CN111652626B - 一种业务实现的方法和装置 - Google Patents
一种业务实现的方法和装置 Download PDFInfo
- Publication number
- CN111652626B CN111652626B CN202010561375.0A CN202010561375A CN111652626B CN 111652626 B CN111652626 B CN 111652626B CN 202010561375 A CN202010561375 A CN 202010561375A CN 111652626 B CN111652626 B CN 111652626B
- Authority
- CN
- China
- Prior art keywords
- user
- account
- user account
- determining
- probability
- 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.)
- Active
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
- G06Q20/38—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
说明书披露一种业务实现的方法和装置。一种业务实现的方法,包括:根据用户上传的生物特征确定所述用户的身份;查找与所述身份绑定的若干用户账号;确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;基于所述优先级将所述用户账号推送给用户;响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。本申请所述方法可以查找到用户本人使用概率较高的用户账号,提高用户使用体验。
Description
技术领域
本说明书涉及互联网技术领域,尤其涉及一种业务实现的方法和装置。
背景技术
随着技术的发展,用户可使用用户账号在网络上实现各种各样的业务操作,例如支付业务、购物业务、约车业务等。同一个用户可注册多个用户账号,在用户执行业务操作时,如何准确确定用户想要使用的用户账号,已成为业内关注的重点。
发明内容
有鉴于此,本说明书提供一种业务实现的方法和装置。
具体地,本说明书是通过如下技术方案实现的:
一种业务实现的方法,包括:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
一种业务实现的装置,包括:
用户身份确定单元,根据用户上传的生物特征确定所述用户的身份;
账号查找单元,查找与所述身份绑定的若干用户账号;
优先级确定单元,确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
账号推送单元,基于所述优先级将所述用户账号推送给用户;
业务执行单元,响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
一种业务实现的装置,包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与业务实现逻辑对应的机器可执行指令,所述处理器被促使:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
本说明书一个实施例实现了,服务端可以根据用户上传的生物特征确定用户的身份,查找到与所述身份绑定的若干个用户账号,然后根据各个账号被用户本人使用的概率分析出各个用户账号的优先级,并基于优先级将用户账号推送给用户。用户可从推送的用户账号中指定一个用户账号来发业务请求,服务端接收到所述业务请求后可以基于指定的用户账号执行相关业务操作。
本实施例可以从用户身份对应的用户账号中确定出用户本人使用概率较高的账号,并且按照优先级将各用户账号推送给用户,提高了用户的使用体验,也避免了服务端使用不符合用户期望的账号进行业务操作带来的问题。
附图说明
图1是本说明书一示例性实施例示出的一种业务实现的方法的流程示意图;
图2是本说明书一示例性实施例示出的另一种业务实现的方法的流程示意图;
图3是本说明书一示例性实施例示出的一种用于业务实现的装置的一结构示意图;
图4是本说明书一示例性实施例示出的一种业务实现的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在当下,用户可以使用用户账号在网络上实现各种各样的业务操作,例如支付业务、购物业务、约车业务等等。以支付业务为例,随着技术的发展,用户可以通过“刷脸”等方式来完成支付。比如,用户发起“刷脸支付”后,服务端可以获取到用户的人脸图像信息,然后根据人脸图像信息查找到对应的用户账号以完成支付。
然而,由于同一个用户可以注册多个用户账号,那么服务端基于用户的人脸图像信息很可能会查找到多个匹配的用户账号,需要从中确定出用户想要用于支付的账号。
基于此,本说明书提供了一种业务实现的方法,可以准确地确定出用户期望进行业务操作的账号,提高用户体验。
下面对本说明书提供的一种业务实现的方法进行详细说明。
图1是本说明书一示例性实施例示出的一种业务实现的方法的流程示意图。
所述业务实现的方法可以应用于服务端,例如服务器或服务器集群等,本说明书对此不作特殊限制。
请使用图1,所述业务实现的方法可以包括以下步骤:
步骤102,根据用户上传的生物特征确定所述用户的身份。
本实施例中,用户在进行业务操作时,可以通过终端设备上传自身的生物特征。其中,所述生物特征可以为人脸、虹膜、指纹、笔迹、声音等等。
所述终端设备可以为用户的手机、平板电脑,也可以为业务提供方部署的业务终端,比如收银终端、取票终端等。
所述终端设备具有生物特征采集功能。比如,所述终端设备配置有生物特征采集模块,或所述终端设备连接有生物特征采集装置等。
本实施例中,服务端可以存储有用户的生物特征和用户身份的对应关系。当服务端接收到终端设备上传的用户生物特征后,可以查找所述对应关系以确定用户的身份。用户的身份可以包括用户的姓名、手机号码、身份证号码等身份标识,本说明书对此不作特殊限制。
在其它实施例中,服务端可将接收到的用户生物特征发送给第三方身份识别机构,例如公安网等,由第三方身份识别机构查找所述生物特征对应的用户身份并返回。
在一个例子中,用户可以仅上传一种生物特征,那么可以仅根据这一种生物特征确定用户的身份。
在另一个例子中,用户也可以上传多种生物特征,那么可以根据多种生物特征综合地确定用户的身份。
步骤104,查找与所述身份绑定的若干用户账号。
本实施例中,由于一个用户身份可以注册多个用户账号,并且这些注册得到的用户账号都可以和用户身份绑定。那么服务端在步骤102中确定了用户身份后,就可以基于所述身份查找到绑定的若干个用户账号。
步骤106,确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关。
本实施例中,可以分析查找到的各个用户账号是否为用户本人使用,并确定各个用户账号的优先级。其中,优先级越高,代表用户账号被本人使用的概率越高;优先级越低,代表用户账号被本人使用的概率越低。
本实施例中,可以通过多种方法确定各用户账号的优先级,下面举几个例子进行说明:
