CN114612917A - 订单支付处理方法及其装置、设备、介质、产品 - Google Patents
订单支付处理方法及其装置、设备、介质、产品 Download PDFInfo
- Publication number
- CN114612917A CN114612917A CN202210217223.8A CN202210217223A CN114612917A CN 114612917 A CN114612917 A CN 114612917A CN 202210217223 A CN202210217223 A CN 202210217223A CN 114612917 A CN114612917 A CN 114612917A
- Authority
- CN
- China
- Prior art keywords
- payment
- text
- image
- information
- order
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q20/04—Payment circuits
- G06Q20/045—Payment circuits using payment protocols involving tickets
-
- 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
- G06Q20/08—Payment architectures
- G06Q20/12—Payment architectures specially adapted for electronic shopping systems
-
- 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
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/306—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using TV related infrastructures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Character Discrimination (AREA)
Abstract
本申请公开一种订单支付处理方法及其装置、设备、介质、产品,所述方法包括:获取直播间观众用户提交的待识别图像;采用票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;采用文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;采用文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号;响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。本申请可以对观众用户上传的支付票据图像进行识别处理,最终实现电商订单的业务闭环。
Description
技术领域
本申请涉及电商信息技术领域,尤其涉及一种订单支付处理方法及其相应的装置、计算机设备、计算机可读存储介质,以及计算机程序产品。
背景技术
一方面,随着线上媒体形式的不断变革,电商平台的业务场景不断变化,从早期的页面购物到直播间购物,导致后台业务逻辑也产生着变化;另一方面,以多独立站点进行运营的跨境电商平台中,不同独立站点所处的物理空间位置不同,需要适应不同地区的法律、人文、基础设施条件等相应实现不同的业务逻辑,也导致业务逻辑越来越复杂。鉴此,现有先进地区的购物平台中,在线上从下单到支付再到物流的全自动化业务逻辑,在一些基础设施发展不足的地区,未必能适用。
典型的一种现实应用场景中,例如东南亚各国,限于其基础设施欠发达的缘故,用户在电商平台中下单之后,其支付环节无法直接调用银行支付接口实现支付,由此便需用户自行进入银行方的应用程序或者到线下另行支付,最后再与卖方进行通信确认支付事实,方能完成线上购物流程。出现这一现象,一方面固然是当事地区的市场环境和法律环境所导致,另一方面也由于缺乏适应性的配套技术条件对这种情况所需的服务进行***化所导致。因而,在电商平台中实现相关业务逻辑,提升电商订单的执行效率,以适应相应地区的需求,有其现实意义。
发明内容
本申请的首要目的在于解决上述问题至少之一而提供一种订单支付处理方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
为满足本申请的各个目的,本申请采用如下技术方案:
适应本申请的目的之一而提供的一种订单支付处理方法,包括如下步骤:
获取直播间观众用户提交的待识别图像;
采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;
采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;
采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示;
响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。
扩展的实施例中,所述票据判决模型的训练过程,包括如下步骤:
调用第一训练数据集中的一个训练样本,所述训练样本包括正样本和负样本,所述正样本为支付票据图像,所述负样本为非支付票据图像;
采用票据判决模型中的图像特征提取网络对所述训练样本提取深层语义信息而获得图像特征信息;
采用票据判决模型中的二分类器对所述图像特征信息进行分类映射,获得相应的分类标签;
根据所述训练样本属于正样本或负样本而计算所述分类标签的损失值,在该损失值未收敛时根据该损失值修正票据判决模型的权重参数并继续迭代训练,在该损失值达至收敛状态时终止训练。
深化的实施例中,采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息,包括如下步骤:
由所述文本检测识别模型对所述支付票据图像进行文本区域识别,以识别出所述支付票据图像中的一个或多个文本区域;
由所述文本检测识别模型从支付票据图像中裁剪出所述多个文本区域相对应的文本区域图像;
由所述文本检测识别模型对每个所述文本区域图像进行文字识别,以获得相应的文字信息。
深化的实施例中,采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,包括如下步骤:
由所述文本分类模型对所有各项文字信息进行词向量编码,获得相应的词向量序列;
由所述文本分类模型对所述词向量序列提取其深层语义信息,获得相应的文本特征信息;
