一种支付操作的控制方法和***
技术领域
本说明书实施例涉及交易技术领域,特别涉及一种支付操作的控制方法和***。
背景技术
随着移动支付技术的兴起,越来越多的用户已经习惯使用手机等移动终端进行货币支付,不再随身携带现金、银行卡等。
但是,目前所使用的移动支付技术对于用户而言,都必须依赖于可用的移动终端,一旦移动终端未携带或不可用(例如:设备故障、电量用尽等),便无法进行支付操作。因此,有必要提出一种更便捷、更可靠的支付方案来提高用户的操作体验。
发明内容
本说明书实施例之一提供一种支付操作的控制方法,所述方法包括:获取待识别目标对象处于目标场景中的目标脑波数据;基于所述目标脑波数据以及机器学习模型,判断所述待识别目标对象的身份;并基于判断结果确定是否生成支付操作请求;其中,所述支付操作请求包括与所述待识别目标对象的身份对应的账户信息。
本说明书实施例之一提供一种支付操作的控制***,所述***包括:获取模块,用于获取待识别目标对象处于目标场景中的目标脑波数据;判断模块,用于基于所述目标脑波数据以及机器学习模型,判断所述待识别目标对象的身份;生成模块,用于基于判断结果确定是否生成支付操作请求;其中,所述支付操作请求包括与所述待识别目标对象的身份对应的账户信息。
本说明书实施例之一提供一种支付操作的控制装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上所述的支付操作的控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的应用场景示意图;
图2是根据本说明书一些实施例所示的支付操作的控制方法的示例性流程图;
图3是根据本说明书一些实施例所示的机器学习模型的训练方法的示例性流程图;
图4是根据本说明书一些实施例所示的支付操作的控制***的模块示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
在一些实施例中,可以通过扫码支付、刷脸支付等方式进行线下支付,但是,这些支付方式目前均存在一定的缺陷。例如,就扫码支付而言,扫码支付必须依赖于手机等移动终端,一旦用户手机故障或未带手机,便无法进行支付操作。又例如,就刷脸支付而言,部分用户担心使用刷脸支付后会存在肖像公开或肖像盗用等问题,因此,对刷脸支付功能存在一定的抵触心理。
在一些实施例中,可以使用脑波数据进行身份验证,其原理为:将采集到的脑波数据与数据库中的脑波数据进行比对,然后基于比对结果进行身份识别。但是,本领域技术人员应当知道,人的脑波会随情绪改变等大脑活动的变化而变化,而每个人每时每刻都可能有不同的情绪,换句话说,即每个人每时每刻都可能会产生不同的脑波信号,因此,在数据库不全的情况下,很难基于数据库比对准确地实现身份识别。并且,即使数据库录入了每个人在每种大脑活动下的脑波数据,由于数据处理量极其庞大,其识别过程也会相当漫长。因此,从另一个角度来讲,也很难基于数据库比对来实现身份识别。
本说明书实施例提供一种基于机器学习模型的支付操作的控制方法和***,通过机器学习模型来对用户的脑波数据进行处理,准确地识别出用户身份,并基于该身份完成支付操作,从而在提高身份验证过程的准确性的同时,提高用户的支付体验。
下面结合附图对本说明书实施例所提供的支付操作的控制方法和***进行详细说明。
图1是根据本说明书的一些实施例所示的应用场景示意图。
如图1所示,在一些实施例中,支付操作的控制***100可以包括服务器110、脑波采集设备120、网络130、存储设备140以及至少一个终端150。其中,各个组件之间可以通过网络130互相连接。例如,脑波采集设备120可以通过网络130与服务器110连接或通信,服务器110可以通过网络130与存储设备140连接或通信。
在一些实施例中,脑波采集设备120可以用于采集用户(例如支付操作的执行者)的脑波数据(即脑神经细胞的电生理活动的总体反映),并将该脑波数据反馈至服务器110以进行用户身份验证,进而实现账户登录以及与商品或服务相应的支付操作。在一些实施例中,该脑波采集设备120采集的脑波数据可以通过网络130直接发送至服务器110。可选地,在另一些实施例中,该脑波数据也可以发送至至少一个终端150,然后由至少一个终端150将其发送至服务器110。
