CN109242496A - 支付方式的预测方法、装置及计算机可读介质 - Google Patents

支付方式的预测方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN109242496A
CN109242496A CN201811086012.5A CN201811086012A CN109242496A CN 109242496 A CN109242496 A CN 109242496A CN 201811086012 A CN201811086012 A CN 201811086012A CN 109242496 A CN109242496 A CN 109242496A
Authority
CN
China
Prior art keywords
payment
user
characteristic
machine learning
learning model
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
CN201811086012.5A
Other languages
English (en)
Inventor
华玉鹏
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201811086012.5A priority Critical patent/CN109242496A/zh
Publication of CN109242496A publication Critical patent/CN109242496A/zh
Priority to CA3055506A priority patent/CA3055506A1/en
Pending legal-status Critical Current

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
    • G06Q20/38—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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例提供了一种支付方式的预测方法、支付方式的预测装置及计算机可读介质，该支付方式的预测方法包括：响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；将所述与所述支付操作请求相关的特征数据输入预先训练的机器学习模型，得到初始结果；根据所述初始结果确定目标推荐支付方式。本公开实施例的技术方案支付方式的推荐根据用户的自身特征相关，有利于提高了向用户推荐线上支付方式的灵活性。同时，通过基于大数据进行数据挖掘的方式对用户的支付方式进行预测，进而向所述用户提供目标推荐支付方式，提高了向用户推荐线上支付方式的准确性。

