用者甲在進行小額支付時，喜歡用信用支付；進行大額支付時，喜歡用簽帳金融卡支付。再比如，使用者簽帳金融卡中的可用餘額是變動的，支付軟體在推薦支付方式時，需要考慮各支付方式的狀態是否可用。
這裡所說的已有支付方式，主要包括使用者綁定的各種支付方式，包括可用的支付方式和不可用的支付方式；在對支付方式進行排序時，可以對所有支付方式進行整體排序，也可以對不可用的支付方式不進行排序，例如，假設支付軟體中的餘額為零元，則該軟體中的餘額就不是可用的支付方式，在排序時，推薦機器學習模型不會對該餘額支付方式進行排序。
S206：根據排序結果向使用者推薦支付方式。
一般來說，排序結果是降冪的方式，即，將與使用者資訊相關度最大的支付方式(即，使用者最可能用的支付方式)排在第一位。
在本說明書一個或者多個實施例中，對已有支付方式排序，具體包括：根據所述使用者資訊，確定與所述使用者具有綁定關係的支付方式；針對確定出的所述支付方式進行排序；其中，所述使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；所述待支付資訊包括：待支付場景資訊和待支付商品資訊。
如前文舉例所述可知，假設使用者手機端案子某支付軟體，透過該支付軟體可以獲取已經登錄該軟體的使用者個人資訊，包括使用者姓名、性別、年齡、學歷以及工作類型等個人資訊。同時，該支付軟體還可以獲得使用者利用該支付軟體完成的歷史支付資訊，具體可以包括：歷史支付場景(例如，線上還是線下，以及商家名稱)、支付時間、支付區域等；歷史支付商品資訊：支付商品的數量、商品金額等。
容易理解，這裡所說的與使用者具有綁定關係的支付方式，包括：使用者啟用的支付方式，或者使用者添加的支付方式，都可以理解為具有綁定關係的支付方式。使用者啟用或者綁定的支付方式才可被用來推薦給使用者使用。每個使用者所啟用和綁定的支付方式是不同的，需要支付軟體根據使用者資訊獲取其對應可用的支付方式資訊，包括支付方式名稱、使用狀態、使用次數、可用額度等等。以便推薦機器學習模型可以針對使用者準確推薦其所需的支付方式，能夠有效提升使用者體驗。
需要說明的是，這裡所說的支付場景包括線上支付和線下支付。具體的，線上支付資訊可以包括線上電子商城資訊、電子商城與支付軟體之間的匹配關係等資訊；線下支付資訊可以包括線下商店支援的支付方式等資訊。
在本說明書一個或者多個實施例中，在利用預訓練的推薦機器學習模型，對已有支付方式排序之前，所述方法還包括：根據所述待支付資訊，提取對應的待支付特徵資料；根據預設清理規則，清理所述待支付特徵資料。
由於使用者的每次支付任務是不同的，例如，使用者使用支付的場景不同、使用支付的區域不同、支付的商品類型不同、支付金額不同等。因此，在每次獲取待支付資訊之後，需要對該待支付資訊進行資料處理，具體來說，包括：利用預設的清理規則對待支付特徵資料進行清理；利用特徵工程，根據待支付資訊，提取其中的待支付特徵資料。以便推薦機器學習模型能夠基於特徵資料實現準確的推薦支付方式。
在本說明書一個或者多個實施例中，如圖3為本說明書實施例提供的推薦機器學習模型的訓練方法的流程示意圖，預訓練推薦機器學習模型，具體可以包括：
S302：獲取訓練使用者資訊和訓練支付方式資訊，確定所述訓練使用者資訊與所述訓練支付方式資訊之間的對應關係。
一般來說，每個使用者資訊對應多個支付方式資訊；在對機器學習模型進行訓練時，需要用來訓練的訓練使用者資訊和訓練支付方式資訊之間的對應關係。
S304：根據所述對應關係，確定訓練使用者與支付方式的相關度。
這裡所說的訓練使用者與支付方式相關度，一般來說，相關度越高，在進行支付方式推薦時排序越靠前。在實際應用中，該訓練資料的相關度，可以透過人為標註。
S306：基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型。
為了實現透過該推薦機器學習模型能夠針對指定使用者更加精准的推薦其所需的支付方式，在對該機器學習模型訓練時，所輸入的訓練資料更為全面，包括多維特徵，例如：使用者資訊、支付方式資訊、相關度、支付場景資訊等；以便可以訓練得到更加準確的機器學習模型。
在本說明書一個或者多個實施例中，基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型，具體可以包括：基於所述使用者資訊、所述訓練支付方式資訊和所述相關度，提取對應的特徵資料；根據所述特徵資料，訓練所述推薦機器學習模型。
需要說明的是，在獲取用於訓練的特徵資料時，需要清理其中的干擾資料，諸如支付失敗、支付重複、支付日誌錯誤等，商品異常、場景不支持銀行卡或者銀行卡現階段管道繁忙等各種信息。綜合如上資訊然後透過特徵工程完成特徵產出。
進一步地，所述推薦機器學習模型包括LTR排序學習模型。
需要說明的是，排序學習演算法是一種有監督的判別式學習方法，如圖4所示為本說明書實施例提供的LTR模型訓練方法示意圖。一個典型的訓練集合通常包含：n個訓練查詢q(i)(i=1,…,n)，與每一個查詢q(i)相關的文檔集合，以及對應的相關性判斷。然後一個特定的學習演算法會用於學習一個排序模型，它可以盡可能精確地對訓練集合上的ground truth label進行預測。在預測階段，當一個新的查詢出現，訓練階段學好的模型就可以用來指導文檔的排序過程，並返回相應的結果列表。整個排序學習演算法的研究大體可分為三類：pointwise方法、pairwise方法、以及listwise方法。
以pointwise方法為例，具體模型準備樣例如圖5所示，圖5為本說明書實施例提供的模型訓練資料圖。
其中，uid列為使用者ID，frd_uid為使用者的支付工具ID。
label：在同一個qid中支付方式排序中，排的越靠前的label(即，前文所述的相關度)資料越大。如果不按label資料大小排序，可能會導致：訓練模型時性能(比如選擇NDCG@K作為評價指標)無法優化合格；並且，模型在預測集上的表現，NDCG不會超過0.1。
