WO2019192261A1 - 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
WO2019192261A1
WO2019192261A1 PCT/CN2019/073924 CN2019073924W WO2019192261A1 WO 2019192261 A1 WO2019192261 A1 WO 2019192261A1 CN 2019073924 W CN2019073924 W CN 2019073924W WO 2019192261 A1 WO2019192261 A1 WO 2019192261A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
payment
user
training
paid
Prior art date
Application number
PCT/CN2019/073924
Other languages
English (en)
French (fr)
Inventor
张林江
Original Assignee
阿里巴巴集团控股有限公司
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 阿里巴巴集团控股有限公司 filed Critical 阿里巴巴集团控股有限公司
Publication of WO2019192261A1 publication Critical patent/WO2019192261A1/zh

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

Definitions

  • the present specification relates to the field of computer technology, and in particular, to a method, device, and device for recommending payment methods.
  • payment software provides users with a variety of payment methods, such as bank card payment, payment, account balance payment, and the like.
  • the payment software In order to meet the user's fast payment requirements, the payment software usually recommends payment methods for the user when the user makes a payment.
  • Existing recommended payment methods are usually implemented based on simple rules such as user usage habits.
  • the embodiments of the present disclosure provide a method, an apparatus, and a device for recommending a payment method, which are used to solve the following technical problems: a solution that can accurately recommend a payment method for a specified user is required.
  • the payment method is recommended to the user based on the sorting result.
  • the first obtaining module acquires user information and information to be paid for each payment
  • a sorting module according to the user information and the to-be-paid information, using a pre-trained recommended machine learning model to sort existing payment methods
  • the recommendation module recommends the payment method to the user based on the sorting result.
  • At least one processor and,
  • the memory stores instructions executable by the at least one processor, the instructions being executed by the at least one processor to enable the at least one processor to:
  • the payment method is recommended to the user based on the sorting result.
  • the recommendation of the method can effectively improve the accuracy of the recommendation of the payment method.
  • FIG. 1 is a schematic diagram of a payment method recommendation system involved in a scenario of the present application in an actual application scenario
  • FIG. 2 is a schematic flowchart of a method for recommending a payment method according to an embodiment of the present disclosure
  • FIG. 3 is a schematic flowchart diagram of a training method for recommending a machine learning model according to an embodiment of the present disclosure
  • FIG. 4 is a schematic diagram of an LTR model training method according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram of model training data provided by an embodiment of the present specification.
  • FIG. 6 is a schematic structural diagram of a payment method recommendation apparatus according to an embodiment of the present disclosure.
  • FIG. 7 is a schematic structural diagram of a payment method recommendation system according to an embodiment of the present disclosure.
  • FIG. 8 is a schematic diagram of a platform architecture provided by an embodiment of the present specification.
  • FIG. 1 is a schematic diagram of a payment method recommendation system involved in a practical application scenario.
  • the pre-trained recommended machine learning model is used to accurately recommend the payment method required by the user for the specified user; for example, the recommended machine learning model is The LTR (learning to rank) model, which classifies and sorts the user-selectable payment methods according to the correlation between the user information and the payment method, and recommends the payment method with higher ranking for the user.
  • the recommended machine learning model is obtained based on the user information feature parameter, the feature information parameter to be paid, the product information feature parameter to be paid, and the payment mode feature parameter.
  • the payment method mentioned herein may be based on payment software payment, and specifically includes: a method based on payment, payment, payment, account balance payment, etc. included in the payment software; or may be based on
  • the payment software completes the payment by various bank cards (eg, credit cards, debit cards, etc.). It is easy to understand that the payment method needs to be implemented by using a user terminal.
  • the user terminal may be a device that supports payment software such as a user's mobile phone or a computer.
  • FIG. 2 is a schematic flowchart of a method for recommending a payment method according to an embodiment of the present disclosure.
  • the method may specifically include the following steps:
  • Step S202 Acquire user information and information to be paid for each payment.
  • the user logs in to the user account through the payment software, and binds or enables the relevant payment method based on the user account.
  • the user account will involve the user's personal information; the binding or enabled payment method includes payment methods based on the payment software, such as credit payment, payment on behalf of the account, and account balance payment; or it may be based on payment software binding.
  • Various bank cards for example, credit cards, debit cards, etc.).