Description

支付方式的预测方法、装置及计算机可读介质
技术领域
本公开涉及数据处理技术领域，具体而言，涉及一种的支付方式的预测方法、装置及计算机可读介质。
背景技术
随着人们对生活便利性需求的日益提高，线上支付方式的类型越来越多，例如：指纹支付方式，刷脸支付方式，小额免密支付方式等。因此，当用户选择对支持线上支付的产品进行付款时，多种类型的线上支付方式可向用户推荐，以供用户选择。或者当用户在支付完成之后，会引导用户开启另外的线上支付方式。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
公开内容
本公开实施例的目的在于提供一种支付方式的预测方法、装置及计算机可读介质，进而至少在一定程度上克服利用现有技术提供的方法向用户推荐线上支付方式的灵活性有待提高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面，提供了一种支付方式的预测方法，包括：
响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；
将所述特征数据输入预先训练的机器学习模型，得到初始结果；
根据所述初始结果确定目标推荐支付方式。
在本公开的一些实施例中，所述机器学习模型为分类模型，所述初始结果为分类结果。
在本公开的一些实施例中，所述根据所述初始结果确定目标推荐支付方式，包括：
确定所述支付操作的可选支付方式，根据所述分类结果和所述可选支付方式，确定目标推荐方式。
在本公开的一些实施例中，在将所述特征数据输入预先训练的机器学习模型之前，还包括：
获取样本特征数据，并将所述样本特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型。
在本公开的一些实施例中，在将所述样本特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型之后，还包括：
利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型。
在本公开的一些实施例中，利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型，包括：
在完成至少一次迭代后，确定所述目标模型的测试结果；
在测试结果不满足设定条件时，对所述目标模型继续迭代直至所述目标模型的测试结果满足设定条件。
在本公开的一些实施例中，所述特征数据包括：用户特征数据和支付特征数据；其中，用户特征数据包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据；支付特征数据包括不同支付方式下的历史订单数据和/或不同支付方式的历史使用次数。
在本公开的一些实施例中，所述终端设备特征数据包括终端设备标识，获取样本特征数据，包括：将具有相同终端设备标识的所述用户特征数据和所述支付特征数据建立对应关系，确定所述样本特征数据。
根据本公开实施例的第二方面，提供了一种支付方式的预测装置，包括：
特征数据获取模块，用于响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；
初步结果获得模块，用于将所述特征数据输入预先训练的机器学习模型，得到初始结果；
推荐模块，用于根据所述初始结果确定目标。
根据本公开实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的支付方式的预测方法。
本公开实施例提供的技术方案可以包括以下有益效果：
在本公开的一些实施例所提供的技术方案中，通过响应于用户的支付操作请求获取与所述支付操作请求相关的用户特征数据，并将用户特征数据输入预先训练的机器学习模型，以得到初始结果，进一步根据所述初始结果确定目标推荐支付方式。其中，预先训练的机器学习模型为基于海量的样本特征数据训练获得，根据机器学习模型和用户特征数据对用户支付方式进行预测，从而达到预测的目标推荐支付方式根据用户的自身特征相关的目的，而不是使用固定的人工策略进行支付方式的推荐，从而提高了向用户推荐线上支付方式的灵活性。同时，通过基于大数据进行数据挖掘的方式对用户的支付方式进行预测，提高了向用户推荐线上支付方式的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：
图1示出了根据本公开的一实施例的支付方式的预测方法的流程示意图；
图2示出了根据本公开的另一实施例的支付方式的预测方法的流程示意图；
图3示出了根据本公开的实施例的支付方式的预测装置的结构示意图；
图4示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
现有技术中通过人为设定的固定策略(例如：X天引导用户开启Y验证方式)的方式向用户推荐支付方式，没有考虑用户对支付方式的偏好(例如：用户当前更偏好指纹支付方式，却被推荐开启小额免密支付方式)，也没有考虑到用户的终端设备可能不支持被推荐的支付方式等因素。因此，现有技术提供的方式过于死板，灵活性差。同时，降低了用户体验。
图1示出了根据本公开的一实施例的支付方式的预测方法的流程示意图，至少在一定程度上克服现有技术中的上述问题。参考图1，该方法包括：
步骤S101，响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；
步骤S102，将所述特征数据输入预先训练的机器学习模型，得到初始结果；
步骤S103，根据所述初始结果确定目标推荐支付方式。