在一个例子中,可以分析各个用户账号的登录信息,比如登录时的设备标识、使用的IP地址、登录的地理区域等等,以确定各账号的优先级。
比如,若发现一些账号登录信息基本一致,说明这些账号很可能是被同一个人(用户本人)使用的,相应的就可以将这些账号的优先级确定为:高优先级。反之,若存在一些账号的登录信息与其它账号的登信息明显不同,说明这些账号很可能不是被用户本人使用的,那么可以为这些账号的优先级确定为:低优先级。
在另一个例子中,可以分析各个用户账号的生物特征调用历史,将各个用户账号最常调用的生物特征与当前获取到的生物特征进行匹配,以确定各个账号的优先级。
比如,生物特征为指纹,假设用户需要通过指纹识别来取火车票。那么服务端获取到用户输入的指纹信息后,查找到匹配的两个用户账号,然后可以分析出这两个用户账号各自的指纹调用历史,发现其中一个账号历史调用该指纹信息的频率较高,那么可为该账号确定较高的优先级;而另一个账号历史调用该指纹信息的频率最低,那么可为该账号确定较低的优先级。
当然,在实际情况下,也可以通过其它方法来确定用户账号的优先级,或者也可以结合多种方法来确定用户账号的优先级,本说明书对此不作特殊限制。
步骤108,基于所述优先级将所述用户账号推送给用户。
本实施例中,确定各用户账号的优先级后,可以按照优先级从高到低对各用户账号进行排序,并将排序结果推送给用户。
在一个例子中,可以将排序结果中的所有用户账号都推送给用户,以供用户从中选择出本次业务操作需要使用的用户账号。
在另一个例子中,也可以仅将排序结果中靠前的N个用户账号推送给用户,用户在这个N个账号中选择出本次业务操作需要使用的用户账号。其中,N的数值可以人为设置,并且N小于查找到的用户账号的数量,本说明书对此不作特殊限制。
本例中,一方面,由于同一个用户可以使用自己的身份注册多个账号,在一些情况下用户很可能不记得自己曾经注册了哪些账号,相应的这部分账号的使用率也会比较低,那么通过仅展示排序结果靠前的N个账号,可以避免将这些账号展示给用户,聚焦展示用户经常使用的账号,提升用户体验。另一方面,一些非法分子可能会盗用用户的身份来注册账号,若将这些非法注册的账号也推送给用户,会让用户产生不安全感,影响用户体验,仅展示排序靠前的N个用户账号也可以避免这一问题。
本实施例中,服务端将用户账号推送给用户后,终端设备可在可视化界面上展示这些用户账号。
比如,若用户使用自己的手机、平板电脑等进行业务操作,那么服务端为各用户账号按照优先级排序后,可以将排序结果下发给用户的手机、平板电脑等,然后可以在手机、平板电脑上展示用户账号。展示的内容可以包括用户账号ID、账号头像。当然,展示内容也可以包括账号最近一次登录时间、账号最近一次交易时间等其它信息,本说明书对此不作特殊限制。
步骤110,响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
本实施例中,用户接收到服务端向其推送的用户账号后,可以从中指定一个用户账号以执行本次业务操作。服务端接收到用户指定的用户账号后,可以使用所述指定的用户账号执行相应的业务操作。
由以上描述可以看出,在本说明书的一个实施例中,服务端可以根据用户上传的生物特征确定用户的身份,查找到与所述身份绑定的若干个用户账号,然后根据各个账号被用户本人使用的概率分析出各个用户账号的优先级,并基于优先级将用户账号推送给用户。用户可从推送的用户账号中指定一个用户账号来发业务请求,服务端接收到所述业务请求后可以基于指定的用户账号执行相关业务操作。
本实施例实现了,可以分析出各个用户账号被用户本人使用的概率并确定账号的优先级,然后将根据账号的优先级来向用户推送账号,这样用户就能够从这些账号中快速、准确地选择出所需的账号,提高了用户的使用体验,也避免了服务端使用不符合用户期望的账号进行业务操作带来的问题。
下面以业务操作为“刷脸支付”为例,对本说明书提供的业务实现的方法进行说明。
图2是本说明书一示例性实施例示出的另一种业务实现的方法的流程示意图。所述业务实现的方法可以应用于服务端。
请参见图2,所述业务实现的方法可以包括以下步骤:
步骤202,根据用户上传的人脸图像确定所述用户的身份。
本步骤中,用户可以在商家提供的收银终端上选择“刷脸支付”,收银终端上的摄像头可以采集用户的人脸图像。其中,为了避免用户使用照片、视频等虚假的人脸信息进行刷脸支付,还可以采取活体检测等手段。比如,可以提示用户“眨眨眼”、“向左转头”等。
收银终端采集到人脸图像后会将所述人脸图像发送给服务端,服务端对所述人脸图像进行识别,确定所述用户的身份。人脸识别的技术请参照相关技术,本说明书对此不作特殊限制。
步骤204,查找与所述身份绑定的若干用户账号。
步骤206,针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率。
本实施例中,可以从交易维度、登录维度、生物特征调用维度来确定各用户账号被本人使用的使用概率。下面分别对上述三个维度下使用概率的确定方法进行详细说明:
一、交易维度
在交易维度下,可以通过两种方法计算使用效率,分别为行为挖掘模型法和TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文件频率)法。
(1)行为挖掘模型法
本方法中,可以针对步骤204中查找到的每个用户账号,获取所述用户账号的历史交易信息。比如,可以获取所述用户账号所有的历史交易信息,也可以获取所述用户账号在最近一段时间内的历史交易信息,例如最近一年内的历史交易信息。
其中,历史交易信息可以包括:交易时间、交易地点、交易金额、购买的商品名称、扣款方式等等。比如,用户账号的历史交易信息可以为下面的形式:
历史交易1={1月1日,北京,1000,游戏币,花呗支付};
历史交易2={5月13日,上海,50,电话卡充值,银行卡支付};
历史交易3={8月19日,上海,300,衣服,钱包余额支付}。
本实施例中,可以将每条历史交易信息和账号的用户身份信息均转换为对应的向量,例如,采用word2vec等算法进行向量转换。然后,可将每条交易向量和身份信息向量作为一组输入,输入到行为挖掘模型中。其中,身份信息可以包括用户的姓名、年龄、性别等。
行为挖掘模型可以对输入的身份信息向量和交易向量进行预测,并输出对应的子概率。比如,仍旧以上述三条历史交易为例进行说明,行为挖掘模型可以输入如下的结果:
历史交易1对应的子概率:0.3;
历史交易2对应的子概率:0.8;
历史交易3对应的子概率:0.7;
本实施例中,可以综合行为挖掘模型输出的各个历史交易对应的子概率,确定所述用户账号的使用概率。
比如,可以将各个子概率相加,将相加后得到的值作为使用概率。即使用概率为:0.3+0.8+0.7=1.8。
再比如,可以对各个子概率求平均,将平均值作为使用概率。即使用概率为:(0.3+0.8+0.7)/3=0.6。
当然,也可以采取其它方法确定使用概率,本说明书对此不作特殊限制。
本实施例中,所述行为挖掘模型可以是二分类模型。
所述行为挖掘模型可以是预先训练得到的。模型的训练集可以是数据库中各用户账号的身份信息向量和交易向量,训练样本中包括一个用户账号的身份信息向量信息和一条交易向量,样本标签可以是“账号是本人使用”和“账号不是本人使用”。
(2)TF-IDF法
本方法中,同样可以获取各用户账号的历史交易信息,将所述历史交易信息输入到TF-IDF模型中,以确定各用户账号的高频交易对象,所述高频交易对象可以为用户购买的商品名称、商品类别等。