在一些实施例中,脑波采集设备120可以是一种头戴式设备,应当理解,在其他实施例中,也可以采用其他类型的脑波采集设备。在一些实施例中,脑波采集设备120还可以包括可视组件,例如VR(Virtual Reality)眼镜等,用于给用户展示商品信息、支付信息等,或指示用户进行相应的大脑活动。
服务器110可以对脑波采集设备120直接发送的,或经由至少一个终端150间接发送的脑波数据进行处理,得到该脑波数据所对应的身份信息以及账户信息,然后再基于该身份信息和账户信息完成后续的支付操作。例如,在得到用户的身份信息和账户信息之后,服务器110还可以进一步判断该账户是否满足支付条件。在一些实施例中,服务器110可以将支付结果(例如:支付成功或支付失败)发送至至少一个终端150。
在一些实施例中,服务器110可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,服务器110可以是本地或远程的。例如,服务器110可以通过网络130从脑波采集设备120、存储设备140和/或至少一个终端150访问信息和/或数据。又例如,服务器110可以直接连接到脑波采集设备120、存储设备140和/或至少一个终端150以访问信息和/或数据。在一些实施例中,服务器110可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
在一些实施例中,至少一个终端150可以与脑波采集设备120、服务器110以及存储设备140中的至少一个进行通信连接。例如,在一些实施例中,脑波采集设备120可以包括可视组件(例如VR(Virtual Reality)眼镜等),至少一个终端150可以根据待付款信息向脑波采集设备120发送指令,使脑波采集设备120通过该可视组件向用户展示相应的场景,然后采集用户在进行该场景所指示的大脑活动时产生的脑波数据。又例如,在一些实施例中,至少一个终端150可以接收脑波采集设备120所采集的用户脑波数据,然后将其发送至服务器110。又例如,在一些实施例中,至少一个终端150还可以接收服务器110处理后得到支付结果信息。
在一些实施例中,至少一个终端150可以包括移动设备150-1、平板计算机150-2、膝上型计算机150-3、台式电脑150-4等或其任意组合。其中,移动设备150-1可以包括移动电话、个人数字助理(PDA)等或其任意组合。在一些实施例中,至少一个终端150可以包括输入设备、输出设备等。输入设备可以包括数字按键和其他操作按键,用于输入与商品或服务相应的待支付信息。输入设备可以选用键盘输入、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、图像输入或任何其他类似的输入机制。通过输入设备接收的输入信息可以通过网络130发送至服务器110和/或脑波采集设备120,以进行进一步操作。其他类型的输入设备可以包括光标控制装置,例如鼠标等。输出设备可以包括显示器、扬声器、打印机等或其任意组合,用于输出待支付信息和/或待支付的商品或服务信息。
存储设备140可以存储数据、指令和/或任何其他信息。例如,在一些实施例中,存储设备140可以存储脑波采集设备120采集的脑波数据。在一些实施例中,存储设备140可以存储预先注册的用户身份信息、账户信息以及与用户身份匹配的历史脑波数据,服务器110可以基于该历史脑波数据以及脑波采集设备120采集的脑波数据对用户的身份进行认证。在一些实施例中,存储设备140可以存储服务器110用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备140可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。在一些实施例中,存储设备140可以在云平台上实现。
在一些实施例中,存储设备140可以连接到网络130以与***100中的至少一个其他组件(例如,服务器110、脑波采集设备120、至少一个终端150)通信。***100中的至少一个组件可以通过网络130访问存储设备140中存储的数据或指令。在一些实施例中,存储设备140可以是服务器110的一部分。