在图1所示实施例所提供的技术方案中，通过响应于用户的支付操作请求获取与所述支付操作请求相关的用户特征数据，并将用户特征数据输入预先训练的机器学习模型，以得到初始结果，进一步根据所述初始结果确定目标推荐支付方式。其中，预先训练的机器学习模型为基于海量的样本特征训练，根据机器学习模型和用户特征数据对用户支付方式进行预测并推荐，从而达到目标推荐支付方式根据用户的自身特征相关的目的，而不是使用固定的人工策略进行支付方式的推荐，从而提高了向用户推荐线上支付方式的灵活性。同时，通过基于大数据进行数据挖掘的方式对用户的支付方式进行预测，提高了向用户推荐线上支付方式的准确性。
下面对图1中各个步骤的实施细节进行详细阐述：
在示例性的实施例中，在步骤S101中，响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据。其中，支付操作请求可以是用户通过终端设备发送至支付服务器的关于支付的请求信息；与支付请求相关的特征数据可以是用户特征数据，包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据等。示例性的，响应于用户通过终端设备发送至支付服务器的关于支付的请求信息，获取用户特征数据，包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据等。
在示例性的实施例中，在步骤S102中，将步骤S101获取的特征数据输入预先训练的机器学习模型，得到初始结果。示例性的，所述机器学习模型为分类模型，所述初始结果为分类结果。并在步骤S103中根据所述初始结果确定目标推荐支付方式，用于向用户推送，以供用户选择线上支付方式。
图2示出了根据本公开的另一实施例的支付方式的预测方法的流程示意图。参考图2，本实施例提供的支付方式的预测方法包括步骤S201-步骤S204。
在示例性的实施例中，在步骤S201中，响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；步骤S201与步骤S101的具体实现过程相同，在此不再赘述。
在示例性的实施例中，在步骤S202，获取样本特征数据，并将所述样本特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型。
在示例性的实施例中，所述样本特征数据包括：用户特征数据和支付特征数据；其中，同前所述，用户特征数据包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据；支付特征数据包括不同支付方式下的历史订单数据和/或不同支付方式的历史使用次数。
在示例性的实施例中，获取样本特征数据的方式包括：获取用户的海量的用户使用多种线上支付方式进行交易的数据，进一步对其进行提取上述用户特征数据和支付特征数据以用来确定样本特征数据。其中，所述支付方式的特征数据例如：用户s在过去一年的时间内，通过指纹支付进行了200笔交易以及每笔交易的支付时间、每笔交易涉及支付的金额数目，通过小额免密支付进行了100笔交易以及每笔交易的支付时间、每笔交易涉及支付的金额数目等等；所述用户的特征数据例如：用户s使用的终端设备的机型以及用户s的年龄、性别、居住地以及职位等用户的特征数据等等。
在示例性的实施例中，通过关联提取到的用户特征数据和对应的支付特征数据的方式，生成样本特征数据。具体地，所述支付特征数据包括终端设备标识，将具有相同终端设备标识的所述用户特征数据和所述支付特征数据建立对应关系，从而确定样本特征数据。例如：上述用户s通过终端设备标识为X的设备进行的可上述支付，即通过指纹支付进行了200笔交易以及每笔交易的支付时间、每笔交易涉及支付的金额数目，通过小额免密支付进行了100笔交易以及每笔交易的支付时间、每笔交易涉及支付的金额数目等等；则可以通过终端设备标识X将上述用户s的用户的特征数据(即，年龄、性别、居住地以及职位等)与上述支付特征数据建立对应关系，从而确定样本特征数据。
在示例性的实施例中，上述样本特征数据包括训练样本特征数据和测试样本特征数据。其中训练样本特征数据用于对机器学习模型的迭代，而测试样本特征数据用于对完成至少一次迭代后的机器学习模型(即目标模型)进行测试。
在示例性的实施例中，所述至少一个机器学习模型可以是逻辑回归模型、决策树模型、LGB、XGB、人工神经网络ANN等。
在示例性的实施例中，在步骤S203，利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型，所述分类模型用于根据所述支付操作请求相关的特征数据确定分类结果。
示例性的，在步骤S202中获得目标模型后，通过测试样本特征数据对所述目标模型进行测试，并且使用至少一种训练指标对所述目标模型的测试结果进行验证，并将满足测试指标对应的设定条件的目标模型作为分类模型，用于预测并向用户推荐的支付方式。
在示例性的实施例中，将测试样本特征数据代入完成至少一次迭代的目标模型，确定测试结果的具体实现方式包括：
首先，根据测试样本特征数据以及测试样本特征数据代入每个目标模型后的输出数据得到以下：真阳性TP，真阴性TN，伪阴性FN和伪阳性FP。其中，TP是利用目标模型对测试样本特征数据中正类进行判断后属于仍是正类的数目，TN利用目标模型对测试样本特征数据中负类进行判断后属于仍是负类的数目，FN利用目标模型对测试样本特征数据中负类进行判断后属于是正类的数目，FP利用目标模型对测试样本特征数据中正类进行判断后属于是负类的数目。正类和负类是指人工对训练样本特征数据标注的两种类别，即人工标注某个样本特征数据属于特定的类，则该样本特征数据属于正类，不属于该特定类的样本特征数据则属于负类。
其次，根据真阳性TP，真阴性TN，伪阴性FN和伪阳性FP计算目标模型的测试结果。
在示例性的实施例中，测试指标以准确率、召回率为例进行介绍。具体的：
根据公式一和公式二分别计算准确率p和召回率r；
p＝TP/(TP+FP) 公式一，
r＝TP/(TP+FN) 公式二。
假如对x个目标模型进行测试后得到测试结果为：准确率测试结果p1，p2，…，px，以及召回率测试结果r1，r2，…，rx。