TF-IDF模型可以分析出一些商品名称或商品类别在某个用户账号的历史交易记录中出现的频率,并且将该频率与所述商品名称、类别在所有用户账号的历史交易记录中出现的频率进行对比,若发现前者的频率明显大于后者的频率,说明这些商品名称、类别是该用户账号的高频交易对象。
本实施例中,由于用户很可能通过“刷脸支付”购买各种类型的商品,若针对每个商品名称都判断其是否为高频交易对象,显然会导致计算量过大、计算效率低。那么可以预先指定一些具有代表性的商品名称或商品类别,然后采用TF-IDF模型判断这些指定的商品名称、商品类别是否为各个用户账号的高频交易对象。这样既可以提高计算效率,也能提高计算的准确度。
比如,假设指定的商品名称为“游戏币”和“衬衫”,那么TF-IDF模型可以输出如下的结果:
游戏币,TF*IDF分值:0.50*4=2.00。
衬衫,TF*IDF分值:0.03*2=0.06。
可以判断各商品名称对应的分值是否超过预设的阈值,若超过,则将商品名称确定为高频交易对象。
比如,预设的阈值为1.00,那么上述“游戏币”的分值超过了1.00,为该用户账号的高频交易对象;而“衬衫”的分值低于1.00,不为该用户账号的高频交易对象。
采用上述的方法,可以确定步骤204中查找到的各个用户账号的高频交易对象。可以基于步骤202中确定的用户的身份信息和所述高频交易对象,确定各个用户账号的使用概率。
比如,可以通过人为经验创建一些规则,然后根据这些规则确定各个用户账号的使用概率。
举例来说,假设用户账号的身份信息为60岁,男性。该用户账号的高频交易对象为xx平台的游戏币。那么从经验上来分析,年纪较大的用户一般不会产生和游戏币相关的大量交易,说明这个账号很可能不是用户本人在使用的。那么相应的可以据此创建规则为:若用户的年龄大于50岁,且高频交易对象中包括网络游戏的商品,则确定账号为本人使用的概率较低。
当然,上述例子仅仅是示意性的说明,实际情况下可能会产生更复杂的状况,比如用户的高频交易商品可以为多个,比如也可以结合除年龄外的其它身份信息进行分析。可根据不同的情况制定不同的规则,并计算各个规则下的子概率,然后综合各个子概率确定用户账号的使用概率。本说明书在此不再一一说明。
二、登录维度
在登录维度下,可以获取步骤204中查找到的各用户账号的登录信息,比如登录时的设备标识、使用的IP地址、登录的地理区域等等。通过对登录信息进行分析,可以确定各用户账号的使用概率。
比如,假设查找到四个用户账号,其各自的登录信息可使用下表1:
账号 | IP地址 | 登录地点 |
账号1 | 180.149.130.16 | 北京 |
账号2 | 180.149.130.16 | 北京 |
账号3 | 114.80.68.233 | 上海 |
账号4 | 180.149.130.18 | 北京 |
表1
根据表1的内容可知,账号1和账号2登录时的IP地址、登录地点均相同,那么账号1和账号2很可能是被同一用户(用户本人)使用的。而账号3和账号4无论是IP地址,还是登录地点,均与账号1和账号2不同,那么账号3和账号4很可能并非是用户本人使用的账号。
本方法中,同样可以通过预设的一些规则确定各用户账号的使用概率。
比如,首先针对IP地址这一列,180.149.130.16这一IP地址出现了两次,而114.80.68.233和180.149.130.18这两个IP地址各出现了一次。那么可以通过下面的方法计算得到这三个IP地址的子概率分值:
180.149.130.16的子概率分值为:(1+1)/4=0.5;
114.80.68.233的子概率分值为:1/4=0.25;
180.149.130.18的子概率分值为:1/4=0.25。
然后针对登录地点这一列,同样可以按照上述方法,计算得到各个地点对应的子概率分值:
北京的子概率分值为:(1+1+1)/4=0.75;
上海的子概率分值为:1/4=0.25。
那么可以将各个用户账号的IP地址子概率分值和登录地点子概率分值相加,将相加后得到的值确定为各用户账号的使用概率。可以参见下表2:
账号 | IP地址子概率分值 | 登录地点子概率分值 | 相加 |
账号1 | 0.5 | 0.75 | 1.25 |
账号2 | 0.5 | 0.75 | 1.25 |
账号3 | 0.25 | 0.25 | 0.5 |
账号4 | 0.25 | 0.75 | 1.0 |
表2
当然,在实际情况下,也可以采取其它的方法确定各用户账号的使用概率,比如可以为IP地址的子概率分值和登录地点的子概率分值赋予不同的权重,基于权重进行相加。再比如也可以分析其他的登录信息,本说明书对此不作特殊限制。
三、生物特征调用维度
在生物特征调用维度下,可以获取步骤204中查找到的各用户账号的生物特征调用历史,比如历史刷脸记录。通过对生物特征调用历史进行分析,可以确定各用户账号的使用概率。
由于用户选择“刷脸支付”时,必须使用账号注册时通过实名认证的人脸图像进行“刷脸”,若使用其他人的人脸图像进行“刷脸”,会导致刷脸失败,无法进行支付。也就是说,假设张三把他的一个账号给了张三母亲使用,张三母亲在使用这个账号时,无法通过张三母亲的人脸来进行“刷脸支付”,那么这个账号的历史刷脸记录就会比较少。类似的,对于一些恶意注册的账号,这些账号的历史刷脸记录也会比较少。
基于此,本方法中,可以获取各个用户账号的历史刷脸记录,比如可以获取各个用户账号在预设时间段内的历史刷脸次数,预设的时间段可以人为指定,比如最近一年、最近半年等等。
在一个例子中,可以预先设置刷脸次数的范围,并且为每个范围指定对应的使用概率。那么可以判断各个账号的刷脸次数落入哪个范围,从而得到各个账号的使用概率。
举例来说,预设的刷脸次数范围和对应的使用概率如下:
刷脸次数≤10次,使用概率为0.1;
10次<刷脸次数<100次,使用概率为0.5;
刷脸次数>100次,使用概率为0.9。
假设步骤204中确定出三个用户账号,各个账号在最近一年内的历史刷脸次数如下:
账号1:120次;
账号2:18次;
账号3:5次。
那么可以分析得到,账号1的刷脸次数>100次,使用概率为0.9。账号2的刷脸次数>10次且<100次,使用概率为0.5。账号3的刷脸次数<10次,使用概率为0.1。
当然,在其他例子中,也可以采取其它的方式确定各用户账号的使用概率,本说明书对此不作特殊限制。
步骤208,按照各个维度下的使用概率生成对应用户账号的表征向量。
本实施例中,针对每个用户账号,可以按照各个维度下的使用概率生成表征向量。为了便于理解,表征向量可以是下面的形式:
表征向量={交易维度下的使用概率,登录维度下的使用概率,生物特征调用维度下的使用概率}。
例如,假设步骤202中确定的用户身份为用户A,根据用户A的身份可以查找到绑定的三个账号,分别为账号a1、账号a2、账号a3。可以对这三个账号按照上述三个维度进行分析,获取这三个账号在各个维度下的相关数据,然后计算得到对应维度下的使用概率,并且得到各个用户账号的表征向量,假设得到的表征向量为:
账号a1的表征向量:a1’={0.56,0.68,0.44};
账号a2的表征向量:a2’={0.23,0.83,0.61};
账号a3的表征向量:a3’={0.77,0.26,0.49}。
本实施例中,生成表征向量的方法可以是对各个维度下的使用概率进行拼接,得到表征向量。当然也可以为其它方法,本说明书对此不作特殊限制。
步骤210,获取目标类别下参考账号的表征向量。