  • the information to be paid, the information of the user, and the status information of the payment method may change after the last payment is completed. Therefore, each time the payment operation is performed, the user information and the information to be paid need to be acquired in real time, so that The information obtained in real time is more accurate for recommending payment methods for users.
  • Step S204 Sort the existing payment methods by using the pre-trained recommended machine learning model according to the user information and the to-be-paid information.
  • the payment methods enabled by each user's payment software are different from the bundled bank cards, and the payment habits of each user may be different. For example, when user A makes a small payment, user prefers to pay by credit; when making a large payment, he likes to pay with a debit card. For another example, the available balance in the user's debit card is changed. When the payment software recommends the payment method, it needs to consider whether the status of each payment method is available.
  • the existing payment methods mentioned here mainly include various payment methods bound by the user, including available payment methods and unavailable payment methods; when sorting the payment methods, all payment methods can be sorted as a whole.
  • the payment methods that are not available may not be sorted. For example, if the balance in the payment software is zero, the balance in the software is not an available payment method. When sorting, the recommended machine learning model does not pay the balance. Way to sort.
  • the sorting result is a descending order, that is, the payment method that is most relevant to the user information (ie, the payment method most likely to be used by the user) is ranked first.
  • the ordering of the existing payment methods includes: determining, according to the user information, a payment method having a binding relationship with the user; and sorting the determined payment methods.
  • the user information includes: user history payment information and user personal information;
  • the to-be-paid information includes: to-be-paid scene information and to-be-paid item information.
  • a payment software of a user's mobile phone case can obtain personal information of a user who has logged into the software, including personal information such as user name, gender, age, education, and work type.
  • the payment software can also obtain historical payment information that the user completes by using the payment software, which may specifically include: historical payment scenarios (for example, online or offline, and business name), payment time, payment area, etc.; historical payment products Information: The quantity of goods paid, the amount of goods, etc.
  • the payment method described in the binding relationship with the user can be understood as a payment method with a binding relationship.
  • User-enabled or bound payment methods can be used to recommend to users.
  • the payment method enabled and bound by each user is different, and the payment software needs to obtain the corresponding payment method information according to the user information, including the payment method name, usage status, usage count, available credit, and the like.
  • the user can accurately recommend the payment method required by the user, which can effectively improve the user experience.
  • the payment scenarios mentioned here include online payment and offline payment.
  • the online payment information may include information such as an online electronic shopping mall information, a matching relationship between the electronic shopping mall and the payment software
  • the offline payment information may include information such as a payment method supported by the offline store.
  • the method before using the pre-trained recommended machine learning model to sort the existing payment methods, the method further includes: extracting corresponding to-be-paid feature data according to the to-be-paid information; The feature data to be paid is cleaned according to a preset cleaning rule.
  • the method includes: cleaning the feature data by using a preset cleaning rule; and using the feature engineering to extract the information according to the to-be-paid information. Among them, the feature data to be paid. In order to recommend a machine learning model, an accurate recommended payment method can be implemented based on the feature data.
  • FIG. 3 is a schematic flowchart of a training method for recommending a machine learning model according to an embodiment of the present disclosure.
  • the pre-training recommended machine learning model may specifically include:
  • S302 Acquire training user information and training payment mode information, and determine a correspondence between the training user information and the training payment mode information.
  • each user information corresponds to a plurality of payment method information; when training the machine learning model, a correspondence relationship between the training user information for training and the training payment method information is required.
  • S304 Determine, according to the correspondence, how relevant the training user is to the payment method.
  • the degree of relevance between the training user and the payment method mentioned here is generally higher, and the ranking is higher when the payment method is recommended. In practical applications, the relevance of the training data can be manually labeled.