测试指标对应的设定条件为：准确率测试结果大于p’则为满足准确率设定条件，否则不满足准确率设定条件，以及召回率测试结果大于r’则为满足召回率设定条件，否则不满足召回率设定条件。
在示例性的实施例中，在测试结果满足测试指标对应的设定条件的情况下，被测试的目标模型则为分类模型；在测试结果不满足设定条件时，则对被测试的目标模型继续迭代直至所述目标模型的测试结果满足设定条件。
在示例性的实施例中，判断测试结果是否满足测试指标对应的设定条件时，可以是仅以准确率或召回率作为测试指标，即正确率/召回率满足设定条件即可；还可以同时以准确率和召回率同时作为测试指标，即正确率和召回率满足设定条件即可。
需要说明的是，具体的测试方式根据实际需求而制定，不限于以上准确率和/或召回率作为测试指标进行测试。
在示例性的实施例中，测试指标还可以为AUC。具体的：
在示例性的实施例中，利用公式三和公式四确定伪阳性率FPR和真阳性率TPR，
FPR＝FP/(FP+TN) 公式三，
TPR＝TP/(TP+FN) 公式四。
进一步地，以FPR为横坐标，TPR为纵坐标，绘制受试者工作特征曲线(ReceiverOperating Characteristic curve，简称ROC曲线)。其中，ROC曲线是获得的各指标的特征曲线，用于展示各指标之间的关系，并进一步计算出ROC曲线下面积AUC。ROC曲线是获得的各指标的特征曲线，用于展示各指标之间的关系，AUC即ROC曲线下面积，AUC越大，则模型的预测价值越高，进而可通过ACU对目标模型进行测试。并将评价结果为AUC值最大的模型作为分类模型，用于向所述用户推荐目标推荐支付方式。
在示例性的实施例中，分类模型可以将不同的用户的特征数据划分为与不同支付方式对应的n组，例如：与支付方式P1对应的用户特征组q1，与支付方式P2对应的用户特征组q2，…，与支付方式Pn对应的用户特征组qn。进而，向具备的用户特征组qi的用户推荐支付方式Pi。其中，i大于等于1且小于等于n。
在示例性的实施例中，将步骤S201获取的与所述支付操作请求相关的特征数据(例如用户特征数据)输入所述分类模型后，分类模型根据用户特征数据确定分类结果。其中，所述分类结果是一种支付特征数据，示例性的，分类结果是一种与用户特征数据相关的线上支付方式，从而完成对用户的支付方式进行预测，进而根据预测结果向用户提供目标推荐支付方式。
在示例性的实施例中，在步骤S204中，确定所述支付操作的可选支付方式，根据所述分类结果和所述可选支付方式，确定目标推荐方式。
示例性的，可选支付方式包括：指纹支付方式、刷脸支付方式、小额免密支付方式、银联线上支付等线上支付方式。
在示例性的实施例中，根据所述分类结果和所述可选支付方式，确定目标推荐方式，其中，目标推荐方式可以是按照推荐力度由强至弱进行排序的几种支付方式。例如：当用户选择对支持线上支付的产品进行付款时，将通过上述分类模型的预测获得的支付方式的类型为小额免密方式；同时，根据用户历史使用过的支付方式的次数由高到低的次序将其余几种支付方式进行排序，依次为：指纹支付方式，刷脸支付方式、银联线上支付；进而，并将分类结果置于上述排序的前面，得到目标推荐方式：小额免密方式、指纹支付方式，刷脸支付方式、银联线上支付。示例性的，目标推荐方式按照上述排序显示至用户终端，从而按照推荐力度由强至弱的顺序向用户推荐支付方式，以针对性的引导用户使用。或者，根据用户历史使用过的支付方式确定用户未曾使用过的支付方式置于上述分类结果对应的支付方式的后面显示至用户终端，当用户在支付完成之后，将上述目标推荐方式向用户推荐，以引导用户开启另外的线上支付方式。也就是说，本实施例提供了一种通用的支付方式的预测方法，通用于引导用户开启支付方式方面和交易中验证用户使用的支付方式方面。
在图2所示实施例的技术方案中，首先通过训练样本特征数据训练至少一个机器学习模型作为目标模型，并进一步通过测试样本特征数据对目标模型进行测试；当目标模型不符合设定条件时，需通过迭代算法进一步对目标模型进行训练，直至目标模型达到设定条件后获得分类模型，用来对用户的支付方式进行预测，进而向用户提供目标推荐支付方式。从而，提高了预测准确性，使得向用户推荐的支付方式更符合用户的需求，提升了用户体验，同时，有利于引导用户开启更多的支付方式，提高各支付方式的开启率。
以下介绍本公开的装置实施例，可以用于执行本公开上述的支付方式的预测方法。
图3示出了根据本公开的实施例的支付方式的预测装置的结构示意图，参考图3，支付方式的预测装置300，包括：特征数据获取模块301，初步结果获得模块302和确定模块303。
其中，特征数据获取模块301用于响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；初步结果获得模块302用于将所述特征数据输入预先训练的机器学习模型，得到初始结果；确定模块303用于根据所述初始结果确定目标推荐支付方式。
在示例性的实施例中，所述机器学习模型为分类模型，所述初始结果为分类结果。
在示例性的实施例中，确定模块303具体用于确定所述支付操作的可选支付方式，根据所述分类结果和所述可选支付方式，确定目标推荐方式。
在示例性的实施例中，支付方式的预测装置300，还包括：训练模块。
在初步结果获得模块302将所述特征数据输入预先训练的机器学习模型之前，训练模块用于获取样本特征数据，并将所述特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型。
在示例性的实施例中，支付方式的预测装置300，还包括：测试模块。
在训练模块将所述特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型之后，测试模块用于利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型。
在示例性的实施例中，测试模块具体用于在完成至少一次迭代后，确定所述目标模型的测试结果；以及，在测试结果不满足设定条件时，对所述目标模型继续迭代直至所述目标模型的测试结果满足设定条件。