首先对本步骤中涉及的“样本账号”、“参考账号”、“参考白账户”、“参考黑账号”的含义进行简单说明:
(1)样本账号:可以是已注册的用户账号,用来作为分析样本,以得到参考账号。
(2)参考账号:从样本账号中选择出来的账号,其作用是:将步骤204中确定出的若干个用户账号和参考账号进行比较,以确定各用户账号的优先级。
参考账号可包括两个类别:正向类别和负向类别。其中,正向类别的参考账号可称为参考白账号,参考白账号代表着账号是用户本人使用的使用概率较高的账号;负向类别的参考账号可称为参考黑账号,参考黑账号代表着账号是用户本人使用的使用概率较低的账号。
下面对本实施例中目标类别下的参考账号的确定过程进行说明:
本实施例中,可以预先确定一些样本账号,针对这些样本账号,按照登录维度、生物特征调用维度、交易维度三个维度进行分析,得到各个维度下的使用概率值,然后将其转换为样本账号的表征向量。其中,确定各个维度下的使用概率可参照前述实施例中的步骤206,本说明书在此不再赘述。
其中,样本账号可以为已注册的所有用户的用户账号,也可以为指定用户的用户账号。
比如,指定用户可以为用户A、用户B、用户C,其中用户A拥有三个用户账号,分别为样本账号a1、样本账号a2、样本账号a3;用户B拥有两个用户账号,分别为样本账号b1、样本账号b2;用户C拥有一个账号,为样本账号c1。这六个样本账号在上述三个维度下的使用概率可参见下表3:
表3
那么可以将上述信息转换为下面的表征向量:
样本账号a1的表征向量:a1’={0.55,0.68,0.44};
样本账号a2的表征向量:a2’={0.26,0.78,0.63};
样本账号a3的表征向量:a3’={0.74,0.26,0.48};
样本账号b1的表征向量:b1’={0.57,0.33,0.20};
样本账号b2的表征向量:b2’={0.89,0.97,0.68};
样本账号c1的表征向量:c1’={0.88,0.96,0.87}。
本实施例中,可以根据上述表征向量得到如下的矩阵:
当然,在其它实施例中,上述矩阵中也可以包含其它数据。例如,针对各个维度,每个维度下的向量可以有多个元素,可以将这多个元素拼接得到表征向量。比如,前述步骤206中提到,可以采用行为挖掘模型和TF-IDF两种方法得到用户账号在历史交易维度下的使用概率,那么可以把基于行为挖掘模型得到的使用概率、基于TF-IDF法得到的使用概率进行拼接,将这两个使用概率都记入表征向量,然后将各个用户账号的表征向量记入矩阵。
确定了上述矩阵后,可以采用TOPSIS(Technique for Order Preference bySimilarity to an Ideal Solution,逼近理想解排序法)对上述六个向量进行排序。
对于本实施例而言,各个维度下的使用概率值越高,说明用户账号被用户本人使用的可能性越高,即概率值越高评价越好,排序结果越靠前。当然,在其它实施例中,也可能存在一些维度下的使用概率越低,用户账号被用户本人使用的可能性越高,即概率值越低评价越好,排序结果越靠前。那么可根据不同的情况采取不同的规则进行排序,具体方法可参照相关技术中TOPSIS排序方法,本说明书在此不再一一说明。
本实施例中,假设采用TOPSIS法对上述六个用户账号进行排序后,得到下表4的排序结果(表4中的排序结果仅仅是示例性的说明,并不一定代表真实的排序结果):
账号/概率 | 登录信息维度 | 生物特征调用维度 | 历史交易维度 |
账号c1 | 0.88 | 0.96 | 0.87 |
账号b2 | 0.89 | 0.97 | 0.68 |
账号a2 | 0.26 | 0.78 | 0.63 |
账号a3 | 0.74 | 0.26 | 0.48 |
账号a1 | 0.55 | 0.68 | 0.44 |
账号b1 | 0.57 | 0.33 | 0.20 |
表4
其中,账号c1的排序最为靠前,说明账号c1是本人使用的概率最高;账号b1的排序最为靠后,说明账号b1是本人使用的概率最低。基于此,本实施例中可以将排序最为靠前的账号c1作为参考白账号,将排序最为靠后的账号b1作为参考黑账号。
值得说明的是,由于用户账号相关的登录信息、生物特征调用历史、历史交易信息等都是在不断地更新、不断地变化的,那么每次对数据库内用户账号进行排序,得到的排序结果也很可能是不一样的。基于此,本实施例中的参考白账号、参考黑账号也不是固定不变的,而是可以随着每次计算各样本账号的排序结果而不断地更新的。
本实施例中,可以固定更新周期对样本账号进行排序,以确定参考白账号和参考黑账号,比如更新周期可以为10天、30天等。
当然,也可以不按照固定更新周期对样本账号进行排序。比如,可以在用户每次发起“刷脸支付”后,对样本账号进行排序,以确定参考白账号和参考黑账号,本说明书对此不作特殊限制。
步骤212,计算各用户账号的表征向量和所述参考账号的表征向量之间的相似度,并基于所述相似度确定各用户账号的优先级。
在一个例子中,可以从正向类别出发,确定各用户账号和参考白账号的相似度,然后基于所述白相似度确定各用户账号的优先级。
本例中,可以计算各个用户账号的表征向量和参考白账号的表征向量之间的距离,将所述距离确定为白相似度。比如,可以通过余弦公式计算两个向量之间的距离:
比如,对于向量a(x11,x12,x13,…,x1n)和向量b(x21,x22,x23,…,x2n),可以通过下面的余弦公式计算距离:
当然,也可以采用其它的方法计算向量之间的距离,比如欧式距离、曼哈顿距离、切比雪夫距离等等,本说明书对此不作特殊限制。
本例中,可以根据计算得到的白相似度对各个用户账号进行排序,然后基于相似度排序确定各用户账号的优先级。
比如,可以直接将各个用户账号按照白相似度从高到低进行排序,然后将排序结果中靠前的账号确定为优先级较高的账号,将排序结果中靠后的账号确定为优先级较低的账号,以此按照顺序确定各个用户账号的优先级。
再比如,还可以先对白相似度进行归一化处理,将归一化处理后的结果作为各用户账号的优先级分值,然后按照优先级分值对各个用户账号进行排序。
例如,假设账号a1的表征向量a1’与参考白账号的表征向量c1的白相似度为0.58;
账号a2的表征向量a2’与样本白账号的表征向量c1的白相似度为0.88;
账号a3的表征向量a3’与样本白账号的表征向量c1的白相似度为0.63。
那么可以对上述各个白相似度进行归一化处理,得到优先级分值:
账号a1的优先级分值:0.58/(0.58+0.88+0.63)=0.277;
账号a2的优先级分值:0.88/(0.58+0.88+0.63)=0.421;
账号a3的优先级分值:0.63/(0.58+0.88+0.63)=0.301。
那么可以按照上述优先级分值对账号a1、账号a2、账号a3进行排序,得到优先级排序结果为:账号a2>账号a3>账号a1。
在另一个例子中,也可以从负向类别出发,确定各用户账号和参考黑账号的相似度,然后基于所述黑相似度确定各用户账号的优先级
类似的,本例中,同样可以通过余弦公式计算各用户账号的表征向量和参考黑账号的表征向量的距离,将所述距离确定为黑相似度。
然后按照黑相似度从低到高对各个用户账号进行排序,将排序结果中靠前的账号确定为优先级较高的账号,将排序结果中靠后的账号确定为优先级较低的账号,以此按照顺序确定各个用户账号的优先级。
当然了,本例中同样可以对黑相似度进行归一化处理,得到各用户账号的优先级分值再进行排序。可参考上述例子,在此不再赘述。