网络130可以包括能够促进***100的信息和/或数据交换的任何合适的网络。在一些实施例中,***100的至少一个组件(例如,服务器110、脑波采集设备120、存储设备140、至少一个终端150)可以通过网络130与***100中至少一个其他组件交换信息和/或数据。例如,服务器110可以通过网络130从脑波采集设备120获得待识别目标对象的脑波数据。服务器110可以通过网络130从存储设备140获得预先配置的数据库或指令。又例如,服务器110可以通过网络130从将支付结果反馈至至少一个终端150。网络130可以或包括公共网络(例如,互联网)、专用网络(例如,局部区域网络(LAN))、有线网络、无线网络(例如,802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。例如,网络130可以包括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络130可以包括至少一个网络接入点。例如,网络130可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,***100的至少一个组件可以通过接入点连接到网络130以交换数据和/或信息。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本说明书本的范围。对于本领域普通技术人员而言,在本说明书内容的指导下,可做出多种变化和修改。可以以各种方式组合本说明书描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,存储设备140可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的支付操作的控制方法的示例性流程图200。该方法可以应用于图1所示的***,参照图2,所述方法包括:
步骤210,获取待识别目标对象处于目标场景中的目标脑波数据。
待识别目标对象可以表示脑波采集设备的采集对象或者需要识别其身份的对象,例如,某一支付操作的待执行者(即待付款人)。目标场景可以表示目标对象处于准备付款时的场景。在一些实施例中,该目标场景可以包括能够对所述待识别目标对象的大脑活动进行引导的预设场景,以使得所述待识别对象的大脑活动处于与付款有关的状态。在一些实施例中,所述预设场景可以包括:给待识别目标对象展示与付款有关的文本信息、语音信息或图片信息中的一种或多种。例如,给待识别目标对象展示“我要付款”的几个字;或者通过语音播放的形式将“我要付款”传递到待识别目标对象的耳朵里,以使待识别目标对象的大脑处于一个集中考虑我要付款状态。在一些实施例中,所述预设场景还可以包括给出一个指令,让待识别目标对象的大脑活动中保持在与付款有关的状态。例如,可以给待识别目标对象发出指令,请使大脑处于付款状态。
目标脑波数据可以表示待识别目标对象处于前述目标场景中时脑波采集设备所采集到的脑波信号。
在一些实施例中,可以通过脑波采集设备采集待识别目标对象处于目标场景中的脑波信号,进而基于该目标对象在目标场景中的脑波信号对其身份进行识别。举例而言,当用户A需要向用户B付款时,用户B可以通过一终端向用户A展示上述预设场景,指示用户A进行该预设场景所对应的大脑活动,例如指示用户默念“我要付款”。然后,通过脑波采集设备采集用户A处于该大脑活动下的脑波信号,即可得到用户A处于目标场景中的目标脑波数据。
在一些实施例中,可以通过人工展示的方式给所述待识别目标对象展示上述一个或多个预设场景。在一些实施例中,也可以通过终端设备来给待识别目标对象展示所述预设场景。具体地,在一些实施例中,还可以通过脑波采集设备的上的显示装置(例如,VR眼镜等)自动地给待识别目标对象展示所述预设场景,并在所述预设场景展示后自动地获取对应的待识别目标对象的脑波数据。在一些实施例中,脑波采集设备可以是一种头戴式设备,应当理解,在其他实施例中,也可以采用其他类型的脑波采集设备。在一些实施例中,脑波采集设备还可以包括显示装置,例如,VR眼镜等,用于给待识别目标对象上述预设场景,以引导所述待识别目标对象,使其大脑活动处于与付款相关的状态。
在一些实施例中,上述目标脑波数据可以包括脑电波传感器采集到的原始数据,该原始数据为时域信号。在一些实施例中,无法对时域信号的脑波原始数据进行直接使用,需要将时域信号转换成对应的频域信号(即脑波原始信号强度的信号值),才可以对其进行使用。在一些实施例中,上述对脑波原始数据从时域信号转化为频域信号的处理可以在脑波采集设备中进行,此时,从脑波采集设备获取到的目标脑波数据为与脑波原始数据对应的频域信号。