在示例性的实施例中，所述特征数据包括：用户特征数据和支付特征数据；其中，用户特征数据包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据；支付特征数据包括不同支付方式下的历史订单数据和/或不同支付方式的历史使用次数。
在示例性的实施例中，所述终端设备特征数据包括终端设备标识，获取样本特征数据包括：将具有相同终端设备标识的所述用户特征数据和所述支付特征数据建立对应关系，确定所述样本特征数据。
由于本公开的示例实施例的支付方式的预测装置的各个功能模块与上述支付方式的预测方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的支付方式的预测方法的实施例。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的计算机***400的结构示意图。图4示出的电子设备的计算机***400仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，计算机***400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有***操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的***中限定的上述功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的支付方式的预测方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S101，响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；步骤S102，将所述与所述支付操作请求相关的特征数据输入预先训练的机器学习模型，得到初始结果；步骤S103，根据所述初始结果确定目标推荐支付方式。
又如，所述的电子设备可以实现如图2所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种支付方式的预测方法，其特征在于，包括：
响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；
将所述与所述支付操作请求相关的特征数据输入预先训练的机器学习模型，得到初始结果；
根据所述初始结果确定目标推荐支付方式。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型为分类模型，所述初始结果为分类结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述初始结果确定目标推荐支付方式，包括：
确定所述支付操作的可选支付方式，根据所述分类结果和所述可选支付方式，确定目标推荐方式。
4.根据权利要求1所述的方法，其特征在于，在将所述与所述支付操作请求相关的特征数据输入预先训练的机器学习模型之前，还包括：
获取样本特征数据，并将所述样本特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型。
5.根据权利要求4所述的方法，其特征在于，在将所述样本特征数据代入至少一个机器学习模型，并通过迭代算法训练所述至少一个机器学习模型，获得训练后的机器学习模型作为目标模型之后，还包括：
利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型，所述分类模型用于根据所述支付操作请求相关的特征数据确定分类结果。
6.根据权利要求5所述的方法，其特征在于，利用测试指标对至少一个所述目标模型进行测试，根据测试结果确定所述分类模型，包括：
在完成至少一次迭代后，确定所述目标模型的测试结果；
在测试结果不满足设定条件时，对所述目标模型继续迭代直至所述目标模型的测试结果满足设定条件。
7.根据权利要求4至6任一项所述的方法，其特征在于，
所述样本特征数据包括：用户特征数据和支付特征数据；其中，用户特征数据包括用户年龄、用户性别、居住地和用户职业中的至少一种，用户的终端设备特征数据；支付特征数据包括不同支付方式下的历史订单数据和/或不同支付方式的历史使用次数。
8.根据权利要求7所述的方法，其特征在于，所述终端设备特征数据包括终端设备标识，
获取样本特征数据，包括：
将具有相同终端设备标识的所述用户特征数据和所述支付特征数据建立对应关系，确定所述样本特征数据。
9.一种支付方式的预测装置，其特征在于，包括：
特征数据获取模块，用于响应于用户的支付操作请求，获取与所述支付操作请求相关的特征数据；
初步结果获得模块，用于将所述特征数据输入预先训练的机器学习模型，得到初始结果；
确定模块，用于根据所述初始结果确定目标推荐支付方式。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8任一项所述的支付方式的预测方法。
CN201811086012.5A 2018-09-18 2018-09-18 支付方式的预测方法、装置及计算机可读介质 Pending CN109242496A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811086012.5A CN109242496A (zh) 2018-09-18 2018-09-18 支付方式的预测方法、装置及计算机可读介质
CA3055506A CA3055506A1 (en) 2018-09-18 2019-09-16 Payment method prediction method, payment method prediction apparatus, and computer-readable media