在其它例子中,还可以从正向类别、负向类别两个类别出发,计算每个用户账号的白相似度、黑相似度,然后基于所述白相似度、黑相似度综合地确定各用户账号的优先级。
步骤214,将所述用户账号按照优先级从高到低推送给用户。
步骤216,响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
本实施例中,可以将各用户账号按照优先级排序,得到排序结果为:账号a2>账号a3>账号a1。那么可以按照排序顺序将这三个账号推送给用户。比如,可以在“刷脸支付”收银终端的可视化页面上展示上述三个用户账号,并且将账号a2展示在靠前的位置,将账号a1展示在靠后的位置。用户可以在所述可视化页面上选择所要进行支付的用户账号。假设用户选择了账号a2,那么收银终端可向服务端发送业务请求,并将账号a2的信息携带在业务请求中。服务端接收到所述业务请求后,使用账号a2完成支付相关业务操作。
当然,在其它实施例中,也可以采取其它的用户账号推送方式。
比如,可以先向用户推送优先级较高的账号a2,然后基于用户的选择确定是否向用户推送其它优先级的用户账号:若用户选择使用账号a2进行支付,那么服务端可直接按照账号a2执行相关支付业务,不用再推送账号a3、a1;若用户选择不使用账号a2进行支付,那么可以继续向用户推荐下一优先级的账号a3,然后同样基于用户针对a3的选择来判断是否向用户推送下一优先级的账号a1。
采用这种方法,可以每次仅向用户推送一个用户账号,用户只需要决定是否使用该账号进行支付即可,而不需要从许多用户账号中选择出所需的账号,对于用户来说操作更加便捷。
由以上描述可以看出,在本说明书的另一个实施例中,可以通过历史交易维度、登录信息维度、生物特征调用维度来综合地确定各个用户账号在不同维度下的使用概率,并通过TOPSIS方法得到参考白账号、参考黑账号,通过计算各个用户账号和样本白账号、样本黑账号的相似度确定各个用户账号的优先级。本实施例的方法,可以更准确地分析出各个用户账号被用户本人使用的概率,最终向用户推荐更准确的账号,提高用户的使用体验。
与前述业务实现的方法的实施例相对应,本说明书还提供了业务实现的装置的实施例。
本说明书业务实现的装置的实施例可以应用在服务器上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本说明书业务实现的装置所在服务器的一种硬件结构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的服务器通常根据该服务器的实际功能,还可以包括其他硬件,对此不再赘述。
图4是本说明书一示例性实施例示出的一种业务实现的装置的框图。
请参考图4,所述业务实现的装置400可以应用在前述图3所示的服务器中,包括有:用户身份确定单元410、账号查找单元420、优先级确定单元430、账号推送单元440、业务执行单元450。
其中,用户身份确定单元410,根据用户上传的生物特征确定所述用户的身份;
账号查找单元420,查找与所述身份绑定的若干用户账号;
优先级确定单元430,确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
账号推送单元440,基于所述优先级将所述用户账号推送给用户;
业务执行单元450,响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
可选的,所述优先级确定单元430,包括:
针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;
综合各个维度下的使用概率确定所述用户账号的优先级。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的历史交易信息;
根据所述历史交易信息确定所述用户账号在交易维度下被所述用户使用的使用概率。
可选的,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
分别将每条历史交易信息转换为对应的交易向量;
将用户身份向量分别和每个交易向量作为一组输入,输入已训练的行为挖掘模型,得到所述交易向量对应的子概率;
根据各个子概率确定所述用户账号在历史交易维度下的所述使用概率。
可选的,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
根据所述历史交易信息确定所述用户账号的高频交易对象;
根据所述高频交易对象和所述用户的身份确定所述用户账号在历史交易维度下的所述使用概率。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的登录信息;
根据所述登录信息,确定所述用户账号在登录维度下的所述使用概率。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的生物特征调用历史;
根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率。
可选的,所述生物特征调用历史包括生物特征调用次数,所述根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率,包括:
判断所述生物特征调用次数是否落入预设的调用次数范围;
若是,将所述调用次数范围对应的使用概率确定为所述用户账号在生物特征调用维度下的所述使用概率。
可选的,所述综合各个维度下的使用概率确定所述用户账号的优先级,包括:
根据各个维度下的使用概率生成所述用户账号的表征向量;
获取目标类别下参考账号的表征向量;
计算所述用户账号的表征向量和所述参考账号的表征向量之间的相似度;
采用所述目标类别对应的排序规则对查找到的各个用户账号的相似度进行排序;
根据相似度排序结果确定各个用户账号的优先级。
可选的,所述参考账号的确定过程,包括:
根据样本账号在各个维度下的使用概率生成所述样本账号的表征向量;
利用TOPSIS算法对各样本账号进行账号排序;
根据账号排序结果确定各目标类别的参考账号。
可选的,所述生物特征包括以下一种或多种:人脸、虹膜、指纹、笔迹和声音。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的***、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,计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述业务实现的方法的实施例相对应,本说明书还提供一种业务实现的装置,该装置包括:处理器以及用于存储机器可执行指令的存储器。其中,处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与业务的实现逻辑对应的机器可执行指令,所述处理器被促使:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
可选的,在确定查找到的各个用户账号的优先级时,所述处理器被促使:
针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;
综合各个维度下的使用概率确定所述用户账号的优先级。