在一些实施例中,将时域信号的脑波原始数据转化为对应脑波数据的频域信号的处理过程可以包括对脑波原始数据对应的时域信号进行快速傅里叶变换,从而得到其对应的频域信号。在一些实施例中,还可以对该频域信号进行分段处理,得到一个或多个完整周期内对应的频域信号。
在一些实施例中,对上述频域信号进行分段处理的过程可以包括:首先,基于目标脑波数据确定若干个波段,换句话说,即可以先将目标脑波数据所对应的频域信号划分为若干个波段,其中,任意两个波段的长度可以相同也可以不同。
其次,基于预设偏移量确定第N个波段上向第N+1个波段偏移的偏移波段,该预设偏移量可以是一固定长度,也可以随第N个波段的长度变化而变化,例如,在一些实施例中,该预设偏移量可以是第N个波段的长度的一半,该偏移波段的长度与该预设偏移量对应。在一些实施例中,如果所述预设偏移量为第N个波段的长度的一半,则第N个波段向第N+1个波段偏移的偏移波段可以理解为第N个波段上除去所述偏移量之外的波长对应的波段。例如,第N个波段的预设偏移量为0.2s,第N个波段的长度为0.1s,则所述偏移波段为第N个波段上0.2s~1s对应的波段。
然后,可以基于所述偏移波段、所述预设偏移量以及第N+1个波段,确定偏移后的第N个波段。具体的,基于所述预设偏移量在第N+1个波段上确定对应的部分波段,然后把所述第N个波段上的偏移波段与第N+1个波段上与预设偏移量对应的部分波段进行拼接,得到偏移后的第N个波段。例如,所述偏移波段为第N个波段上0.2s~1s对应的波段,第N+1个波段上对应于0.2s预设偏移量的部分波段为第N+1个波段上0~0.2s对应的波段,那么,将前面的0.2s~1s对应的波段以及0~0.2s对应的波段按照时间先后顺序进行拼接,即为偏移后的第N个波段。其中,所述波段的长度,所述波段移动的长度可以理解为波段对应的时间长度。可以理解的是,所述偏移后的第N个波段与偏移前的第N个波段(即第N个波段)的波长不变。
最后,对偏移后的第N个波段进行处理,确定其对应的脑波频谱信号。依此类推,可以对第N+1个波段根据预设偏移量按照上述类似方式进行偏移,得到偏移后的第N+1个波段。其中,N为大于等于1的整数。
在一些实施例中,还可以对偏移后的第N个波段(或偏移后的第N+1个波段)按照类似方式进行再次(二次或多次)偏移。在一些实施例中,可以将偏移前的若干波段、偏移后的若干波段,以及再次偏移后的若干波段同时处理,并将对应的处理结果作为所述目标脑波数据的处理结果。
在上述偏移方式中,偏移后的第N个波段包括了第N个波段的部分波段以及第N+1个波段的部分波段,对偏移后的第N个波段的信号处理相当于同时且重复考虑了相邻两个波段的信号,减少了信号处理后的失真情况,提高了信号处理的准确度,提高了基于目标脑波数据进行身份匹配识别的准确度。
进一步地,通过上述分段处理得到目标脑波数据包含的各个波段之后,还可以针对每一个波段所对应的频域信号提取功率谱,最后对该功率谱进行Log对数变换,得到Log功率谱,即脑波频谱信号。
需要说明的是,以上分段方法仅为示例性说明,在本说明书中,上述预设偏移量可以根据需求任意设定,其可以是但不限于上述列举数值。例如,在一些实施例中,相邻两个波段的长度可以不同。同理,相邻两个波段之间的重叠部分的长度也可以不同。
此外,还需要说明的是,在本说明书中,上述预处理过程可以由脑波采集设备执行,也可以由服务器执行。具体而言,即在一些实施例中,脑波采集设备可以对采集到的原始信号进行数字信号转换,然后对其进行预处理得到对应的脑波频谱信号;在一些实施例中,则脑波采集设备仅对待识别目标对象进行脑波采集,其采集的脑波信号可以发送至服务器,由服务器进行后续处理得到其对应的脑波频谱信号。
继续参照图2,所述方法还包括:
步骤220,基于所述目标脑波数据以及机器学习模型,判断所述待识别目标对象的身份。
在一些实施例中,获取待识别目标对象的目标脑波数据后,可以至少基于目标脑波数据以及机器学习模型来判断所述待识别目标对象的身份。具体可以包括以下两种情形:一、可以直接通过目标脑波数据以及机器学模型来确定待识别目标对象的身份(具体见步骤222);二、也可以通过脑波采集设备采集到的目标脑波数据、当前购买的商品信息,以及机器学习模型来确定待识目标对象的身份(具体见步骤224及步骤226)。
在一些实施例中,所述机器学习模型可以理解为事先通过所述待识别目标对象的脑波数据及其身份信息对其脑波数据的特征进行训练学习而获得的算法模型。通过事先训练,该模型能够了解所述待识别对象的脑波数据的特点,使得在目标场景下能够对获得的脑波数据进行准确的识别判断。在一些实施例中,所述模型也可以事先训练所述待识别目标对象的购物习惯,以基于购买的商品信息来判断是否符合待识别目标对象的购物习惯,从而进行身份识别。关于机器学习模型的训练过程的更多描述请参见本说明书图3部分,下面将介绍所述机器学习模型的使用过程。
参照图2,在一些实施例中,步骤220可以包括:
步骤222,基于目标脑波数据以及机器学习模型,判断待识别目标对象的身份。
在一些实施例中,可以对服务器配置一机器学习模型,然后,采用包含若干目标对象的脑波数据的训练样本对其进行训练,得到基于脑波采集设备采集到的脑波数据识别出待识别目标对象身份的机器学习模型。
在一些实施例中,服务器获取到待识别目标对象的目标脑波数据后,可以将该目标脑波数据输入机器学习模型进行处理,得到与该目标脑波数据匹配的身份信息以及该身份信息与目标脑波数据的匹配度。
例如,在一些实施例中,将该目标脑波数据输入机器学习模型进行处理,可以得到输出数据:“user1,99.9%”,即表示与该目标脑波数据匹配的身份信息为user1,且匹配度为99.9%。其中,该匹配度可以表示该目标脑波数据属于匹配到的对象的概率,或表示该目标脑波数据与匹配到的对象的脑波的相似度。
进一步地,在得到该匹配度之后,服务器可以根据该匹配度以及预设阈值进行进一步判断:若所述匹配度小于预设阈值,则判断所述身份信息不属于所述待识别目标对象;若该匹配度大于或等于所述预设阈值,则可以判定该身份信息属于待识别目标对象。其中,所述预设阈值可以是一个概率值。在一些实施例中,所述预设阈值可以根据实际需求进行设置。在一些实施例中,为了确保账户安全,避免身份认证出错,可以将该预设阈值设置为98%、99%或99.9%等较大数值。同理,在一些实施例中,在一些要求相对较低的实施例中,该预设阈值也可以设置为50%、60%等较低数值。
继续参照图2,在一些实施例中,步骤220可以包括:
步骤224,获取支付操作对应的商品信息;以及,
步骤226,基于目标脑波数据、商品信息以及机器学习模型,判断待识别目标对象的身份。
在一些实施例中,服务器还可以获取当前支付操作所对应的商品(包括实体商品以及虚拟服务)信息,然后将上述目标脑波数据与当前支付操作所对应的商品信息相结合,然后将待识目标对象的目标脑波数据和当前支付操作所对应的商品信息输入机器学习模型进行综合处理,从而判断出待识别目标对象的身份。在一些实施例中,服务器还可以从与其通信连接的终端(例如自动售货机、收款操作终端等)来获取当前支付操作对应的商品信息。在一些实施例中,将该商品信息输入机器学习模型进行处理之前,服务器还可以对该商品信息进行预处理,得到与所述商品信息对应的特征信息。
具体地,在一些实施例中,将该目标脑波数据和当前支付操作所对应的商品信息输入机器学习模型进行综合处理后可以输出与该目标脑波数据匹配的第一身份信息、该第一身份信息与目标脑波数据的第一匹配度,以及与该商品信息匹配的第二身份信息、该第二身份信息与该商品信息的第二匹配度(该第二匹配度可以反映待识别目标对象当前购买的商品与历史购买习惯的符合程度)。
例如,在一些实施例中,通过机器学习模型对待识别目标对象的目标脑波数据进行处理,可以得到与该目标脑波数据匹配的第一身份信息及其第一匹配度为:“user1,99.9%”(即目标脑波数据与user1的第一匹配度为99.9%)。同时,通过机器学习模型对当前支付操作所对应的商品信息进行处理,可以得到与该商品信息匹配的第二身份信息及其第二匹配度为:“user1,60%”,“user2,20%”(即当前支付操作所对应的商品信息与user1的第二匹配度为60%,与user2的第二匹配度为20%)。
需要说明,上述用于对目标脑波数据进行处理的机器学习模型与用于对当前支付操作所对应的商品信息进行处理的机器学习模型可以是同一个模型,也可以是不同模型。当为同一个模型时,可以将所述目标脑波数据以及所述商品信息同时输入所述机器学习模型,然后由所述机器学习模型输出第一身份信息以及第一匹配度和第二身份信息以及第二匹配度。当为不同的模型时,可以分别将所述目标数据以及所述商品信息输入对应的机器学习模型中,然后两个机器学习模型分别输出第一身份信息以及第一匹配度、第二身份信息以及第二匹配度。
进一步地,根据该第一匹配度和第二匹配度即可判断出待识别目标对象的身份。例如,在一些实施例中,若该第一身份信息对应的第一匹配度中大于第一预设阈值,且该第一身份信息与当前支付操作所对应的商品信息的第二匹配度大于第二预设阈值,则可以将该第一目标身份作为待识别目标对象的身份。
应当理解,为了确保账户安全,该第一预设阈值可以设置为较大数值,例如,99%、99.5%等而该第二预设阈值可以仅作为一附加判断条件,因此,在一些实施例中,该第二预设阈值可以设置为较小数值,例如,60%、80%等。
可替换地,在一些实施例中,还可以根据上述机器学习模型处理得到的第一身份信息、第二身份信息、以及目标脑波信息与第一身份信息的第一匹配度、当前支付操作所对应的商品信息与第二身份信息的第二匹配度进行计算,得到每一个身份信息与目标脑波数据及当前商品信息的综合匹配度,其计算公式可以表示为:Pi=p1i·k1+p2i·k2,其中,Pi为第i个身份信息与目标脑波数据及当前商品信息的综合匹配度,p1i为第i个身份信息与目标脑波数据的第一匹配度,p2i为第i个身份信息与当前商品信息的第二匹配度,k1为第一匹配度所对应的权重系数,k2为第二匹配度所对应的权重系数。举例而言,若k1=0.95,k2=0.05,通过上述机器学习模型处理得到目标脑波数据与第一个目标身份的第一匹配度为p11=99%,当前商品信息与该第一个目标身份的第二匹配度为p21=20%,则可以得到该第一个目标身份与目标脑波数据及当前商品信息的综合匹配度P1=99%×0.95+20%×0.05=95.05%。进一步地,可以将该综合匹配度与第三预设阈值进行比较,若该综合匹配度大于第三预设阈值,则可以判定该第一个目标身份属于待识别目标对象,反之,则不属于待识别目标对象。
需要说明,在本说明书中,上述第一预设阈值、第二预设阈值、第三预设阈值、以及权重系数k1和k2均可以根据实际需求进行设定。其中,在一些实施例中,权重系数k1可以设置为较大数值(例如0.95,0.98,0.99等),权重系数k2可以设置为较小数值(例如0.05,0.02,0.01等)。通过结合待识别目标对象在目标场景中的目标脑波信息以及当前支付操作所对应的商品信息对待识别目标对象的身份进行识别,可以在一定程度提高识别结果的准确性。
继续参照图2,所述方法还包括:
步骤230,基于判断结果确定是否生成支付操作请求。
在一些实施例中,通过上述过程得到待识别目标对象的身份之后,还可以基于该识别结果进一步确定是否生成支付操作请求,该支付操作请求可以包括与待识别目标对象的身份对应的账户信息。例如,在一些实施例中,通过待识别目标对象的目标脑波数据或结合该目标脑波数据和当前商品信息得到待识别目标对象的身份信息之后,可以请求登录到该身份信息所对应的账号中,并根据当前支付操作所涉及的交易信息对该账号进行进一步操作,例如余额查询、扣费等。相反,若通过上述过程得未能得到待识别目标对象的身份,则不生成上述支付操作请求。
在一些实施例中,完成支付操作(即对待识别目标对象的账户完成扣费操作)后,服务器可以通过网络将支付结果(例如支付成功或支付失败)反馈至至少一个终端,从而通过至少一个终端将支付结果展现给用户。
应当注意的是,上述有关支付操作的控制方法的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对上述进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
在一些实施例中,本说明书中所使用的机器学习模型可以根据实际情况进行选择,其可以选用,但不限于线性分类器(如Logistic Regression,LR)、SVM(Support VectorMachine,支持向量机)、K近邻(k-Nearest Neighbor,KNN)、决策树(Decision Tree, DT)、集成模型(Random Forest,RF/ Gradient Boost,GDBT)等。
下面对本说明书中所使用的机器学习模型的训练过程进行简单介绍。
图3是根据本说明书一些实施例所示的机器学习模型的训练方法的示例性流程图300。该方法可以用于模型训练,以得到用于对上述目标脑波数据进行处理,进而识别用户身份的机器学习模型。
参照图3,该训练方法可以包括:
步骤310,获取样本数据,所述样本数据包括若干目标对象在历史场景中的历史脑波数据,以及所述若干目标对象的身份信息。
在一些实施例中,可以预先获取若干用户处于历史场景中的历史脑波数据,以及每一个用户所对应的身份信息,并将其作为训练样本。例如,在一些实施例中,可以在用户开启脑波支付验证功能时采集其处于指示场景(例如:默念“开启脑波支付功能”)中时的脑波数据,然后将该脑波数据与其对应的身份信息(例如,账户ID等)进行结合,即可得到一条训练样本。同理,参照该方法可以得到更多用户所对应的样本数据,此处不再赘述。
在一些实施例中,所述样本数据中的目标对象与所述待识别目标对象可以为同一批用户。具体地,可以目标用户在进行支付验证功能认证时,采集目标用户的脑波数据。并在实际支付操作时,获取待识别目标用户的目标脑波数据,并通过机器学习模型来对所述目标脑波数据进行匹配识别。在一些实施例中,为了提高匹配识别的准确性,可以使用户在支付验证功能认证时的大脑活动与用户在实际付款时的大脑活动尽可能地保持一致,即在一些实施例中,可以使所述历史场景与前述目标场景保持一致。例如,所述历史场景与所述目标场景可以具有相同预设场景。关于预设场景的更多描述可参见本说明书图2部分相关描述。
步骤320,基于所述历史脑波数据确定对应的特征信息,作为输入数据。
在一些实施例中,通过上述步骤310获取到样本数据后,可以对其中包含的历史脑波数据分别进行处理,确定出每一个用户的脑波特征信息,然后将该脑波特征信息或包含该脑波特征信息的脑波数据作为输入数据。
步骤330,基于所述若干目标对象的身份信息确定所述历史脑波数据的标记信息,作为输出数据。
通过上述步骤310获取到样本数据后,还可以提取出其中包含的用户身份信息,并将其作为对应历史脑波数据的标记信息。举例而言,若用户A在开通脑波支付功能时录入的信息包括脑波数据A、身份信息A,则可以将身份信息A作为脑波数据A的标注信息,并将该脑波数据A作为输入数据,将该身份信息A作为脑波数据A对应的输出数据。
步骤340,将所述输入数据及其对应的输出数据输入初始机器学习模型进行训练。
进一步地,在确定上述输入数据和输出数据之后,该输入数据和输出数据输入初始机器学习模型进行训练,直至达到预设的迭代次数或损失函数达到预设阈值时即可完成训练,得到用于对上述目标脑波数据进行处理,进而识别用户身份的机器学习模型。
在一些基于脑波采集设备采集到的脑波数据,以及当前支付操作所对应的商品信息识别出待识别目标对象身份的实施例中,上述样本数据还可以包括与若干用户身份关联的历史购物操作信息。其中,该历史购物操作信息可以从用户账号所对应的购物记录或付款记录中获取,用于反映对应用户的历史购物习惯,例如商品类型、商品价位等。此时,可以将该历史购物操作信息以及上述的历史脑波数据同时作为输入数据,然后将用户身份作为对应的历史脑波数据以及历史购物操作信息的标记信息,并将该标记信息作为关联输入数据所对应的输出数据,最后将该输入数据和输出数据输入初始机器学习模型进行训练,即可得到用于对上述目标脑波数据以及商品信息进行综合处理以识别用户身份的机器学习模型。
图4是根据本说明书一些实施例所示的支付操作的控制***的模块示意图400。
如图4所示,支付操作的控制***可以包括获取模块410、判断模块420以及生成模块430。
在一些实施例中,获取模块410可以用于执行上述步骤210,获取待识别目标对象处于目标场景中的目标脑波数据;判断模块420可以用于执行上述步骤220,基于所述目标脑波数据以及机器学习模型,判断所述待识别目标对象的身份;生成模块430可以用于执行上述步骤230,基于判断结果确定是否生成支付操作请求;其中,所述支付操作请求可以包括与所述待识别目标对象的身份对应的账户信息。
在一些实施例中,判断模块420可以具体用于:基于所述目标脑波数据以及机器学习模型,确定与所述目标脑波数据匹配的身份信息及其匹配度;然后,基于所述匹配度判断所述待识别目标对象的身份。换言之,即在一些实施例中,该判断模块420可以基于待识别目标对象在目标场景中的目标脑波数据确定其身份。
在一些实施例中,判断模块420还可以具体用于:在所述匹配度大于预设阈值时,判断所述身份信息属于所述待识别目标对象;在所述匹配度小于预设阈值时,判断所述身份信息不属于所述待识别目标对象。
在一些实施例中,获取模块410还可以用于:获取所述支付操作对应的商品信息;判断模块420还可以用于:基于所述目标脑波数据、所述商品信息以及机器学习模型,判断所述待识别目标对象的身份。换言之,即在一些实施例中,该判断模块420还可以基于待识别目标对象在目标场景中的目标脑波数据,以及待识别目标对象当前购买的商品信息确定其身份。
在一些实施例中,所述判断模块420还可以具体用于:基于所述目标脑波数据以及机器学习模型,确定与所述目标脑波数据匹配的第一身份信息及其第一匹配度;基于所述商品信息以及机器学习模型,确定与所述商品信息匹配的第二身份信息及其第二匹配度;然后,基于所述第一匹配度以及第二匹配度,判断所述待识别目标对象的身份。
在一些实施例中,该支付操作的控制***还可以包括预处理模块,该预处理模块可以用于:对所述目标脑波数据进行预处理,确定对应的脑波频谱信号;其中,所述预处理包括对所述脑波数据进行分段处理。
在一些实施例中,该预处理模块可以具体用于:基于所述目标脑波数据确定若干个波段;基于预设偏移量确定第N个波段上向第N+1个波段偏移的偏移波段;基于所述偏移波段、所述预设偏移量以及第N+1个波段,确定偏移后的第N个波段;然后,对所述偏移后的第N个波段进行处理。
在一些实施例中,该支付操作的控制***还可以包括训练模块,该训练模块可以用于:获取样本数据,所述样本数据包括若干目标对象在历史场景中的历史脑波数据,以及所述若干目标对象的身份信息;所述历史脑波数据与所述目标对象的身份关联;基于所述历史脑波数据确定对应的特征信息,作为输入数据;基于所述若干目标对象的身份信息确定所述历史脑波数据的标记信息,作为输出数据;然后,将所述输入数据及其对应的输出数据输入初始机器学习模型进行训练。换言之,即该训练模块可以通过若干目标对象在历史场景中的历史脑波数据,以及其对应的身份信息对初始机器学习模型进行训练,得到用于对上述目标脑波数据进行处理以识别用户身份的机器学习模型。
在一些实施例中,所述样本数据还可以包括所述若干目标对象的历史购物操作信息,所述训练模块还可以用于:基于所述目标对象的历史购物操作信息确定对应的目标对象的历史脑波数据的标记信息。换言之,即该训练模块可以通过若干目标对象在历史场景中的历史脑波数据,若干目标对象的历史购物操作信息,以及与该历史脑波数据和历史购物操作信息对应的身份信息对初始机器学习模型进行训练,得到用于对上述目标脑波数据以及商品信息进行综合处理以识别用户身份的机器学习模型。
由于关于上述各个模块的更多功能和细节可以在本说明书的其他地方找到(例如,支付操作的控制方法流程图及其相关论述、机器学习模型的训练方法流程图及其相关论述),因此,此处不再进行赘述。
应当理解,图4所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于图4所示的***及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,在一些实施例中,图4中披露的获取模块410、判断模块420可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。又例如,该***还可以包括通信模块,用来与其他部件通信。该***中各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过待识别目标对象处于目标场景中的目标脑波数据对其进行身份识别,并基于识别结果进行支付操作,可以在不依赖移动终端的情况下完成支付,从而提高用户的支付体验;(2)通过去除移动终端在支付过程中的使用,可以提高移动支付在更多场景中的适用性,并且可以避免终端丢失造成的资金被盗等问题;(3)通过机器学习模型对待识别目标对象处于目标场景中的目标脑波数据进行处理以识别其身份,可以提高身份识别结果的准确性;(4)通过对目标脑波数据进行分段处理,并使得相邻两个波段之间存在重叠部分,可以进一步提高后续过程中基于该目标脑波数据进行身份识别的准确性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。