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811086012.5A CN109242496A (zh) 2018-09-18 2018-09-18 支付方式的预测方法、装置及计算机可读介质

Publications (1)

Publication Number Publication Date
CN109242496A true CN109242496A (zh) 2019-01-18

Family

ID=65058765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811086012.5A Pending CN109242496A (zh) 2018-09-18 2018-09-18 支付方式的预测方法、装置及计算机可读介质

Country Status (2)

Country Link
CN (1) CN109242496A (zh)
CA (1) CA3055506A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241395A (zh) * 2020-01-07 2020-06-05 支付宝(杭州)信息技术有限公司 认证服务的推荐方法及装置
CN111274560A (zh) * 2020-01-14 2020-06-12 支付宝(杭州)信息技术有限公司 身份认证方式推荐方法、装置及设备
CN111341041A (zh) * 2020-02-25 2020-06-26 支付宝(杭州)信息技术有限公司 一种支付方式确定方法、装置、***及设备
CN112653624A (zh) * 2020-12-24 2021-04-13 北京三快在线科技有限公司 一种路由方法、装置、介质及电子设备
CN113052579A (zh) * 2021-04-23 2021-06-29 深圳市亚飞电子商务有限公司 一种移动支付平台的支付方法及***

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3209888A1 (en) * 2021-04-08 2022-10-13 Harry Joseph Braviner Predicting service-specific attrition events using trained artificial-intelligence processes
US20220327432A1 (en) * 2021-04-09 2022-10-13 The Toronto-Dominion Bank Intervals using trained artificial-intelligence processes
US20220358487A1 (en) * 2021-05-07 2022-11-10 Credit Card Curator, LLC Systems and methods for payment option curation
CN113327133A (zh) * 2021-06-15 2021-08-31 北京百度网讯科技有限公司 数据推荐方法、数据推荐装置、电子设备及可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241395A (zh) * 2020-01-07 2020-06-05 支付宝(杭州)信息技术有限公司 认证服务的推荐方法及装置
CN111274560A (zh) * 2020-01-14 2020-06-12 支付宝(杭州)信息技术有限公司 身份认证方式推荐方法、装置及设备
CN111274560B (zh) * 2020-01-14 2022-11-18 支付宝(杭州)信息技术有限公司 身份认证方式推荐方法、装置及设备
CN111341041A (zh) * 2020-02-25 2020-06-26 支付宝(杭州)信息技术有限公司 一种支付方式确定方法、装置、***及设备
CN112653624A (zh) * 2020-12-24 2021-04-13 北京三快在线科技有限公司 一种路由方法、装置、介质及电子设备
CN113052579A (zh) * 2021-04-23 2021-06-29 深圳市亚飞电子商务有限公司 一种移动支付平台的支付方法及***

Also Published As

Publication number Publication date
CA3055506A1 (en) 2020-03-18

Similar Documents

Publication Publication Date Title
CN109242496A (zh) 支付方式的预测方法、装置及计算机可读介质
CN109919684A (zh) 用于生成信息预测模型的方法、电子设备和计算机可读存储介质
CN109360012A (zh) 广告投放渠道的选择方法及装置、存储介质、电子设备
CN109922032A (zh) 用于确定登录账户的风险的方法和装置
CN109919417A (zh) 金融***的任务分配方法及装置、电子设备、存储介质
CN110111156A (zh) 一种客户流失预警方法、***、介质和电子设备
CN109214585A (zh) 用户消费预测方法、装置、电子设备及存储介质
CN110222220A (zh) 图像处理方法、装置、计算机可读介质及电子设备
CN109711696A (zh) 企业评分方法、装置、介质及电子设备
CN109636242A (zh) 企业评分方法、装置、介质及电子设备
CN109118224A (zh) 区块链网络的工作量证明方法、装置、介质及电子设备
CN109165974A (zh) 一种商品推荐模型训练方法、装置、设备及存储介质
CN108388563A (zh) 信息输出方法和装置
CN109960650A (zh) 基于大数据的应用程序评估方法、装置、介质及电子设备
CN109961191A (zh) 一种优惠券发放方法及装置
CN108898306A (zh) 订单分配方法、装置、介质及电子设备
CN108182472A (zh) 用于生成信息的方法和装置
CN110111150A (zh) 信息处理方法、装置、存储介质和电子设备
CN109460652A (zh) 用于标注图像样本的方法、设备及计算机可读介质
CN109636520A (zh) 订单的处理方法、装置、介质及电子设备
CN107844862A (zh) 订单失效预测方法、装置、介质及电子设备
CN109784352A (zh) 一种评估分类模型的方法和装置
CN111861521A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN110339567A (zh) ***资源配置、场景预测模型训练方法和装置
CN109325744A (zh) 支付处理方法、装置、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