可选的,在确定所述用户账号在若干维度下被所述用户本人使用的使用概率时,所述处理器被促使:
获取所述用户账号的历史交易信息;
根据所述历史交易信息确定所述用户账号在交易维度下被所述用户使用的使用概率。
可选的,在根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率时,所述处理器被促使:
分别将每条历史交易信息转换为对应的交易向量;
将用户身份向量分别和每个交易向量作为一组输入,输入已训练的行为挖掘模型,得到所述交易向量对应的子概率;
根据各个子概率确定所述用户账号在历史交易维度下的所述使用概率。
可选的,在根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率时,所述处理器被促使:
根据所述历史交易信息确定所述用户账号的高频交易对象;
根据所述高频交易对象和所述用户的身份确定所述用户账号在历史交易维度下的所述使用概率。
可选的,在确定所述用户账号在若干维度下被所述用户本人使用的使用概率时,所述处理器被促使:
获取所述用户账号的登录信息;
根据所述登录信息,确定所述用户账号在登录维度下的所述使用概率。
可选的,在确定所述用户账号在若干维度下被所述用户本人使用的使用概率时,所述处理器被促使:
获取所述用户账号的生物特征调用历史;
根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率。
可选的,所述生物特征调用历史包括生物特征调用次数,在根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率时,所述处理器被促使:
判断所述生物特征调用次数是否落入预设的调用次数范围;
若是,将所述调用次数范围对应的使用概率确定为所述用户账号在生物特征调用维度下的所述使用概率。
可选的,在综合各个维度下的使用概率确定所述用户账号的优先级时,所述处理器被促使:
根据各个维度下的使用概率生成所述用户账号的表征向量;
获取目标类别下参考账号的表征向量;
计算所述用户账号的表征向量和所述参考账号的表征向量之间的相似度;
采用所述目标类别对应的排序规则对查找到的各个用户账号的相似度进行排序;
根据相似度排序结果确定各个用户账号的优先级。
可选的,在参考账号的确定时,所述处理器被促使:
根据样本账号在各个维度下的使用概率生成所述样本账号的表征向量;
利用TOPSIS算法对各样本账号进行账号排序;
根据账号排序结果确定各目标类别的参考账号。
可选的,所述生物特征包括以下一种或多种:人脸、虹膜、指纹、笔迹和声音。
与前述业务实现的方法的实施例相对应,本说明书还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现以下步骤:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
可选的,所述确定查找到的各个用户账号的优先级,包括:
针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;
综合各个维度下的使用概率确定所述用户账号的优先级。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的历史交易信息;
根据所述历史交易信息确定所述用户账号在交易维度下被所述用户使用的使用概率。
可选的,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
分别将每条历史交易信息转换为对应的交易向量;
将用户身份向量分别和每个交易向量作为一组输入,输入已训练的行为挖掘模型,得到所述交易向量对应的子概率;
根据各个子概率确定所述用户账号在历史交易维度下的所述使用概率。
可选的,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
根据所述历史交易信息确定所述用户账号的高频交易对象;
根据所述高频交易对象和所述用户的身份确定所述用户账号在历史交易维度下的所述使用概率。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的登录信息;
根据所述登录信息,确定所述用户账号在登录维度下的所述使用概率。
可选的,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的生物特征调用历史;
根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率。
可选的,所述生物特征调用历史包括生物特征调用次数,所述根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率,包括:
判断所述生物特征调用次数是否落入预设的调用次数范围;
若是,将所述调用次数范围对应的使用概率确定为所述用户账号在生物特征调用维度下的所述使用概率。
可选的,所述综合各个维度下的使用概率确定所述用户账号的优先级,包括:
根据各个维度下的使用概率生成所述用户账号的表征向量;
获取目标类别下参考账号的表征向量;
计算所述用户账号的表征向量和所述参考账号的表征向量之间的相似度;
采用所述目标类别对应的排序规则对查找到的各个用户账号的相似度进行排序;
根据相似度排序结果确定各个用户账号的优先级。
可选的,所述参考账号的确定过程,包括:
根据样本账号在各个维度下的使用概率生成所述样本账号的表征向量;
利用TOPSIS算法对各样本账号进行账号排序;
根据账号排序结果确定各目标类别的参考账号。
可选的,所述生物特征包括以下一种或多种:人脸、虹膜、指纹、笔迹和声音。
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。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (19)
1.一种业务实现的方法,应用于服务端,包括:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;所述确定查找到的各个用户账号的优先级,包括:针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;综合各个维度下的使用概率确定所述用户账号的优先级;所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:获取所述用户账号的生物特征调用历史;根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
2.根据权利要求1所述方法,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的历史交易信息;
根据所述历史交易信息确定所述用户账号在交易维度下被所述用户使用的使用概率。
3.根据权利要求2所述方法,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
分别将每条历史交易信息转换为对应的交易向量;
将用户身份向量分别和每个交易向量作为一组输入,输入已训练的行为挖掘模型,得到所述交易向量对应的子概率;
根据各个子概率确定所述用户账号在历史交易维度下的所述使用概率。