  • the training data input is more comprehensive, including multi-dimensional features, such as user information, when training the machine learning model. Payment method information, relevance, payment scenario information, etc.; so that a more accurate machine learning model can be trained.
  • the training the recommended machine learning model based on the training user information, the training payment method information, and the correlation may specifically include: based on the user information, the Training payment method information and the correlation degree, extracting corresponding feature data; and training the recommended machine learning model according to the feature data.
  • the recommended machine learning model includes an LTR sorting learning model.
  • FIG. 4 is a schematic diagram of the LTR model training method provided by the embodiment of the present specification.
  • the research of the whole sorting learning algorithm can be roughly divided into three categories: pointwise method, pairwise method, and listwise method.
  • FIG. 5 is a model training data diagram provided by an embodiment of the present specification.
  • uid is listed as user ID
  • frd_uid is user's payment instrument ID
  • Label In the sorting of payment methods in the same qid, the higher the front label (ie, the correlation described above), the larger the data. If you do not sort by the label data size, it may result in: the performance of the training model (such as selecting NDCG@K as the evaluation index) can not be qualified; and, the performance of the model on the prediction set, NDCG will not exceed 0.1.
  • Qid training sample grouping mark
  • the same uid corresponds to the same qid
  • the data with the same value of qid needs to appear continuously in the data table.
  • the qid of consecutive rows in the training data is 1, 1, 1, 4, 4 , 2, 2, 2, will be grouped into (1 1 1) (4 4) (2 2 2) three groups; but if it is 1, 1, 1, 4, 2, 2, 4 will be grouped as ( 1 1 1)(4)(2 2 2)(4) Four groups will be considered as four different users as four training samples. Therefore, special attention should be paid to making the same value of qid data appear continuously.
  • indexn valn, the format of this key-value pair.
  • the feature can be a 46-dimensional feature.
  • the illustrative embodiments further provide a computer readable medium storing computer readable instructions executable by a processor to implement any of the above embodiments. method.
  • FIG. 6 is a schematic structural diagram of a payment method recommendation device according to an embodiment of the present disclosure.
  • the first obtaining module 601 acquires user information and information to be paid for each payment; the ranking module 602, according to the user information and the information to be paid, uses a pre-trained recommended machine learning model to sort existing payment methods.
  • the recommendation module 603 recommends a payment method to the user according to the sorting result.
  • the method further includes: a second obtaining module 604, the second obtaining module 604, according to the user information, acquiring corresponding payment method information, and determining a payment method having a binding relationship with the user;
  • the user information includes: user history payment information and user personal information;
  • the to-be-paid information includes: to-be-paid scene information and to-be-paid item information.
  • the method further includes: a feature processing module 605; the feature processing module 605: cleaning the to-be-paid information according to a preset cleaning rule; and extracting corresponding to-be-paid feature data according to the to-be-paid information.
  • the method further includes: a model training module 606, the model training module 606, acquiring training user information and training payment method information, and determining a correspondence between the training user information and the training payment method information; Corresponding relationship, determining a relevance of the training user to the payment method; and training the recommended machine learning model based on the training user information, the training payment method information, and the correlation.
  • the training the recommended machine learning model based on the training user information, the training payment method information, and the correlation degree specifically includes: based on the user information, the training payment method information, and the correlation degree And cleaning and extracting corresponding feature data; and training the recommended machine learning model according to the feature data.
  • the recommended machine learning model includes an LTR sorting learning model.
  • FIG. 7 is a schematic structural diagram of a payment method recommendation system provided by an embodiment of the present specification.
  • the training and application methods of the recommendation system are as follows:
  • Get basic data including user data, scene data, product data, and more.
  • the user data includes: historical payment data (eg, payment action payment amount, payment time, etc.); and user's personal information (eg, age-sex basic information shopping level information).
  • the scene data includes: payment scenario information (for example, e-commerce, offline stores, offline supermarkets, etc.).
  • the product data includes: information on the goods to be paid (for example, the price of the product, etc.).
  • Data cleaning needs to be performed on the above information, such as: payment failure, payment duplication, payment log error, etc., the product is abnormal, the scenario does not support the bank card, or the bank card is busy at the current stage.