qid：訓練樣本分組標記，同一個uid對應相同的qid，qid取值相同的資料需要在資料表中連續出現，例如，在訓練資料中連續幾行的qid為1、1、1、4、4、2、2、2，會分組為(1 1 1) (4 4) (2 2 2)三組；但如果是1、1、1、4、2、2、2、4則會分組為(1 1 1) (4) (2 2 2) (4)四組，會被認為是四個不同的使用者，作為四個訓練樣本。因此，要特別留意讓相同取值的qid資料連續出現。
features：將原始形態的特徵序列化為index0:val0、index1:val1、index2:val2、indexn:valn，這種鍵值對的格式。例如，該特徵可以為46維特徵。
除了label, qid, features列，其他列只是用於説明後期更好地理解資料，並不直接用於訓練過程。
根據上述實施例可以瞭解到，透過利用推薦機器學習模型，根據使用者個人資訊、使用者歷史支付資訊、使用者可用的支付方式資訊、待支付場景資訊和待支付商品資訊等，多種特徵同時考慮，根據實際支付情況針對指定使用者進行支付方式的推薦，能夠有效提升支付方式推薦的準確率。
基於同樣的思路，本說明實施例還提供一種電腦可讀媒體，所述媒體儲存有電腦可讀指令，所述電腦可讀指令可被處理器執行以實現如上任一實施例中所述的方法。
基於同樣的思路，本說明書實施例還提供一種支付方式推薦裝置，如圖6所示為本說明書實施例提供的一種支付方式推薦裝置的結構示意圖，該裝置具體可以包括：
第一獲取模組601，針對每一次支付，獲取使用者資訊和待支付資訊；排序模組602，根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；推薦模組603，根據排序結果向使用者推薦支付方式。
進一步地，還包括：第二獲取模組604，所述第二獲取模組604，根據所述使用者資訊，獲取對應的支付方式資訊，確定與所述使用者具有綁定關係的支付方式；其中，所述使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；所述待支付資訊包括：待支付場景資訊和待支付商品資訊。
進一步地，還包括：特徵處理模組605；所述特徵處理模組605，根據預設清理規則，清理所述待支付資訊；根據所述待支付資訊，提取對應的待支付特徵資料。
進一步地，還包括：模型訓練模組606；所述模型訓練模組606，獲取訓練使用者資訊和訓練支付方式資訊，確定所述訓練使用者資訊與所述訓練支付方式資訊之間的對應關係；根據所述對應關係，確定訓練使用者與支付方式的相關度；基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型。
進一步地，基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型，具體包括：基於所述使用者資訊、所述訓練支付方式資訊和所述相關度，清理並提取對應的特徵資料；根據所述特徵資料，訓練所述推薦機器學習模型。
進一步地，所述推薦機器學習模型包括LTR排序學習模型。
為了更好的理解本發明的計算方案，如圖7為本說明書實施例提供的支付方式推薦系統結構示意圖。該推薦系統的訓練和應用方法如下：
獲取基礎資料，包括使用者資料、場景資料、商品資料等。例如，使用者資料包括：歷史支付資料(比如，支付動作支付金額，支付時間等等)；以及使用者的個人資訊(比如，年齡性別基本資訊購物等級資訊)。場景資料包括：支付場景資訊(比如，電子商務、離線商場、下線小攤超市等資訊)。商品資料包括：待支付商品資訊(比如，商品價格等)。
對以上資訊利用特徵工程提取特徵。需要對上述資訊進行資料清理，比如：支付失敗、支付重複、支付日誌錯誤等，商品異常、場景不支持銀行卡或者銀行卡現階段管道繁忙等各種信息。
特徵資料準備完成後，進一步地，對模型進行訓練，主要包括：特徵處理和模型調整。其中，特徵處理包括：特徵抽取、特徵歸一化、樣本採樣；模型處理包括：模型訓練、模型調參、模型評估等。對模型評估的方法可以採用離線評估(比如，AUC (Area under Curve，曲線下面積)、NDCG (Normalized Discounted Cumulative Gain，歸一化折損累積增益))。
利用該推薦機器學習模型進行預測時，根據使用者個人資訊、支付場景、支付商品資訊等進行即時預測排序。
本方案的實現可以基於分散式平臺採用MR (MapReduce，分散式運算系統)和SQL(Structured Query Language，結構化查詢語言)實現，如圖8為本說明書實施例提供的平臺架構的示意圖。
基於同樣的思路，本說明書實施例還提供一種電子設備，包括：
至少一個處理器；以及，
與所述至少一個處理器通信連接的記憶體；其中，
所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。
本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置、電子設備、非易失性電腦儲存媒體實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。
本說明書實施例提供的裝置、電子設備、非易失性電腦儲存媒體與方法是對應的，因此，裝置、電子設備、非易失性電腦儲存媒體也具有與對應方法類似的有益技術效果，由於上面已經對方法的有益技術效果進行了詳細說明，因此，這裡不再贅述對應裝置、電子設備、非易失性電腦儲存媒體的有益技術效果。
在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進(例如，對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都透過將改進的方法流程程式設計到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可程式邏輯器件(Programmable Logic Device, PLD)(例如現場可程式閘陣列(Field Programmable Gate Array，FPGA))就是這樣一種積體電路，其邏輯功能由使用者對器件程式化來確定。由設計人員自行程式設計來把一個數位系統“集成”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種程式設計也多半改用“邏輯編譯器(logic compiler)”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始程式碼也得用特定的程式設計語言來撰寫，此稱之為硬體描述語言(Hardware Description Language，HDL)，而HDL也並非僅有一種，而是有許多種，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式設計並程式設計到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、專用積體電路(Application Specific Integrated Circuit，ASIC)、可程式邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式碼方式實現控制器以外，完全可以透過將方法步驟進行邏輯程式設計來使得控制器以邏輯閘、開關、專用積體電路、可程式邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、膝上型電腦、行動電話、相機電話、智慧型電話、個人數位助理、媒體播放機、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本說明書一個或多個實施例時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。
本領域內的技術人員應明白，本說明書實施例可提供為方法、系統、或電腦程式產品。因此，本說明書實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本說明書實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本說明書是參照根據本說明書實施例的方法、設備(系統)、和電腦程式產品的流程圖和／或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和／或方塊圖中的每一流程和／或方塊、以及流程圖和／或方塊圖中的流程和／或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式設計資料處理設備的處理器以產生一個機器，使得透過電腦或其他可程式設計資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令也可儲存在能引導電腦或其他可程式設計資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式設計資料處理設備上，使得在電腦或其他可程式設計設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設計設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)和/或非易失性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。
還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、元件、資料結構等等。也可以在分散式運算環境中實踐說明書，在這些分散式運算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分散式運算環境中，程式模組可以位於包括存放裝置在內的本地和遠端電腦儲存媒體中。
本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。
以上所述僅為本說明書實施例而已，並不用於限制本發明。對於本領域技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本發明的申請專利範圍之內。
圖1為本說明書的方案在一種實際應用場景下涉及的支付方式推薦系統的示意圖。基於使用者資訊、待支付場景資訊、待支付商品資訊、支付方式資訊等，利用預先訓練好的推薦機器學習模型，針對指定使用者準確的推薦使用者所需的支付方式；例如，該推薦機器學習模型為LTR(learning to rank，排序學習)模型，該LTR模型根據使用者資訊與支付方式之間的相關度對使用者可選的各個支付方式進行評分並排序，為使用者推薦排序比較靠前的支付方式。其中，推薦機器學習模型是基於使用者資訊特徵參數、待支付場景資訊特徵參數、待支付商品資訊特徵參數、支付方式特徵參數等訓練得到的。
需要說明的是，這裡所說的支付方式，可以是基於支付軟體支付的方式，具體包括：基於支付軟體透過其中所包含的信用支付、代支付、帳戶餘額支付等支付的方式；也可以是基於支付軟體透過各種銀行卡(例如，信用卡、簽帳金融卡等)完成支付的方式。容易理解，實現該支付方式需要借助使用者端來實現，例如，該使用者端可以是使用者手機、電腦等可支援支付軟體的設備。
基於上述場景，下面對本說明書的方案進行詳細說明。
圖2為本說明書實施例提供的一種支付方式推薦方法的流程示意圖，該方法具體可以包括以下步驟：
步驟S202：針對每一次支付，獲取使用者資訊和待支付資訊。
例如，假設使用者在其手機端安裝有某支付軟體，使用者透過支付軟體登錄使用者帳號，並且基於該使用者帳號綁定或者啟用相關支付方式。容易理解，使用者帳號中會涉及到使用者的個人資訊；綁定或者啟用的支付方式，包括基於該支付軟體的信用支付、代支付、帳戶餘額支付等支付方式；也可以是基於支付軟體綁定的各種銀行卡(例如，信用卡、簽帳金融卡等)。
在實際應用中，待支付資訊、使用者資訊以及支付方式的狀態資訊等可能在上一次支付完成之後發生了變化，因此，每一次支付操作時，需要即時獲取使用者資訊和待支付資訊，以便可以根據即時獲取的資訊更加準確的為使用者推薦支付方式。
步驟S204：根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序。
在實際應用中，由於各個使用者的支付軟體所啟用的支付方式，和所綁定的銀行卡情況都是不同的，並且，各個使用者的支付習慣也會有差別。比如，使用者甲在進行小額支付時，喜歡用信用支付；進行大額支付時，喜歡用簽帳金融卡支付。再比如，使用者簽帳金融卡中的可用餘額是變動的，支付軟體在推薦支付方式時，需要考慮各支付方式的狀態是否可用。
這裡所說的已有支付方式，主要包括使用者綁定的各種支付方式，包括可用的支付方式和不可用的支付方式；在對支付方式進行排序時，可以對所有支付方式進行整體排序，也可以對不可用的支付方式不進行排序，例如，假設支付軟體中的餘額為零元，則該軟體中的餘額就不是可用的支付方式，在排序時，推薦機器學習模型不會對該餘額支付方式進行排序。
S206：根據排序結果向使用者推薦支付方式。
一般來說，排序結果是降冪的方式，即，將與使用者資訊相關度最大的支付方式(即，使用者最可能用的支付方式)排在第一位。
在本說明書一個或者多個實施例中，對已有支付方式排序，具體包括：根據所述使用者資訊，確定與所述使用者具有綁定關係的支付方式；針對確定出的所述支付方式進行排序；其中，所述使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；所述待支付資訊包括：待支付場景資訊和待支付商品資訊。
如前文舉例所述可知，假設使用者手機端案子某支付軟體，透過該支付軟體可以獲取已經登錄該軟體的使用者個人資訊，包括使用者姓名、性別、年齡、學歷以及工作類型等個人資訊。同時，該支付軟體還可以獲得使用者利用該支付軟體完成的歷史支付資訊，具體可以包括：歷史支付場景(例如，線上還是線下，以及商家名稱)、支付時間、支付區域等；歷史支付商品資訊：支付商品的數量、商品金額等。
容易理解，這裡所說的與使用者具有綁定關係的支付方式，包括：使用者啟用的支付方式，或者使用者添加的支付方式，都可以理解為具有綁定關係的支付方式。使用者啟用或者綁定的支付方式才可被用來推薦給使用者使用。每個使用者所啟用和綁定的支付方式是不同的，需要支付軟體根據使用者資訊獲取其對應可用的支付方式資訊，包括支付方式名稱、使用狀態、使用次數、可用額度等等。以便推薦機器學習模型可以針對使用者準確推薦其所需的支付方式，能夠有效提升使用者體驗。
需要說明的是，這裡所說的支付場景包括線上支付和線下支付。具體的，線上支付資訊可以包括線上電子商城資訊、電子商城與支付軟體之間的匹配關係等資訊；線下支付資訊可以包括線下商店支援的支付方式等資訊。
在本說明書一個或者多個實施例中，在利用預訓練的推薦機器學習模型，對已有支付方式排序之前，所述方法還包括：根據所述待支付資訊，提取對應的待支付特徵資料；根據預設清理規則，清理所述待支付特徵資料。
由於使用者的每次支付任務是不同的，例如，使用者使用支付的場景不同、使用支付的區域不同、支付的商品類型不同、支付金額不同等。因此，在每次獲取待支付資訊之後，需要對該待支付資訊進行資料處理，具體來說，包括：利用預設的清理規則對待支付特徵資料進行清理；利用特徵工程，根據待支付資訊，提取其中的待支付特徵資料。以便推薦機器學習模型能夠基於特徵資料實現準確的推薦支付方式。
在本說明書一個或者多個實施例中，如圖3為本說明書實施例提供的推薦機器學習模型的訓練方法的流程示意圖，預訓練推薦機器學習模型，具體可以包括：
S302：獲取訓練使用者資訊和訓練支付方式資訊，確定所述訓練使用者資訊與所述訓練支付方式資訊之間的對應關係。
一般來說，每個使用者資訊對應多個支付方式資訊；在對機器學習模型進行訓練時，需要用來訓練的訓練使用者資訊和訓練支付方式資訊之間的對應關係。
S304：根據所述對應關係，確定訓練使用者與支付方式的相關度。
這裡所說的訓練使用者與支付方式相關度，一般來說，相關度越高，在進行支付方式推薦時排序越靠前。在實際應用中，該訓練資料的相關度，可以透過人為標註。
S306：基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型。
為了實現透過該推薦機器學習模型能夠針對指定使用者更加精准的推薦其所需的支付方式，在對該機器學習模型訓練時，所輸入的訓練資料更為全面，包括多維特徵，例如：使用者資訊、支付方式資訊、相關度、支付場景資訊等；以便可以訓練得到更加準確的機器學習模型。
在本說明書一個或者多個實施例中，基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型，具體可以包括：基於所述使用者資訊、所述訓練支付方式資訊和所述相關度，提取對應的特徵資料；根據所述特徵資料，訓練所述推薦機器學習模型。
需要說明的是，在獲取用於訓練的特徵資料時，需要清理其中的干擾資料，諸如支付失敗、支付重複、支付日誌錯誤等，商品異常、場景不支持銀行卡或者銀行卡現階段管道繁忙等各種信息。綜合如上資訊然後透過特徵工程完成特徵產出。
進一步地，所述推薦機器學習模型包括LTR排序學習模型。
需要說明的是，排序學習演算法是一種有監督的判別式學習方法，如圖4所示為本說明書實施例提供的LTR模型訓練方法示意圖。一個典型的訓練集合通常包含：n個訓練查詢q(i)(i=1,…,n)，與每一個查詢q(i)相關的文檔集合，以及對應的相關性判斷。然後一個特定的學習演算法會用於學習一個排序模型，它可以盡可能精確地對訓練集合上的ground truth label進行預測。在預測階段，當一個新的查詢出現，訓練階段學好的模型就可以用來指導文檔的排序過程，並返回相應的結果列表。整個排序學習演算法的研究大體可分為三類：pointwise方法、pairwise方法、以及listwise方法。
以pointwise方法為例，具體模型準備樣例如圖5所示，圖5為本說明書實施例提供的模型訓練資料圖。
其中，uid列為使用者ID，frd_uid為使用者的支付工具ID。
label：在同一個qid中支付方式排序中，排的越靠前的label(即，前文所述的相關度)資料越大。如果不按label資料大小排序，可能會導致：訓練模型時性能(比如選擇NDCG@K作為評價指標)無法優化合格；並且，模型在預測集上的表現，NDCG不會超過0.1。
qid：訓練樣本分組標記，同一個uid對應相同的qid，qid取值相同的資料需要在資料表中連續出現，例如，在訓練資料中連續幾行的qid為1、1、1、4、4、2、2、2，會分組為(1 1 1) (4 4) (2 2 2)三組；但如果是1、1、1、4、2、2、2、4則會分組為(1 1 1) (4) (2 2 2) (4)四組，會被認為是四個不同的使用者，作為四個訓練樣本。因此，要特別留意讓相同取值的qid資料連續出現。
features：將原始形態的特徵序列化為index0:val0、index1:val1、index2:val2、indexn:valn，這種鍵值對的格式。例如，該特徵可以為46維特徵。
除了label, qid, features列，其他列只是用於説明後期更好地理解資料，並不直接用於訓練過程。
根據上述實施例可以瞭解到，透過利用推薦機器學習模型，根據使用者個人資訊、使用者歷史支付資訊、使用者可用的支付方式資訊、待支付場景資訊和待支付商品資訊等，多種特徵同時考慮，根據實際支付情況針對指定使用者進行支付方式的推薦，能夠有效提升支付方式推薦的準確率。
基於同樣的思路，本說明實施例還提供一種電腦可讀媒體，所述媒體儲存有電腦可讀指令，所述電腦可讀指令可被處理器執行以實現如上任一實施例中所述的方法。
基於同樣的思路，本說明書實施例還提供一種支付方式推薦裝置，如圖6所示為本說明書實施例提供的一種支付方式推薦裝置的結構示意圖，該裝置具體可以包括：
第一獲取模組601，針對每一次支付，獲取使用者資訊和待支付資訊；排序模組602，根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；推薦模組603，根據排序結果向使用者推薦支付方式。
進一步地，還包括：第二獲取模組604，所述第二獲取模組604，根據所述使用者資訊，獲取對應的支付方式資訊，確定與所述使用者具有綁定關係的支付方式；其中，所述使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；所述待支付資訊包括：待支付場景資訊和待支付商品資訊。
進一步地，還包括：特徵處理模組605；所述特徵處理模組605，根據預設清理規則，清理所述待支付資訊；根據所述待支付資訊，提取對應的待支付特徵資料。
進一步地，還包括：模型訓練模組606；所述模型訓練模組606，獲取訓練使用者資訊和訓練支付方式資訊，確定所述訓練使用者資訊與所述訓練支付方式資訊之間的對應關係；根據所述對應關係，確定訓練使用者與支付方式的相關度；基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型。
進一步地，基於所述訓練使用者資訊、所述訓練支付方式資訊和所述相關度，訓練所述推薦機器學習模型，具體包括：基於所述使用者資訊、所述訓練支付方式資訊和所述相關度，清理並提取對應的特徵資料；根據所述特徵資料，訓練所述推薦機器學習模型。
進一步地，所述推薦機器學習模型包括LTR排序學習模型。
為了更好的理解本發明的計算方案，如圖7為本說明書實施例提供的支付方式推薦系統結構示意圖。該推薦系統的訓練和應用方法如下：
獲取基礎資料，包括使用者資料、場景資料、商品資料等。例如，使用者資料包括：歷史支付資料(比如，支付動作支付金額，支付時間等等)；以及使用者的個人資訊(比如，年齡性別基本資訊購物等級資訊)。場景資料包括：支付場景資訊(比如，電子商務、離線商場、下線小攤超市等資訊)。商品資料包括：待支付商品資訊(比如，商品價格等)。
對以上資訊利用特徵工程提取特徵。需要對上述資訊進行資料清理，比如：支付失敗、支付重複、支付日誌錯誤等，商品異常、場景不支持銀行卡或者銀行卡現階段管道繁忙等各種信息。
特徵資料準備完成後，進一步地，對模型進行訓練，主要包括：特徵處理和模型調整。其中，特徵處理包括：特徵抽取、特徵歸一化、樣本採樣；模型處理包括：模型訓練、模型調參、模型評估等。對模型評估的方法可以採用離線評估(比如，AUC (Area under Curve，曲線下面積)、NDCG (Normalized Discounted Cumulative Gain，歸一化折損累積增益))。
利用該推薦機器學習模型進行預測時，根據使用者個人資訊、支付場景、支付商品資訊等進行即時預測排序。
本方案的實現可以基於分散式平臺採用MR (MapReduce，分散式運算系統)和SQL(Structured Query Language，結構化查詢語言)實現，如圖8為本說明書實施例提供的平臺架構的示意圖。
基於同樣的思路，本說明書實施例還提供一種電子設備，包括：
至少一個處理器；以及，
與所述至少一個處理器通信連接的記憶體；其中，
所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠：
針對每一次支付，獲取使用者資訊和待支付資訊；
根據所述使用者資訊和所述待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序；
根據排序結果向使用者推薦支付方式。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。
本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置、電子設備、非易失性電腦儲存媒體實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。
本說明書實施例提供的裝置、電子設備、非易失性電腦儲存媒體與方法是對應的，因此，裝置、電子設備、非易失性電腦儲存媒體也具有與對應方法類似的有益技術效果，由於上面已經對方法的有益技術效果進行了詳細說明，因此，這裡不再贅述對應裝置、電子設備、非易失性電腦儲存媒體的有益技術效果。
在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進(例如，對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都透過將改進的方法流程程式設計到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可程式邏輯器件(Programmable Logic Device, PLD)(例如現場可程式閘陣列(Field Programmable Gate Array，FPGA))就是這樣一種積體電路，其邏輯功能由使用者對器件程式化來確定。由設計人員自行程式設計來把一個數位系統“集成”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種程式設計也多半改用“邏輯編譯器(logic compiler)”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始程式碼也得用特定的程式設計語言來撰寫，此稱之為硬體描述語言(Hardware Description Language，HDL)，而HDL也並非僅有一種，而是有許多種，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式設計並程式設計到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、專用積體電路(Application Specific Integrated Circuit，ASIC)、可程式邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式碼方式實現控制器以外，完全可以透過將方法步驟進行邏輯程式設計來使得控制器以邏輯閘、開關、專用積體電路、可程式邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、膝上型電腦、行動電話、相機電話、智慧型電話、個人數位助理、媒體播放機、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本說明書一個或多個實施例時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。
本領域內的技術人員應明白，本說明書實施例可提供為方法、系統、或電腦程式產品。因此，本說明書實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本說明書實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本說明書是參照根據本說明書實施例的方法、設備(系統)、和電腦程式產品的流程圖和／或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和／或方塊圖中的每一流程和／或方塊、以及流程圖和／或方塊圖中的流程和／或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式設計資料處理設備的處理器以產生一個機器，使得透過電腦或其他可程式設計資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令也可儲存在能引導電腦或其他可程式設計資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式設計資料處理設備上，使得在電腦或其他可程式設計設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設計設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)和/或非易失性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。
還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、元件、資料結構等等。也可以在分散式運算環境中實踐說明書，在這些分散式運算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分散式運算環境中，程式模組可以位於包括存放裝置在內的本地和遠端電腦儲存媒體中。
本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。
以上所述僅為本說明書實施例而已，並不用於限制本發明。對於本領域技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本發明的申請專利範圍之內。
601‧‧‧第一獲取模組
602‧‧‧排序模組
603‧‧‧推薦模組
604‧‧‧第二獲取模組
605‧‧‧特徵處理模組
606‧‧‧模型訓練模組
為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本說明書中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。
圖1為本說明書的方案在實際應用場景下涉及的支付方式推薦系統的示意圖；
圖2為本說明書實施例提供的一種支付方式推薦方法的流程示意圖；
圖3為本說明書實施例提供的推薦機器學習模型的訓練方法的流程示意圖；
圖4為本說明書實施例提供的LTR模型訓練方法示意圖；
圖5為本說明書實施例提供的模型訓練資料圖；
圖6為本說明書實施例提供的一種支付方式推薦裝置的結構示意圖；
圖7為本說明書實施例提供的支付方式推薦系統結構示意圖；
圖8為本說明書實施例提供的平臺架構的示意圖。
Claims (13)
- 一種支付方式推薦方法，包括： 針對每一次支付，獲取使用者資訊和待支付資訊； 根據該使用者資訊和該待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序； 根據排序結果向使用者推薦支付方式。
- 如申請專利範圍第1項所述的方法，對已有支付方式排序，具體包括： 根據該使用者資訊，確定與該使用者具有綁定關係的支付方式； 針對確定出的該支付方式進行排序； 其中，該使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；該待支付資訊包括：待支付場景資訊和待支付商品資訊。
- 如申請專利範圍第1項所述的方法，在利用預訓練的推薦機器學習模型，對已有支付方式排序之前，該方法還包括： 根據預設清理規則，清理該待支付資訊； 根據該待支付資訊，提取對應的待支付特徵資料。
- 如申請專利範圍第1項所述的方法，預訓練推薦機器學習模型，具體包括： 獲取訓練使用者資訊和訓練支付方式資訊，確定該訓練使用者資訊與該訓練支付方式資訊之間的對應關係； 根據該對應關係，確定訓練使用者與支付方式的相關度； 基於該訓練使用者資訊、該訓練支付方式資訊和該相關度，訓練該推薦機器學習模型。
- 如申請專利範圍第4項所述的方法，基於該訓練使用者資訊、該訓練支付方式資訊和該相關度，訓練該推薦機器學習模型，具體包括： 基於該使用者資訊、該訓練支付方式資訊和該相關度，清理並提取對應的特徵資料； 根據該特徵資料，訓練該推薦機器學習模型。
- 如申請專利範圍第4項所述的方法，該推薦機器學習模型包括LTR排序學習模型。
- 一種支付方式推薦裝置，包括： 第一獲取模組，針對每一次支付，獲取使用者資訊和待支付資訊； 排序模組，根據該使用者資訊和該待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序； 推薦模組，根據排序結果向使用者推薦支付方式。
- 如申請專利範圍第7項所述的裝置，還包括：第二獲取模組， 該第二獲取模組，根據該使用者資訊，確定與該使用者具有綁定關係的支付方式； 其中，該使用者資訊包括：使用者歷史支付資訊和使用者個人資訊；該待支付資訊包括：待支付場景資訊和待支付商品資訊。
- 如申請專利範圍第7項所述的裝置，還包括：特徵處理模組； 該特徵處理模組，根據預設清理規則，清理該待支付資訊； 根據該待支付資訊，提取對應的待支付特徵資料。
- 如申請專利範圍第7項所述的裝置，包括：模型訓練模組； 該模型訓練模組，獲取訓練使用者資訊和訓練支付方式資訊，確定該訓練使用者資訊與該訓練支付方式資訊之間的對應關係； 根據該對應關係，確定訓練使用者與支付方式的相關度； 基於該訓練使用者資訊、該訓練支付方式資訊和該相關度，訓練該推薦機器學習模型。
- 如申請專利範圍第10項所述的裝置，基於該訓練使用者資訊、該訓練支付方式資訊和該相關度，訓練該推薦機器學習模型，具體包括： 基於該使用者資訊、該訓練支付方式資訊和該相關度，清理並提取對應的特徵資料； 根據該特徵資料，訓練該推薦機器學習模型。
- 如申請專利範圍第10項所述的裝置，該推薦機器學習模型包括LTR排序學習模型。
- 一種電子設備，包括： 至少一個處理器；以及， 與該至少一個處理器通信連接的記憶體；其中， 該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠： 針對每一次支付，獲取使用者資訊和待支付資訊； 根據該使用者資訊和該待支付資訊，利用預訓練的推薦機器學習模型，對已有支付方式排序； 根據排序結果向使用者推薦支付方式。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| 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 |
| ??201810284452.5 | 2018-04-02 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW201942826A true TW201942826A (zh) | 2019-11-01 |
Family
ID=63941121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108104364A TW201942826A (zh) | 2018-04-02 | 2019-02-11 | 支付方式推薦方法、裝置及設備 |
Country Status (3)
| Country | Link |
|---|---|
| CN (2) | CN108734460A (zh) |
| TW (1) | TW201942826A (zh) |
| WO (1) | WO2019192261A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI839599B (zh) * | 2021-02-05 | 2024-04-21 | 韓商韓領有限公司 | 藉由終端機處理物品銷售資訊之方法、非暫時性電腦可讀記錄媒體及用於處理物品銷售資訊之終端機 |
Families Citing this family (26)
| 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 |
| 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 |
| 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 |
| 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 |
| US11282052B2 (en) | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
| 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 |
| 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 |
| 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 |
Family Cites Families (16)
| 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 |
| KR101649146B1 (ko) * | 2015-01-15 | 2016-08-19 | 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 |
| CN105930765A (zh) * | 2016-02-29 | 2016-09-07 | 中国银联股份有限公司 | 一种支付方法及装置 |
| 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 |
| US20180025341A1 (en) * | 2016-07-25 | 2018-01-25 | International Business Machines Corporation | Dynamic Payment Mechanism Recommendation Generator |
| 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 |
| CN106651357B (zh) * | 2016-11-16 | 2021-06-22 | 网易乐得科技有限公司 | 一种支付方式推荐方法和设备 |
| CN107146077B (zh) * | 2017-05-02 | 2021-01-05 | 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 |
| 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 |
| 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 |
| CN107562818B (zh) * | 2017-08-16 | 2020-01-24 | 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 |
| CN108460590B (zh) * | 2018-02-06 | 2021-02-02 | 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 |
-
2018
- 2018-04-02 CN CN201810284452.5A patent/CN108734460A/zh active Pending
- 2018-04-02 CN CN202210010535.1A patent/CN114418568A/zh active Pending
-
2019
- 2019-01-30 WO PCT/CN2019/073924 patent/WO2019192261A1/zh active Application Filing
- 2019-02-11 TW TW108104364A patent/TW201942826A/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI839599B (zh) * | 2021-02-05 | 2024-04-21 | 韓商韓領有限公司 | 藉由終端機處理物品銷售資訊之方法、非暫時性電腦可讀記錄媒體及用於處理物品銷售資訊之終端機 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019192261A1 (zh) | 2019-10-10 |
| CN108734460A (zh) | 2018-11-02 |
| CN114418568A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW201942826A (zh) | 支付方式推薦方法、裝置及設備 | |
| WO2020224299A1 (zh) | 支付渠道推荐方法、装置及设备 | |
| CN111177569B (zh) | 基于人工智能的推荐处理方法、装置及设备 | |
| CN110309283A (zh) | 一种智能问答的答案确定方法及装置 | |
| CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
| TWI710917B (zh) | 資料處理方法及裝置 | |
| TW201928841A (zh) | 訓練風控模型和風控的方法、裝置及設備 | |
| CN107644286A (zh) | 工作流处理方法及装置 | |
| CN107679082A (zh) | 问答搜索方法、装置以及电子设备 | |
| CN108268617A (zh) | 用户意图确定方法及装置 | |
| CN110162796A (zh) | 新闻专题创建方法和装置 | |
| 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 | |
| CN110020427B (zh) | 策略确定方法和装置 | |
| CN111222931B (zh) | 一种产品推荐方法及系统 | |
| CN111737595B (zh) | 一种候选词推荐方法、词库排序模型训练方法及装置 | |
| CN109948680A (zh) | 病历数据的分类方法及系统 | |
| CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
| CN109886804B (zh) | 一种任务处理方法及装置 | |
| KR20210137802A (ko) | 쇼핑 검색을 위한 상품 카테고리 추출 방법 | |
| Wallat et al. | Probing BERT for ranking abilities | |
| CN107451204A (zh) | 一种数据查询方法、装置及设备 | |
| TW201939278A (zh) | 針對ｒｐｃ資訊的向量處理方法、裝置以及設備 | |
| CN108550019A (zh) | 一种简历筛选方法及装置 | |
| CN111209277A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN110008352A (zh) | 实体发现方法及装置 |