4.根据权利要求2所述方法,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
根据所述历史交易信息确定所述用户账号的高频交易对象;
根据所述高频交易对象和所述用户的身份确定所述用户账号在历史交易维度下的所述使用概率。
5.根据权利要求1所述方法,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的登录信息;
根据所述登录信息,确定所述用户账号在登录维度下的所述使用概率。
6.根据权利要求1所述方法,所述生物特征调用历史包括生物特征调用次数,所述根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率,包括:
判断所述生物特征调用次数是否落入预设的调用次数范围;
若是,将所述调用次数范围对应的使用概率确定为所述用户账号在生物特征调用维度下的所述使用概率。
7.根据权利要求1所述方法,所述综合各个维度下的使用概率确定所述用户账号的优先级,包括:
根据各个维度下的使用概率生成所述用户账号的表征向量;
获取目标类别下参考账号的表征向量;
计算所述用户账号的表征向量和所述参考账号的表征向量之间的相似度;
采用所述目标类别对应的排序规则对查找到的各个用户账号的相似度进行排序;
根据相似度排序结果确定各个用户账号的优先级。
8.根据权利要求7所述方法,所述参考账号的确定过程,包括:
根据样本账号在各个维度下的使用概率生成所述样本账号的表征向量;
利用TOPSIS算法对各样本账号进行账号排序;
根据账号排序结果确定各目标类别的参考账号。
9.根据权利要求1所述方法,所述生物特征包括以下一种或多种:人脸、虹膜、指纹、笔迹和声音。
10.一种业务实现的装置,应用于服务端,包括:
用户身份确定单元,根据用户上传的生物特征确定所述用户的身份;
账号查找单元,查找与所述身份绑定的若干用户账号;
优先级确定单元,确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;所述优先级确定单元,包括:针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;综合各个维度下的使用概率确定所述用户账号的优先级;所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:获取所述用户账号的生物特征调用历史;根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率;
账号推送单元,基于所述优先级将所述用户账号推送给用户;
业务执行单元,响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
11.根据权利要求10所述装置,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的历史交易信息;
根据所述历史交易信息确定所述用户账号在交易维度下被所述用户使用的使用概率。
12.根据权利要求11所述装置,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
分别将每条历史交易信息转换为对应的交易向量;
将用户身份向量分别和每个交易向量作为一组输入,输入已训练的行为挖掘模型,得到所述交易向量对应的子概率;
根据各个子概率确定所述用户账号在历史交易维度下的所述使用概率。
13.根据权利要求11所述装置,所述根据所述历史交易信息确定所述用户账号在历史交易维度下被所述用户使用的使用概率,包括:
根据所述历史交易信息确定所述用户账号的高频交易对象;
根据所述高频交易对象和所述用户的身份确定所述用户账号在历史交易维度下的所述使用概率。
14.根据权利要求10所述装置,所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:
获取所述用户账号的登录信息;
根据所述登录信息,确定所述用户账号在登录维度下的所述使用概率。
15.根据权利要求10所述装置,所述生物特征调用历史包括生物特征调用次数,所述根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率,包括:
判断所述生物特征调用次数是否落入预设的调用次数范围;
若是,将所述调用次数范围对应的使用概率确定为所述用户账号在生物特征调用维度下的所述使用概率。
16.根据权利要求10所述装置,所述综合各个维度下的使用概率确定所述用户账号的优先级,包括:
根据各个维度下的使用概率生成所述用户账号的表征向量;
获取目标类别下参考账号的表征向量;
计算所述用户账号的表征向量和所述参考账号的表征向量之间的相似度;
采用所述目标类别对应的排序规则对查找到的各个用户账号的相似度进行排序;
根据相似度排序结果确定各个用户账号的优先级。
17.根据权利要求16所述装置,所述参考账号的确定过程,包括:
根据样本账号在各个维度下的使用概率生成所述样本账号的表征向量;
利用TOPSIS算法对各样本账号进行账号排序;
根据账号排序结果确定各目标类别的参考账号。
18.根据权利要求10所述装置,所述生物特征包括以下一种或多种:人脸、虹膜、指纹、笔迹和声音。
19.一种业务实现的装置,应用于服务端,包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与业务实现逻辑对应的机器可执行指令,所述处理器被促使:
根据用户上传的生物特征确定所述用户的身份;
查找与所述身份绑定的若干用户账号;
确定查找到的各个用户账号的优先级,所述优先级与所述用户账号被所述用户本人使用的概率正相关;所述确定查找到的各个用户账号的优先级,包括:针对查找到的每个用户账号,确定所述用户账号在若干维度下被所述用户本人使用的使用概率;综合各个维度下的使用概率确定所述用户账号的优先级;所述确定所述用户账号在若干维度下被所述用户本人使用的使用概率,包括:获取所述用户账号的生物特征调用历史;根据所述生物特征调用历史确定所述用户账号在生物特征调用维度下的所述使用概率;
基于所述优先级将所述用户账号推送给用户;
响应于所述用户针对指定用户账号发送的业务请求,基于所述指定用户账号执行业务操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561375.0A CN111652626B (zh) | 2020-06-18 | 2020-06-18 | 一种业务实现的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561375.0A CN111652626B (zh) | 2020-06-18 | 2020-06-18 | 一种业务实现的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652626A CN111652626A (zh) | 2020-09-11 |
CN111652626B true CN111652626B (zh) | 2023-03-24 |
Family