由所述文本分类模型对所述文本特征信息进行分类映射,以获得各个文字信息相对应的分类标签,所述分类标签包括与支付金额及备注订单号相对应的分类标签。
深化的实施例中,响应所述主播用户提交的支付确认指令,启动支付冲销事件,包括如下步骤:
接收所述主播用户提交的支付确认指令,获取该支付确认指令相对应的支付信息中的备注订单号;
调用该备注订单号相对应的订单,以所述支付信息所包含的支付金额冲销该订单中的待支付金额;
判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,则触发订单发货业务流程,否则,向所述主播用户及观众用户发送通知消息。
扩展的实施例中,判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,包括如下步骤:
向所述直播间推送表征所述订单相对应的用户完成支付的通知消息,在所述通知消息中包含该订单相对应的商品的下单业务流程的链接;
响应于直播间内任意用户触发所述链接的访问指令,向该用户推送所述订单相对应的商品的下单页面,并向直播用户发送相应的通知消息。
适应本申请的目的之一而提供的一种订单支付处理装置,包括:图像提交模块、图像分类模块、文本识别模块、文本分类模块,以及支付冲销模块。其中,所述图像提交模块,用于获取直播间观众用户提交的待识别图像;所述图像分类模块,用于采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;所述文本识别模块,用于采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;所述文本分类模块,用于采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示;所述支付冲销模块,用于响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。
扩展的实施例中,本申请的订单支付处理装置包含训练单元,用于执行对所述票据判决模型的训练过程,该训练单元包括:样本调用模块,用于调用第一训练数据集中的一个训练样本,所述训练样本包括正样本和负样本,所述正样本为支付票据图像,所述负样本为非支付票据图像;语义提取模块,被配置为采用票据判决模型中的图像特征提取网络对所述训练样本提取深层语义信息而获得图像特征信息;分类映射模块,被配置为采用票据判决模型中的二分类器对所述图像特征信息进行分类映射,获得相应的分类标签;迭代决策模块,被配置为根据所述训练样本属于正样本或负样本而计算所述分类标签的损失值,在该损失值未收敛时根据该损失值修正票据判决模型的权重参数并继续迭代训练,在该损失值达至收敛状态时终止训练。
深化的实施例中,所述文本识别模块,包括:区域识别子模块,被配置为由所述文本检测识别模型对所述支付票据图像进行文本区域识别,以识别出所述支付票据图像中的一个或多个文本区域;区域裁剪子模块,被配置为由所述文本检测识别模型从支付票据图像中裁剪出所述多个文本区域相对应的文本区域图像;文字识别子模块,被配置为由所述文本检测识别模型对每个所述文本区域图像进行文字识别,以获得相应的文字信息。
深化的实施例中,所述文本分类模块,包括:向量编码子模块,被配置为由所述文本分类模型对所有各项文字信息进行词向量编码,获得相应的词向量序列;特征提取子模块,被配置为由所述文本分类模型对所述词向量序列提取其深层语义信息,获得相应的文本特征信息;标签判定子模块,被配置为由所述文本分类模型对所述文本特征信息进行分类映射,以获得各个文字信息相对应的分类标签,所述分类标签包括与支付金额及备注订单号相对应的分类标签。
深化的实施例中,所述支付冲销模块,包括:指令响应子模块,用于接收所述主播用户提交的支付确认指令,获取该支付确认指令相对应的支付信息中的备注订单号;订单调用子模块,用于调用该备注订单号相对应的订单,以所述支付信息所包含的支付金额冲销该订单中的待支付金额;流向控制子模块,用于判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,则触发订单发货业务流程,否则,向所述主播用户及观众用户发送通知消息。
扩展的实施例中,所述流向控制子模块判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,还包括运行如下功能:向所述直播间推送表征所述订单相对应的用户完成支付的通知消息,在所述通知消息中包含该订单相对应的商品的下单业务流程的链接;响应于直播间内任意用户触发所述链接的访问指令,向该用户推送所述订单相对应的商品的下单页面,并向直播用户发送相应的通知消息。
适应本申请的目的之一而提供的一种计算机设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的订单支付处理方法的步骤。
适应本申请的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述的订单支付处理方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行该方法所包括的步骤。
适应本申请的另一目的而提供的一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本申请任意一种实施例中所述方法的步骤。
相对于现有技术,本申请的优势如下:本申请先对直播间观众用户提交的待识别图像进行支付票据图像的判别,在确定为支付票据图像后,对其进行文字识别,获得多项文字信息,再根据预设的业务分类识别出支付信息,包括备注订单号及支付金额,最终以该支付金额对所述备注订单号相对应的电商订单进行支付冲销以实现下单流程的业务闭环,整个过程均基于人工智能技术实施,中间借助各个神经网络模型分别实现支付票据图像判别、文字识别、支付信息分别识别等功能,可以确保对支付票据图像的识别处理效率和精准度,从而有效避免对支付票据图像实施人工核对以及对订单进行过多的人工操作,提升电商订单的下单自动化效率,从而完善电商订单的业务闭环。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请的订单支付处理方法的典型实施例的流程示意图;
图2为本申请的票据判决模型的训练过程的流程示意图;
图3为本申请实施例中文本检测识别模型进行文字识别过程的流程示意图;
图4为本申请实施例中文本分类模型进行文本信息分类识别的流程示意图;
图5为本申请实施例中冲销订单过程的流程示意图;
图6为本申请的订单支付处理装置的原理框图;
图7为本申请所采用的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,进行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他诸如个人计算机、平板电脑之类的通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(PersonalCommunications Service,个人通信***),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem,全球定位***)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件,本质上是具备个人计算机等效能力的电子设备,为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置,计算机程序存储于其存储器中,中央处理器将存储在外存中的程序调入内存中运行,执行程序中的指令,与输入输出设备交互,借此完成特定的功能。
需要指出的是,本申请所称的“服务器”这一概念,同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理,所述各服务器应是逻辑上的划分,在物理空间上,这些服务器既可以是互相独立但可通过接口调用的,也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通,而不应以此约束本申请的网络部署方式的实施方式。
本申请的一个或数个技术特征,除非明文指定,既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问,也可直接部署并运行于客户端来实施访问。
本申请中所引用或可能引用到的神经网络模型,除非明文指定,既可部署于远程服务器且在客户端实施远程调用,也可部署于设备能力胜任的客户端直接调用,某些实施例中,当其运行于客户端时,其相应的智能可通过迁移学习来获得,以便降低对客户端硬件运行资源的要求,避免过度占用客户端硬件运行资源。
本申请所涉及的各种数据,除非明文指定,既可远程存储于服务器,也可存储于本地终端设备,只要其适于被本申请的技术方案所调用即可。
本领域技术人员对此应当知晓:本申请的各种方法,虽然基于相同的概念而进行描述而使其彼此间呈现共通性,但是,除非特别说明,否则这些方法都是可以独立执行的。同理,对于本申请所揭示的各个实施例而言,均基于同一发明构思而提出,因此,对于相同表述的概念,以及尽管概念表述不同但仅是为了方便而适当变换的概念,应被等同理解。
本申请即将揭示的各个实施例,除非明文指出彼此之间的相互排斥关系,否则,各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例,只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通,本领域技术人员应当知晓。
本申请的一种订单支付处理方法,可被编程为计算机程序产品,部署于电商平台集群服务器中运行而实现。请参阅图1,本申请的订单支付处理方法在其典型实施例中,包括如下步骤:
步骤S1100、获取直播间观众用户提交的待识别图像:
本申请示例性的应用场景中,跨境电商平台的一个独立站点在其线上店铺的基础上启动网络直播,由主播用户在直播间中向观众用户推销商品,观众用户在该独立站点的线上店铺进行商品操作下单,独立站点在后台为这一下单事件创建针对该商品的订单,产生相应的订单号及待支付金额,向相应的观众用户发送支付通知消息,所述支付通知消息包含所述的订单号、待支付金额、收款账户信息等,以便指示观众用户自行通过其他支付渠道完成所述订单的支付,实现下单业务的闭环。
所述观众用户可以在其移动终端的其他适于执行在线支付的应用程序中,基于所述的支付通知消息执行相应的汇款,以便获得支付后返回的支付票据信息界面的截图。观众用户也可通过诸如银行自动取款机或人工汇款方式办理所述支付通知消息相对应的汇款业务,最终获得相应的纸质支付票据,纸质支付票据可通过扫描或拍摄的方式,获得相应的电子图像。通常,观众用户在办理支付业务时,一般均被要求提供所述的订单号作为备注订单号,因此,所获得的支付票据中所包含的支付信息,通常包含所述的备注订单号、支付金额、支付时间等,其中,备注订单号及支付金额对于实现订单业务闭环具有相对更为关键的作用。
如前所述,观众用户可以借助截图、拍摄、扫描等方式,将所述直播间之外完成支付所获得的支付票据转换为图像信息,该图像信息可以进一步由该观众用户提交至直播间的后台***,以便本申请可以据之实现支付信息的识别。
为了实现支付信息的识别,允许所述观众用户在其直播间图形用户界面中通过一个预设的访问入口,而提交图像文件,该图像文本将被直播间的服务器,也即电商平台的集群服务器视之为待识别图像进行识别,以判断其是否为包含所述支付信息的支付票据图像。
为此,一种实施例中,在直播间的公屏流水发言区的输入栏中,提供一个图像发布控件,观众用户触控该图像发布控件后,便可进一步通过截图、拍摄、查找本地图片等任意一种方式确定一个待识别图像,然后确定并发送至公屏流水发言区中,相应地,也将这一待识别图像通过后台提交至电商平台的服务器。此一实施方式通过允许观众用户将其支付信息发布至公屏流水发言区实现用户支付信息在直播间内的公开发布,有助于刺激直播间内的交易流量。
步骤S1200、采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像:
以上述从公屏流水区发布所述的待识别图像为例,用户由于出错或者出于发送不同类型的图片所需,其上传到电商平台服务器的待识别图像未必均为包含所述支付信息的支付票据图像,为了提升后台提取支付信息的效率,本申请通过提供一个票据判决模型用于对所述待识别图像进行图像类型识别,以便快速确定出其是否属于支付票据图像,当所述待识别图像不是所述的支付票据图像时,便对其进行忽略以便提交给其他业务逻辑进行处理,例如当待识别图像为表情图像时,便直接推送至公屏流水区中即可;当所述待识别图像是支付票据图像时,便将其提交至本申请的后续步骤做进一步的支付信息识别处理。由此,使得本申请后续步骤可以集中处理支付票据图像,提升后续步骤的集中处理效率。
所述的票据判决模型,采用卷积神经网络模型实施,例如采用Resnet系列版本的基础模型充当图像特征提取网络用于对待识别图像提取深层语义信息,获得相应的图像特征信息,然后再借助分类器对该图像特征信息进行分类判别,以确定其是否为所述的支付票据图像。不难理解,所述票据判决模型预先被训练至收敛状态,使其习得对待识别图像进行表示学习并据此判决出是否属于支付票据图像的能力,以便投入使用。本申请后续的实施例将进一步揭示所述票据判决模型的训练过程,此处暂且不表。
步骤S1300、采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息:
为了实现对所述支付票据图像的文字识别,本申请采用一个文本检测识别模型予以实施,该文本检测识别模型由一个行文本检测网络和一个行文本识别网络构成,其中,所述行文本检测网络用于检测出所述支付票据图像中的行文本框,行文本识别网络则用于检测出各个行文本框相对应的局部图像的文字信息。
一种实施例中,先采用所述行文本检测网络对所述支付票据图像进行检测,其检测方法为基于候选框的文本检测,具体而言,提取该支付票据图像的像素特征,利用该像素特征,用设定若干个default boxes(默认框,也称anchor锚框)产生一些对应的候选文本框,对该些候选文本框进行一系列的调整、筛选。进一步,调用NMS(非极大值抑制)算法得到最终的文本边界框即所述行文本框及其对应在该支付票据图像的坐标位置。所述默认框可由本领域技术人员根据先验知识或实验经验灵活变通设置,所述行文本检测网络可以是R2CNN、TextBoxes++、SegLink、RFCN、CTPN、EAST等等,此处由本领域技术人员按需择优调用。由此,根据该行文本框对应在该支付票据图像的坐标位置截取所述局部图像,获得相应的行文本图像及其行文本图像坐标,所述行文本图像中包含一个或多个文本。
进一步,调用行文本识别网络对各个所述的行文本图像进行识别,所述识别为文本行识别,具体而言,在卷积主干网络中提取该行文本图像的视觉特征获得字符特征序列,将其输入至顺序编码器聚合部分或整个该字符特征序列的特征获得编码字符特征序列,再将其输入至解码器进行转录获得相应的文本即所述行文本数据,所述行文本识别网络可以是CNN+RNN+CTC、基于Attention的CNN+RNN等等,此处由本领域技术人员按需择优调用。
不难理解,所述文本检测识别模型采用卷积神经网络加以实施,事先被训练至收敛状态,以便使其习得从支付票据图像中获得其中的一项或多项文字信息的能力,其训练过程可由本领域技术人员根据各种训练思想而灵活实施,不影响本申请的创造性的体现。
从支付票据图像中识别出的各项文字信息,根据相应的支付票据所包括的信息项的不同而有不同,但是,作为完成订单闭环所需的支付信息,主要包括所述的备注订单号以及支付金额,通常是必不可少的,因此,所述的文字信息将包含这些必不可少的关键信息,当然还可灵活包含其他更为丰富的信息。
步骤S1400、采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示:
为了实现对从所述支付票据图像中识别出的各项文字信息的利用,进一步采用一个文本分类模型对各项文字编码形成的词向量序列进行深层语义信息的提取,并将其分类映射到一个预设的分类空间,以便将各项文字信息相应地对应到该分类空间的各个预设分类标签,这些分类标签包括但不限于指示所述支付信息中的支付金额、备注订单号、支付时间等。
同理,所述的文本分类模型适宜采用卷积神经网络模型加以实施,事先被训练至收敛状态,使其***台应用所需,当然,也可采用其他类似的基础模型替换实施,本领域技术人员可灵活选用。
当确定了所述支付信息中的支付金额及备注订单号后,便可生成一个单播消息,在该单播消息中包含所述支付信息,特别是其中的支付金额及备注订单号,同时调用生成该备注订单号相对应的订单的摘要信息包含于该单播消息中,将该单播消息推送至所述直播间的主播用户的终端设备,经其终端设备解析后在主播用户的图形用户界面中显示,同时提供相应的确认按键,以便主播用户对其进行查证确认;必要时,还可提供其他更正按键,以便主播用户在未能确认时将相应的事务暂时存档候后续处理,或者由主播用户直接执行纠错处理,以纠正其中的支付金额或者备注订单号等关键支付信息。无论何种情况,一旦主播用户确认支付信息无误,但可操作所述的确认按键而触发相应的支付确认指令。
步骤S1500、响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额:
所述主播用户触发支付信息后,便触发相应的支付确认指令发送给电商平台的集群服务器,服务器响应该支付确认指令,便启动支付冲销事件,以便实施对该支付信息中所指定的备注订单号相对应的订单的待支付金额的冲销流程。
所述的冲销流程,主要是以所述支付信息中的支付金额冲销所述支付信息中备注订单号相对应的订单的待支付金额,即获得待支付金额减去所述支付信息中的支付金额之后获得冲销后的差额。一般而言,所述的支付金额等于所述的待支付金额使所述的差额为零时才能达成有效的交易,从而可以完成订单的支付业务流程,实现业务闭环。某些特殊的情况下,也允许支付信息中的支付金额大于所述待支付金额,使所述冲销后的差额大于零,例如观众用户需要在待支付金额的基础上额外支付税费的情况;另一种特殊情况下,甚至可以允许支付信息中的支付金额小于所述待支付金额,使所述冲销后的差额小于零,这种情况适用于商品打折的情况。无论何种情况,由于存在主播用户确认的环节,因此,均是允许选择性存在的。但是,如果为了实现业务自动闭环而自动驱动订单发货环节的便利,一般可以设定在支付信息中的支付金额大于或等于待支付金额时,即所述冲销后的差额小于或等于零时,便可满足业务自动闭环的触发条件而进入后续业务环节。
不难理解,完成所述的冲销流程后,理论上便完成了订单的支付业务环节,这一过程中,最大程度地避免主播用户进行人工校验相关待识别图像,仅需依靠服务器提供的支付信息进行支付情况确认即可。由于本申请大量使用人工智能技术,其智能化程度较高,图像判别效率、文字识别准确率、文字信息分类效率,以及运行效率均有良好的表情,因而,可以大大提升电商平台订单的执行效率。
根据以上本申请的典型实施例及其变通实施例可以知晓,本申请先对直播间观众用户提交的待识别图像进行支付票据图像的判别,在确定为支付票据图像后,对其进行文字识别,获得多项文字信息,再根据预设的业务分类识别出支付信息,包括备注订单号及支付金额,最终以该支付金额对所述备注订单号相对应的电商订单进行支付冲销以实现下单流程的业务闭环,整个过程均基于人工智能技术实施,中间借助各个神经网络模型分别实现支付票据图像判别、文字识别、支付信息分别识别等功能,可以确保对支付票据图像的识别处理效率和精准度,从而有效避免对支付票据图像实施人工核对以及对订单进行过多的人工操作,提升电商订单的下单自动化效率,从而完善电商订单的业务闭环。
请参阅图2,扩展的实施例中,所述票据判决模型的训练过程,包括如下步骤:
步骤S2100、调用第一训练数据集中的一个训练样本,所述训练样本包括正样本和负样本,所述正样本为支付票据图像,所述负样本为非支付票据图像:
预备一个训练数据集,该训练数据集中存储作为训练样本的图像,按照图像是否为支付票据图像而将训练数据集中的训练样本分别标记为正样本和负样本,以便逐一调用该训练数据集中的各个训练样本对本申请的票据判决模型实施迭代训练。在每次迭代训练过程中,调用所述训练数据集中的一个训练样本输入该票据判决模型。
步骤S2200、采用票据判决模型中的图像特征提取网络对所述训练样本提取深层语义信息而获得图像特征信息:
票据判决模型中的图像特征提取网络负责对所述训练样本进行表示学习,以便实现对其深层语义信息的提取,而获得相应的图像特征信息,所述图像特征提取网络可以采用Resnet、CNN等作为基础网络。
步骤S2300、采用票据判决模型中的二分类器对所述图像特征信息进行分类映射,获得相应的分类标签:
获得所述图像特征信息后,将其经全连接层映射至一个分类器,所述分类器在本实施例中优选为二分类器,因此,其映射结果为二值化结果,获得所述图像特征信息是否映射为支付票据图像相对应的分类标签。
步骤S2400、根据所述训练样本属于正样本或负样本而计算所述分类标签的损失值,在该损失值未收敛时根据该损失值修正票据判决模型的权重参数并继续迭代训练,在该损失值达至收敛状态时终止训练:
如前所述,训练数据集中已经标记了各个训练样本相对应的样本属性,即正样本或负样本,以此为监督标签,应用交叉熵函数,可以计算二分类器获得的二值化结果的损失值,然后根据该损失值是否达至预设值,而相应判定票据判决模型是否已被训练至收敛状态。当票据判决模型已经达致收敛状态时,可以终止模型训练;当票据判决模型未达致收敛状态时,需要以该损失值为依据对该模型实施梯度更新,通过反向传播修正模型各个环节中的权重参数,使模型的损失函数进一步逼近收敛,然后跳转至步骤S2100中调用下一训练样本继续对该模型实施迭代训练,以此类推,直到模型被训练至收敛状态为止。
本实施例适应本申请所需,预先采用训练数据集对票据判决模型实施训练,以便模型在被训练至收敛后可投入本申请中使用,由于模型采用二分类器进行分类判决,相对而言,更为简单高效,可以更快速地被训练至收敛状态,当其投入推理阶段时,能够快速高效地判定待识别图像是否属于支付票据图像,从而避免后续进行文字识别的步骤产生大量的无效计算,提升了本申请技术方案的运行效率。
请参阅图3,深化的实施例中,所述步骤S1300、采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息,包括如下步骤:
步骤S1310、由所述文本检测识别模型对所述支付票据图像进行文本区域识别,以识别出所述支付票据图像中的一个或多个文本区域:
如前所述,文本检测识别模型中包含一个行文本检测网络,优选的实施例中,所述行文本检测模型为TextFuseNet模型,其负责对支付票据图像进行文本区域检测。所述支付票据图像经预处理后输入预训练至收敛的TextFuseNet模型,通过语义分割分支提取全局级别的特征,并且通过检测分支和mask分支分别提取字符级别和单词级别的特征,在获得该字符级别、单词级别、全局级别三种层次的特征后,进一步,调用多路径特征融合体系结构融合三者特征,生成更具代表性的特征表示,以检测出该待识别图像中文本区域,获得包围该文本区域的多点行文本框,将所述多点行文本框转换为四点行文本框,该四点行文本框的四个点为矩形对应的四个顶点,由此,进一步,构造出该四点框对应的矩形行文本框以代表相应的文本区域。
步骤S1320、由所述文本检测识别模型从支付票据图像中裁剪出所述多个文本区域相对应的文本区域图像:
根据所述矩形行文本框从所述待识别图像中选中相应的文本区域,以截取矩形长条的行文本图像作为文本区域图像,并获得以坐标表示的该文本区域图像在所述支付票据图像中的位置作为所述文本区域图像的坐标。
可以看出,调用TextFuseNet模型检测所述待识别图像中文本区域,在此过程中,融合字符级别的、单词级别的、全局级别的特征转化为检测结果,使得能够实现准确度较高的文本检测,并且提升文本检测的鲁棒性和可靠性。
步骤S1330、由所述文本检测识别模型对每个所述文本区域图像进行文字识别,以获得相应的文字信息:
如前所述,文本检测识别模型中还包含一个行文本识别网络,由其负责对各个文本区域图像进行文字识别。
在进行文字识别之前,可先对文本区域图像进行图像预处理。所述图像预处理为通过数据增强变换原有的文本区域图像生成新的文本区域图像使得扩充用于输入模型的数据源,所述数据增强的方式可以包含水平或垂直翻转、多角度旋转、比例缩放、裁剪、平移、插值、高斯噪声、对比度变换、Fancy PCA等操作,此处可由本领域技术人员按需灵活变通选取。
所述行文本识别网络可优选CRNN+CTC模型,将所述预处理后的文本区域图像输入预训练至收敛的CRNN+CTC模型,通过该CRNN+CTC模型的卷积层中使用CNN从所述文本区域图像中识提取图像特征序列,将其输入至该CRNN+CTC模型的循环层中使用RNN对该图像特征序列进行预测,获得其相对应的标签(真实值)分布。进一步,通过该CRNN+CTC模型的转录层中的全连接层对所述图像特征序列进行全连接,以及使用CTC对该图像特征序列相对应的标签分布进行去重整合等操作,将该图像特征序列中的图像特征相应地映射至预设的分类空间,根据确定的该图像特征序列相对应的标签而获得其相对应的文本信息。据此,每个文本区域均可获得其相对应的文本信息。
可以看出,调用CRNN+CTC模型识别所述文本区域图像而获得其中文本即文本信息,在此过程中,既提取了鲁棒特征,又通过序列识别避免了传统算法中难度极高的字符切分,同时序列化识别也嵌入时序依赖,使得可以处理任意长度的序列,大大提升文本识别的鲁棒性。
本实施例通过文本检测识别模型分步骤对所述的支付票据图像中文本区域所包含的文字信息进行识别,获得计算机更易理解的字符数据,便于后续对文字信息的类别做进一步的识别,从而提升对支付票据图像中所包含的支付信息的识别准确度,并且由于模型可选用优质的基础模型,能够增强模型运行的鲁棒性,从而能够确保以此为基础而构建的在线服务的稳健运行。
请参阅图4,深化的实施例中,所述步骤S1400、采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,包括如下步骤:
步骤S1410、由所述文本分类模型对所有各项文字信息进行词向量编码,获得相应的词向量序列:
为了实现对从支付票据信息中识别出来的各项文字信息的类型识别,使用所述的文本分类模型对各项文字信息的编码信息先进行表示学习,该文本分类模型可以使用LSTM、Bert等适于对文本进行深层语义信息提取的基础模型经训练至收敛状态而适用之。
在对所述各项文字信息进行表示学习之前,先根据一个预设的词典将所述各项文字信息转换为特征序列信息,然后采用一个全连接线性层对该特征序列信息进行词向量编码,得到词向量序列。一种实施例中,将线性层输出维度设置为512维。
步骤S1420、由所述文本分类模型对所述词向量序列提取其深层语义信息,获得相应的文本特征信息:
以采用LSTM的文本分类模型为例,将所述词向量序列输入LSTM中进行表示学习,同理,LSTM的隐状态特征个数也相应设置为512维,经LSTM进行记忆学习后,便获得所述词向量序列相对应的文本特征信息。
步骤S1430、由所述文本分类模型对所述文本特征信息进行分类映射,以获得各个文字信息相对应的分类标签,所述分类标签包括与支付金额及备注订单号相对应的分类标签:
在文本分类模型中,将LSTM获得的文本特征信息经全连接线性层输入至一个分类器中进行分类,该分类器的分类空间被对应所述支付信息的具体类型设置为多个分类,也即全连接线性层设置为相应多个输出,不同分类对应不同的具体支付信息,例如:金额名称、支付金额、备注订单号、支付时间、其他信息等。据此,所述文本分类模型对文本特征信息进行分类映射后,便可获得各项文字信息相对应的分类标签,从而确定所述的支付信息,特别是其中的支付金额以及备注订单号,便可用于执行后续的业务环节。
本实施例中,文本分类模型将序列化的各项文字信息进行分类,分辨出各项文字信息相对应的信息类别,从而可以确定出各项具体支付信息,用于完成电商订单的业务闭环,由于可以批量处理各项文字信息,故而能够提升类别识别效率,方便更快速获取所述的备注订单号及支付金额,从而实现对电商订单的快速处理。
请参阅图5,深化的实施例中,所述步骤S1500、响应所述主播用户提交的支付确认指令,启动支付冲销事件,包括如下步骤:
步骤S1510、接收所述主播用户提交的支付确认指令,获取该支付确认指令相对应的支付信息中的备注订单号:
当主播用户触发所述支付确认指令并送达电商平台的服务器后,服务器可以对应该支付确认指令而确定相应的支付信息中的备注订单号,以便命中该备注订单号相对应的订单。
步骤S1520、调用该备注订单号相对应的订单,以所述支付信息所包含的支付金额冲销该订单中的待支付金额:
根据所述备注订单号,服务器从订单队列中调用出相应的订单,所述订单由下单的观众用户特征信息、商品特征信息、商品待支付金额等信息进行描述,据此,便可使用从支付票据图像中识别出来的支付信息中的支付金额冲销该订单中的待支付金额,也即将待支付金额扣减所述支付信息中的支付金额,实现冲销,获得冲销后的差额,该差额用于表征该订单是否完成支付。
步骤S1530、判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,则触发订单发货业务流程,否则,向所述主播用户及观众用户发送通知消息:
为了控制订单的流向,进一步比较所述的差额是否小于或等于0,如果这一判断未能成立,根据本实施例所默认的业务逻辑,视为该订单未完成全额支付,此时,可向所述主播用户及观众用户同时发送相应的通知消息,以便双方互相协调完善订单支付流程。如果这一判断成立,则意味着该订单已经成功完成支付,由此便可触发订单发货相对应的业务流程,将订单提交至物流环节相对应的服务接口,以便启动发货过程。
在此基础上扩展的实施例中,当判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,还可以执行如下步骤:
步骤S1540、向所述直播间推送表征所述订单相对应的用户完成支付的通知消息,在所述通知消息中包含该订单相对应的商品的下单业务流程的链接:
既然确认订单已经全额支付,便可向主播用户和观众用户所在的直播间推送一个通知消息,用于表征订单已经全额支付这一事实,使直播间的所有用户均可收到这一通知消息。通常,可以直接将这一通知消息推送到直播间的公屏流水区中,或者其他在直播间的图形用户界面中展示的通知区域中。为了便于用户的触达访问,在所述的通知消息中包含该订单相对应的商品的下单业务流程的链接,在图形用户界面展示所述的通知消息时,将显示在界面上的文字或图像信息与该链接相关联,从而方便通过所述的文字或图像信息触达访问该链接。
步骤S1550、响应于直播间内任意用户触发所述链接的访问指令,向该用户推送所述订单相对应的商品的下单页面,并向直播用户发送相应的通知消息:
完成所述通知消息在直播间的图形用户界面的展示后,当任意一个用户在直播间的图形用户界面触控所述的通知消息,便通过该通知消息相关联的链接而跳转进入该链接所指向的下单页面,该下单页面展示所述订单所指向的商品的购物业务流程,从而方便该用户可以快速进行该商品的购物页面进行下单,实现对该商品的进一步快速推荐,并且有助于提升直播间内用户对该商品下单的执行效率。
本实施例中,通过在所述订单完成支付后提供更丰富的后续步骤,实现对本申请的功能的扩充,使订单发货业务流程和订单所对应的商品的推荐事件可以无缝衔接,从而有助于进一步提升电商平台的订单的执行效率并实现完整的业务闭环。
请参阅图6,适应本申请的目的之一而提供的一种订单支付处理装置,是对本申请的订单支付处理方法的功能化体现,该装置包括:图像提交模块1100、图像分类模块1200、文本识别模块1300、文本分类模块1400,以及支付冲销模块1500。其中,所述图像提交模块1100,用于获取直播间观众用户提交的待识别图像;所述图像分类模块1200,用于采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;所述文本识别模块1300,用于采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;所述文本分类模块1400,用于采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示;所述支付冲销模块1500,用于响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。
扩展的实施例中,本申请的订单支付处理装置包含训练单元,用于执行对所述票据判决模型的训练过程,该训练单元包括:样本调用模块,用于调用第一训练数据集中的一个训练样本,所述训练样本包括正样本和负样本,所述正样本为支付票据图像,所述负样本为非支付票据图像;语义提取模块,被配置为采用票据判决模型中的图像特征提取网络对所述训练样本提取深层语义信息而获得图像特征信息;分类映射模块,被配置为采用票据判决模型中的二分类器对所述图像特征信息进行分类映射,获得相应的分类标签;迭代决策模块,被配置为根据所述训练样本属于正样本或负样本而计算所述分类标签的损失值,在该损失值未收敛时根据该损失值修正票据判决模型的权重参数并继续迭代训练,在该损失值达至收敛状态时终止训练。
深化的实施例中,所述文本识别模块1300,包括:区域识别子模块,被配置为由所述文本检测识别模型对所述支付票据图像进行文本区域识别,以识别出所述支付票据图像中的一个或多个文本区域;区域裁剪子模块,被配置为由所述文本检测识别模型从支付票据图像中裁剪出所述多个文本区域相对应的文本区域图像;文字识别子模块,被配置为由所述文本检测识别模型对每个所述文本区域图像进行文字识别,以获得相应的文字信息。
深化的实施例中,所述文本分类模块1400,包括:向量编码子模块,被配置为由所述文本分类模型对所有各项文字信息进行词向量编码,获得相应的词向量序列;特征提取子模块,被配置为由所述文本分类模型对所述词向量序列提取其深层语义信息,获得相应的文本特征信息;标签判定子模块,被配置为由所述文本分类模型对所述文本特征信息进行分类映射,以获得各个文字信息相对应的分类标签,所述分类标签包括与支付金额及备注订单号相对应的分类标签。
深化的实施例中,所述支付冲销模块1500,包括:指令响应子模块,用于接收所述主播用户提交的支付确认指令,获取该支付确认指令相对应的支付信息中的备注订单号;订单调用子模块,用于调用该备注订单号相对应的订单,以所述支付信息所包含的支付金额冲销该订单中的待支付金额;流向控制子模块,用于判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,则触发订单发货业务流程,否则,向所述主播用户及观众用户发送通知消息。
扩展的实施例中,所述流向控制子模块判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,还包括运行如下功能:向所述直播间推送表征所述订单相对应的用户完成支付的通知消息,在所述通知消息中包含该订单相对应的商品的下单业务流程的链接;响应于直播间内任意用户触发所述链接的访问指令,向该用户推送所述订单相对应的商品的下单页面,并向直播用户发送相应的通知消息。
为解决上述技术问题,本申请实施例还提供计算机设备。如图7所示,计算机设备的内部结构示意图。该计算机设备包括通过***总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中,该计算机设备的计算机可读存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种订单支付处理方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行本申请的订单支付处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图6中的各个单元及其子单元的具体功能,存储器存储有执行上述单元或子单元所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的订单支付处理装置中执行所有单元/子单元所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子单元的功能。
本申请还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行本申请任一实施例的订单支付处理方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被一个或多个处理器执行时实现本申请任一实施例所述方法的步骤。
本领域普通技术人员可以理解实现本申请上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等计算机可读存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
综上所述,本申请可以在电商直播场景中确保对观众用户上传的支付票据图像进行识别处理,确保识别效率和精准度,从而有效避免对支付票据图像实施人工核对以及对订单进行过多的人工操作,提升电商订单的下单自动化效率,最终实现电商订单的业务闭环。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种订单支付处理方法,其特征在于,包括如下步骤:
获取直播间观众用户提交的待识别图像;
采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;
采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;
采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示;
响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。
2.根据权利要求1所述的订单支付处理方法,其特征在于,所述票据判决模型的训练过程,包括如下步骤:
调用第一训练数据集中的一个训练样本,所述训练样本包括正样本和负样本,所述正样本为支付票据图像,所述负样本为非支付票据图像;
采用票据判决模型中的图像特征提取网络对所述训练样本提取深层语义信息而获得图像特征信息;
采用票据判决模型中的二分类器对所述图像特征信息进行分类映射,获得相应的分类标签;
根据所述训练样本属于正样本或负样本而计算所述分类标签的损失值,在该损失值未收敛时根据该损失值修正票据判决模型的权重参数并继续迭代训练,在该损失值达至收敛状态时终止训练。
3.根据权利要求1所述的订单支付处理方法,其特征在于,采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息,包括如下步骤:
由所述文本检测识别模型对所述支付票据图像进行文本区域识别,以识别出所述支付票据图像中的一个或多个文本区域;
由所述文本检测识别模型从支付票据图像中裁剪出所述多个文本区域相对应的文本区域图像;
由所述文本检测识别模型对每个所述文本区域图像进行文字识别,以获得相应的文字信息。
4.根据权利要求1所述的订单支付处理方法,其特征在于,采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,包括如下步骤:
由所述文本分类模型对所有各项文字信息进行词向量编码,获得相应的词向量序列;
由所述文本分类模型对所述词向量序列提取其深层语义信息,获得相应的文本特征信息;
由所述文本分类模型对所述文本特征信息进行分类映射,以获得各个文字信息相对应的分类标签,所述分类标签包括与支付金额及备注订单号相对应的分类标签。
5.根据权利要求1至4中任意一项所述的订单支付处理方法,其特征在于,响应所述主播用户提交的支付确认指令,启动支付冲销事件,包括如下步骤:
接收所述主播用户提交的支付确认指令,获取该支付确认指令相对应的支付信息中的备注订单号;
调用该备注订单号相对应的订单,以所述支付信息所包含的支付金额冲销该订单中的待支付金额;
判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,则触发订单发货业务流程,否则,向所述主播用户及观众用户发送通知消息。
6.根据权利要求5所述的订单支付处理方法,其特征在于,判断所述订单的待支付金额被冲销后的差额是否小于或等于0,若判断成立,包括如下步骤:
向所述直播间推送表征所述订单相对应的用户完成支付的通知消息,在所述通知消息中包含该订单相对应的商品的下单业务流程的链接;
响应于直播间内任意用户触发所述链接的访问指令,向该用户推送所述订单相对应的商品的下单页面,并向直播用户发送相应的通知消息。
7.一种订单支付处理装置,其特征在于,包括:
图像提交模块,用于获取直播间观众用户提交的待识别图像;
图像分类模块,用于采用预先训练至收敛状态的票据判决模型对所述待识别图像进行分类判决,以确定该待识别图像是否为支付票据图像;
文本识别模块,用于采用预先训练至收敛状态的文本检测识别模型对所述支付票据图像进行文字识别,以获得其中的多项文字信息;
文本分类模块,用于采用预先训练至收敛状态的文本分类模型对各项所述的文字信息进行分类,以从所述文字信息中分类识别出支付信息,所述支付信息包括支付金额以及备注订单号,将所述支付信息推送至直播间主播用户的终端设备显示;
支付冲销模块,用于响应所述主播用户提交的支付确认指令,启动支付冲销事件,以所述支付信息中的支付金额冲销所述备注订单号相对应的订单的待支付金额。
8.一种计算机设备,包括中央处理器和存储器,其特征在于,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至6中任意一项所述的方法的步骤。
9.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1至6中任意一项所述的方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6任意一项中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217223.8A CN114612917A (zh) | 2022-03-07 | 2022-03-07 | 订单支付处理方法及其装置、设备、介质、产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217223.8A CN114612917A (zh) | 2022-03-07 | 2022-03-07 | 订单支付处理方法及其装置、设备、介质、产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612917A true CN114612917A (zh) | 2022-06-10 |
Family
ID=81861231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217223.8A Pending CN114612917A (zh) | 2022-03-07 | 2022-03-07 | 订单支付处理方法及其装置、设备、介质、产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612917A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346084A (zh) * | 2022-08-15 | 2022-11-15 | 腾讯科技(深圳)有限公司 | 样本处理方法、装置、电子设备、存储介质及程序产品 |
-
2022
- 2022-03-07 CN CN202210217223.8A patent/CN114612917A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346084A (zh) * | 2022-08-15 | 2022-11-15 | 腾讯科技(深圳)有限公司 | 样本处理方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018040944A1 (zh) | 恶意地址/恶意订单的识别***、方法及装置 | |
CN111709339A (zh) | 一种票据图像识别方法、装置、设备及存储介质 | |
WO2020005731A1 (en) | Text entity detection and recognition from images | |
CN115129848B (zh) | 一种视觉问答任务的处理方法、装置、设备和介质 | |
CN111476228A (zh) | 针对场景文字识别模型的白盒对抗样本生成方法 | |
US11436851B2 (en) | Text recognition for a neural network | |
CN113313111A (zh) | 文本识别方法、装置、设备和介质 | |
CN109740135A (zh) | 图表生成方法及装置、电子设备和存储介质 | |
CN113806537B (zh) | 商品类目分类方法及其装置、设备、介质、产品 | |
AU2020369152A1 (en) | Docket analysis methods and systems | |
CN115631205B (zh) | 图像分割及模型训练的方法、装置及设备 | |
CN111243061A (zh) | 一种商品图片的生成方法、装置、*** | |
CN114612921A (zh) | 表单识别方法、装置、电子设备和计算机可读介质 | |
CN115587535A (zh) | 模型构建优化方法、设备、存储介质及程序产品 | |
CN115205884A (zh) | 票据信息提取方法及其装置、设备、介质、产品 | |
CN114612917A (zh) | 订单支付处理方法及其装置、设备、介质、产品 | |
CN114863440A (zh) | 订单数据处理方法及其装置、设备、介质、产品 | |
CN115099854A (zh) | 广告文案创作方法及其装置、设备、介质、产品 | |
CN114782943A (zh) | 票据信息提取方法及其装置、设备、介质、产品 | |
CN112966676B (zh) | 一种基于零样本学习的文档关键信息抽取方法 | |
CN112905787B (zh) | 文本信息处理方法、短信处理方法、电子设备及可读介质 | |
CN113806536B (zh) | 文本分类方法及其装置、设备、介质、产品 | |
US20210248615A1 (en) | Method and system for digitally onboarding customers for providing one or more solutions in real-time | |
CN115525781A (zh) | 多模态虚假信息检测方法、装置和设备 | |
CN114565913A (zh) | 文本识别方法及其装置、设备、介质、产品 |
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 |