  • the model is further trained, including: feature processing and model adjustment.
  • the feature processing includes: feature extraction, feature normalization, sample sampling; model processing includes: model training, model tuning, model evaluation, and the like.
  • the method for evaluating the model can be evaluated offline (for example, AUC (Area under Curve), NDCG (Normalized Discounted Cuulative Gain)).
  • real-time prediction ranking is performed based on user personal information, payment scenarios, payment product information, and the like.
  • FIG. 8 is a schematic diagram of a platform architecture provided by an embodiment of the present disclosure.
  • an electronic device including:
  • At least one processor and,
  • the memory stores instructions executable by the at least one processor, the instructions being executed by the at least one processor to enable the at least one processor to:
  • the payment method is recommended to the user based on the sorting result.
  • the device, the electronic device, the non-volatile computer storage medium and the method provided by the embodiments of the present specification are corresponding, and therefore, the device, the electronic device, the non-volatile computer storage medium also have a beneficial technical effect similar to the corresponding method,
  • the beneficial technical effects of the method have been described in detail above, and therefore, the beneficial technical effects of the corresponding device, the electronic device, and the non-volatile computer storage medium will not be described herein.
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • HDL Hardware Description Language
  • the controller can be implemented in any suitable manner, for example, the controller can take the form of, for example, a microprocessor or processor and a computer readable medium storing computer readable program code (eg, software or firmware) executable by the (micro)processor.
  • computer readable program code eg, software or firmware
  • examples of controllers include, but are not limited to, the following microcontrollers: ARC 625D, Atmel AT91SAM, The Microchip PIC18F26K20 and the Silicone Labs C8051F320, the memory controller can also be implemented as part of the memory's control logic.
  • the controller can be logically programmed by means of logic gates, switches, ASICs, programmable logic controllers, and embedding.
  • Such a controller can therefore be considered a hardware component, and the means for implementing various functions included therein can also be considered as a structure within the hardware component.
  • a device for implementing various functions can be considered as a software module that can be both a method of implementation and a structure within a hardware component.
  • the system, device, module or unit illustrated in the above embodiments may be implemented by a computer chip or an entity, or by a product having a certain function.
  • a typical implementation device is a computer.
  • the computer can be, for example, a personal computer, a laptop computer, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email device, a game console, a tablet computer, a wearable device, or A combination of any of these devices.
  • embodiments of the specification can be provided as a method, system, or computer program product.
  • embodiments of the present specification can take the form of an entirely hardware embodiment, an entirely software embodiment, or a combination of software and hardware.
  • embodiments of the present specification can take the form of a computer program product embodied on one or more computer usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) including computer usable program code.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.
  • a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
  • processors CPUs
  • input/output interfaces network interfaces
  • memory volatile and non-volatile memory
  • the memory may include non-persistent memory, random access memory (RAM), and/or non-volatile memory in a computer readable medium, such as read only memory (ROM) or flash memory.
  • RAM random access memory
  • ROM read only memory
  • Memory is an example of a computer readable medium.
  • Computer readable media includes both permanent and non-persistent, removable and non-removable media.
  • Information storage can be implemented by any method or technology.
  • the information can be computer readable instructions, data structures, modules of programs, or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read only memory. (ROM), electrically erasable programmable read only memory (EEPROM), flash memory or other memory technology, compact disk read only memory (CD-ROM), digital versatile disk (DVD) or other optical storage, Magnetic tape cartridges, magnetic tape storage or other magnetic storage devices or any other non-transportable media can be used to store information that can be accessed by a computing device.
  • computer readable media does not include temporary storage of computer readable media, such as modulated data signals and carrier waves.
  • program modules include routines, programs, objects, components, data structures, and the like that perform particular tasks or implement particular abstract data types. It is also possible to practice the description in a distributed computing environment in which tasks are performed by remote processing devices that are connected through a communication network. In a distributed computing environment, program modules can be located in both local and remote computer storage media including storage devices.

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 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ground truth 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 1 1)(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 Gate Array，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 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)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。
  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1所述的方法，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。
  4. 如权利要求1所述的方法，预训练推荐机器学习模型，具体包括：
    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。
  5. 如权利要求4所述的方法，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。
  6. 如权利要求4所述的方法，所述推荐机器学习模型包括LTR排序学习模型。
  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。
  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7所述的装置，还包括：特征处理模块；
    所述特征处理模块，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。
  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，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。
  11. 如权利要求10所述的装置，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。
  12. 如权利要求10所述的装置，所述推荐机器学习模型包括LTR排序学习模型。
  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。
PCT/CN2019/073924 2018-04-02 2019-01-30 一种支付方式推荐方法、装置及设备 WO2019192261A1 (zh)

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
CN201810284452.5 2018-04-02

Publications (1)

Publication Number Publication Date
WO2019192261A1 true WO2019192261A1 (zh) 2019-10-10

Family

ID=63941121

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/073924 WO2019192261A1 (zh) 2018-04-02 2019-01-30 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)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质
CN111091388A (zh) * 2020-02-18 2020-05-01 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
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
CN111144874A (zh) * 2019-12-20 2020-05-12 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
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
CN111737595A (zh) * 2020-06-24 2020-10-02 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
CN111753275A (zh) * 2020-06-04 2020-10-09 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
CN112712358A (zh) * 2020-12-30 2021-04-27 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
CN113159877A (zh) * 2020-01-22 2021-07-23 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
CN113240430A (zh) * 2021-06-16 2021-08-10 中国银行股份有限公司 移动支付验证方法及装置
CN116611898A (zh) * 2023-07-20 2023-08-18 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
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

Families Citing this family (14)

* 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
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
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
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
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
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106408278A (zh) * 2016-09-08 2017-02-15 北京小度信息科技有限公司 支付方法和装置
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
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
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 (9)

* 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
KR101649146B1 (ko) * 2015-01-15 2016-08-19 주식회사 카카오 검색 방법 및 검색 서버
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
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
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106408278A (zh) * 2016-09-08 2017-02-15 北京小度信息科技有限公司 支付方法和装置
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
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
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

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质
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
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
CN111144874A (zh) * 2019-12-20 2020-05-12 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
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
CN113159877A (zh) * 2020-01-22 2021-07-23 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
CN111091388A (zh) * 2020-02-18 2020-05-01 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
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
CN111753275A (zh) * 2020-06-04 2020-10-09 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
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
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
CN111737595A (zh) * 2020-06-24 2020-10-02 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
CN112712358A (zh) * 2020-12-30 2021-04-27 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
CN113240430A (zh) * 2021-06-16 2021-08-10 中国银行股份有限公司 移动支付验证方法及装置
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
CN116611898A (zh) * 2023-07-20 2023-08-18 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
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

Also Published As

Publication number Publication date
CN114418568A (zh) 2022-04-29
CN108734460A (zh) 2018-11-02
TW201942826A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
WO2019192261A1 (zh) 一种支付方式推荐方法、装置及设备
WO2019174395A1 (zh) 一种信息推荐的方法、装置及设备
WO2019128526A1 (zh) 一种训练风控模型和风控的方法、装置及设备
US10504120B2 (en) Determining a temporary transaction limit
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
CN110309283A (zh) 一种智能问答的答案确定方法及装置
CN112487278A (zh) 推荐模型的训练方法、预测选择概率的方法及装置
US8983930B2 (en) Facet group ranking for search results
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN110033156B (zh) 一种业务活动效果的确定方法及装置
TWI710917B (zh) 資料處理方法及裝置
CN109086961A (zh) 一种信息风险监测方法及装置
CN110955659B (zh) 处理数据表的方法及系统
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
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN108346107A (zh) 一种社交内容风险识别方法、装置以及设备
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
CN110033092B (zh) 数据标签生成、模型训练、事件识别方法和装置
CN107451204A (zh) 一种数据查询方法、装置及设备
CN110134860A (zh) 用户画像生成方法、装置和设备
CN111209277B (zh) 一种数据处理方法、装置、设备及介质
CN111177562B (zh) 一种目标对象的推荐排序处理方法、装置及服务器
US11392851B2 (en) Social network navigation based on content relationships
CN108595498A (zh) 问题反馈方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19781464

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19781464

Country of ref document: EP

Kind code of ref document: A1