ID=72348061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561375.0A Active CN111652626B (zh) | 2020-06-18 | 2020-06-18 | 一种业务实现的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652626B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046135A (zh) * | 2015-08-28 | 2015-11-11 | 宇龙计算机通信科技(深圳)有限公司 | 信息显示方法、信息显示装置和终端 |
CN107093066A (zh) * | 2017-03-22 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 业务实现方法和装置 |
CN107872436A (zh) * | 2016-09-27 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种账号识别方法、装置及*** |
CN108764923A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市广和通无线股份有限公司 | 支付方法、装置、***和存储介质 |
CN110750786A (zh) * | 2019-10-30 | 2020-02-04 | 上海观安信息技术股份有限公司 | 一种账号异常访问敏感数据行为的检测方法及*** |
CN110929240A (zh) * | 2019-11-01 | 2020-03-27 | 深圳传音控股股份有限公司 | 一种登录管理方法、终端及计算机存储介质 |
-
2020
- 2020-06-18 CN CN202010561375.0A patent/CN111652626B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046135A (zh) * | 2015-08-28 | 2015-11-11 | 宇龙计算机通信科技(深圳)有限公司 | 信息显示方法、信息显示装置和终端 |
CN107872436A (zh) * | 2016-09-27 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种账号识别方法、装置及*** |
CN107093066A (zh) * | 2017-03-22 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 业务实现方法和装置 |
CN108764923A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市广和通无线股份有限公司 | 支付方法、装置、***和存储介质 |
CN110750786A (zh) * | 2019-10-30 | 2020-02-04 | 上海观安信息技术股份有限公司 | 一种账号异常访问敏感数据行为的检测方法及*** |
CN110929240A (zh) * | 2019-11-01 | 2020-03-27 | 深圳传音控股股份有限公司 | 一种登录管理方法、终端及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111652626A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093066B (zh) | 业务实现方法和装置 | |
US20100023400A1 (en) | Image Recognition Authentication and Advertising System | |
US20080040277A1 (en) | Image Recognition Authentication and Advertising Method | |
TWI706354B (zh) | 生物特徵庫的建立方法和裝置 | |
US20160189122A1 (en) | Internet Payment System Using Credit Card Imaging | |
CN109345375B (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN110033170B (zh) | 识别风险商家的方法及装置 | |
WO2017007590A1 (en) | Simultaneous multi-factor authentication systems and methods for payment transactions | |
CN111340498A (zh) | 线下交易的实现方法和装置 | |
US12067099B2 (en) | Biological data registration support device, biological data registration support system, biological data registration support method, biological data registration support program, recording medium for strong biological data registration support program | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
US10997609B1 (en) | Biometric based user identity verification | |
CN105893813A (zh) | 生物信息登记装置和生物信息登记方法 | |
WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 | |
CN108389053B (zh) | 支付方法、装置、电子设备及可读存储介质 | |
CN114881651B (zh) | 一种大数据服务智慧金融用异常交易识别***及方法 | |
CN111815331A (zh) | 一种未成年人支付行为的识别方法和装置 | |
CN111445252A (zh) | 一种生物特征库的建立方法、装置及设备 | |
CN111652626B (zh) | 一种业务实现的方法和装置 | |
CN110832481B (zh) | 不具有用户的先前信息的在线用户验证 | |
US20220172271A1 (en) | Method, device and system for recommending information, and storage medium | |
CN109658172A (zh) | 一种商圈推荐方法、计算设备、装置及存储介质 | |
CN111080355B (zh) | 用户集合的展示方法、装置和电子设备 | |
WO2019141039A1 (zh) | 账户信息的分组方法、装置及支付方法、装置 | |
US11295394B2 (en) | Method and system for credit card holder identification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |