结合大数据及AI智能的支付信息处理方法和业务服务器与流程

结合大数据及ai智能的支付信息处理方法和业务服务器
技术领域
1.本技术涉及大数据、ai和在线支付技术领域，更具体地，涉及一种结合大数据及ai智能的支付信息处理方法和业务服务器。


背景技术：

2.大数据和云计算的不断成熟为各类业务处理提供了模式升级所需的数据信息基础，而人工智能（ai）的介入为模式升级提供了智能化决策依据。以在线支付为例，大数据、云计算和人工智能的互相协作使得在线支付技术在支付效率和支付安全性方面得到了很大的提升。
3.伴随着在线支付规模的不断扩大，使用在线支付方式的用户越来越多，而针对不同在线支付用户的支付行为分析的需求也越来越多，然而在实际应用过程中，如何结合人工智能网络进行噪声削弱以准确可靠地进行在线支付用户的支付行为分析是现目前需要改善的其中一个技术问题。


技术实现要素：

4.本技术的一个目的是提供一种用于进行支付信息行为分析的新技术方案。
5.根据本技术的第一方面，提供一种结合大数据及ai智能的支付信息处理方法，应用于业务服务器，所述方法包括：利用第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容；基于绑定式支付信息范例集的真实期望描述，对对应于所述第一支付信息范例的挖掘内容进行噪声解析处理，获得对应于所述绑定式支付信息范例的影响因子；利用绑定式信息区分网络对所述绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得对应于所述绑定式支付信息范例的差异化归类信息；基于所述对应于所述绑定式支付信息范例的影响因子、以及所述对应于所述绑定式支付信息范例的差异化归类信息，创建所述绑定式信息区分网络的网络评估指标；优化所述绑定式信息区分网络的网络变量直到所述网络评估指标满足设定条件，将所述网络评估指标满足设定条件时所述绑定式信息区分网络的优化网络变量确定为通过训练后获得的网络变量；利用所述网络评估指标满足设定条件时的所述绑定式信息区分网络对待区分的绑定式支付信息进行行为倾向联系识别。
6.在一些可能的设计思路下，所述利用第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容之前，所述方法还包括：基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例
的范例联系关键词、以及所述第一支付信息训练范例，对所述第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络；所述利用第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容，包括：利用所述完成训练的第一支付信息挖掘网络对所述第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容；其中，所述第一支付信息范例为所述绑定式支付信息范例集中的支付信息范例。
7.在一些可能的设计思路下，所述基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例的范例联系关键词、以及所述第一支付信息训练范例，对所述第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络，包括：对所述绑定式支付信息范例集进行拆解处理，获得x个绑定式支付信息范例子集；对于所述x个绑定式支付信息范例子集中的任意一第i个绑定式支付信息范例子集，实施如下步骤：默认化所述第一支付信息挖掘网络的网络变量；将除第i个绑定式支付信息范例子集之外的绑定式支付信息范例子集确定为绑定式支付信息范例训练集，并利用所述绑定式支付信息范例训练集对所述第一支付信息挖掘网络进行训练，获得完成训练的第一支付信息挖掘网络；所述利用所述完成训练的第一支付信息挖掘网络对所述第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容，包括：基于第i个绑定式支付信息范例子集，利用第一支付信息挖掘网络对所述第i个绑定式支付信息范例子集进行支付信息挖掘处理，获得对应于所述第i个绑定式支付信息范例子集的挖掘内容；其中，i大于0且小于等于x，且i和x皆为自然数。
8.在一些可能的设计思路下，所述利用所述完成训练的第一支付信息挖掘网络对所述第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容，包括：利用所述完成训练的第一支付信息挖掘网络对所述第一支付信息范例进行多模态描述映射处理，获得所述第一支付信息范例的多模态描述；对所述第一支付信息范例的多模态描述进行特征压缩处理，获得涵盖局部关联内容的特征压缩描述；对所述涵盖局部关联内容的特征压缩描述进行描述翻译处理，获得对应于所述第一支付信息范例的挖掘内容。
9.在一些可能的设计思路下，所述对应于所述第一支付信息范例的挖掘内容为对应于所述第一支付信息范例的各范例联系关键词的量化估计值；所述基于绑定式支付信息范例集的真实期望描述，对对应于所述第一支付信息范例的挖掘内容进行噪声解析处理，获得对应于所述绑定式支付信息范例的影响因子，包括：确定绑定式支付信息范例集在真实期望描述时，所述绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值；根据所述对应于所述第一支付信息范例的各范例联系关键词的量化估计值、以及所述各范例联系关键词的真实期望量化估计值，对对应于所述第一支付信息范例的挖掘内
容进行噪声解析处理，获得对应于所述绑定式支付信息范例的影响因子；相应的，所述确定绑定式支付信息范例集在真实期望描述时，所述绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值，包括：基于各范例联系关键词的基准量化估计值的比例值、以及所述对应于所述第一支付信息范例的各范例联系关键词的量化估计值，对待定的真实期望量化估计值进行阶段性循环处理，获得所述绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值；相应的，所述根据所述对应于所述第一支付信息范例的各范例联系关键词的量化估计值、以及各范例联系关键词的真实期望量化估计值，对对应于所述第一支付信息范例的挖掘内容进行噪声解析处理，获得对应于所述绑定式支付信息范例的影响因子，包括：确定对应于所述第一支付信息范例的第一范例联系关键词的第一量化估计值、以及对应于所述第一支付信息范例的第二范例联系关键词的第二量化估计值、第一范例联系关键词的第一真实期望量化估计值以及第二范例联系关键词的第二真实期望量化估计值；将所述第一量化估计值与所述第二真实期望量化估计值的第一加权结果、与所述第二量化估计值与所述第一真实期望量化估计值的第二加权结果进行全局性整合，获得整合结果；将所述整合结果与所述第一加权结果进行比例值处理，获得所述绑定式支付信息范例对应于所述第一范例联系关键词的影响因子；将所述整合结果与所述第二加权结果进行比例值处理，获得所述绑定式支付信息范例对应于所述第二范例联系关键词的影响因子。
10.在一些可能的设计思路下，所述利用绑定式信息区分网络对所述绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得对应于所述绑定式支付信息范例的差异化归类信息，包括：分别对所述第一支付信息范例以及所述第二支付信息范例进行多模态描述映射处理，获得所述第一支付信息范例的多模态描述以及所述第二支付信息范例的多模态描述；分别对所述第一支付信息范例的多模态描述以及所述第二支付信息范例的多模态描述进行特征压缩处理，获得涵盖所述第一支付信息范例的局部关联内容的第一特征压缩描述、以及涵盖所述第二支付信息范例的局部关联内容的第二特征压缩描述；对所述第一特征压缩描述以及所述第二特征压缩描述进行组合处理，获得组合描述；对所述组合描述进行行为倾向联系描述翻译处理，获得对应于所述绑定式支付信息范例的差异化归类信息；相应的，对所述第一支付信息范例的多模态描述进行特征压缩处理，获得涵盖所述第一支付信息范例的局部关联内容的第一特征压缩描述，包括：对所述第一支付信息范例的多模态描述进行正序特征压缩处理，获得对应所述第一支付信息范例的第一正序中间描述；对所述第一支付信息范例的多模态描述进行反馈特征压缩处理，获得对应所述第
一支付信息范例的第一反馈中间描述；对所述第一正序中间描述以及所述第一反馈中间描述进行合并处理，获得涵盖所述第一支付信息范例的局部关联内容的第一特征压缩描述；对所述第二支付信息范例的多模态描述进行特征压缩处理，获得涵盖所述第二支付信息范例的局部关联内容的第二特征压缩描述，包括：对所述第二支付信息范例的多模态描述进行正序特征压缩处理，获得对应所述第二支付信息范例的第二正序中间描述；对所述第二支付信息范例的多模态描述进行反馈特征压缩处理，获得对应所述第二支付信息范例的第二反馈中间描述；对所述第二正序中间描述以及所述第二反馈中间描述进行合并处理，获得涵盖所述第二支付信息范例的局部关联内容的第二特征压缩描述。
11.在一些可能的设计思路下，所述对应于所述绑定式支付信息范例的差异化归类信息为对应于所述绑定式支付信息范例的各范例联系关键词的条件量化估计值，所述基于所述对应于所述绑定式支付信息范例的影响因子、以及所述对应于所述绑定式支付信息范例的差异化归类信息，创建所述绑定式信息区分网络的网络评估指标，包括：对所述对应于所述绑定式支付信息范例的各范例联系关键词的条件量化估计值的第一映射结果进行投影处理，获得第二映射结果；将所述第二映射结果、与所述基于所述对应于所述绑定式支付信息范例的影响因子的加权结果，确定为所述绑定式信息区分网络的网络评估指标。
12.在一些可能的设计思路下，所述优化所述绑定式信息区分网络的网络变量直到所述网络评估指标满足设定条件，包括：当所述网络评估指标的指标判定值大于设定指标值时，基于所述绑定式信息区分网络的网络评估指标确定对应的偏差数据；将所述偏差数据在所述绑定式信息区分网络中反馈传输，并在传输的过程中优化所述绑定式信息区分网络的网络变量直到所述网络评估指标满足设定条件。
13.根据本技术的第二方面，提供一种业务服务器，包括：存储器，用于存储可执行的指令；处理器，用于根据所述可执行的指令的控制，运行所述业务服务器执行上述的方法。
14.根据本技术的第三方面，提供一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。
15.根据本技术的一个实施例，基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子，并基于针对绑定式支付信息范例的影响因子、以及利用绑定式信息区分网络获得的针对绑定式支付信息范例的差异化归类信息，训练绑定式信息区分网络，从而在绑定式信息区分网络中引入针对绑定式支付信息范例的影响因子，削弱绑定式支付信息集合的噪声，提高绑定式信息区分网络对新鲜样本的适应能力；利用在绑定式信息区分网络中引入针对绑定式支付信息范例的影响因子，继而再对绑定式支付信息中的第一支付信息以及第二支付信息进行行为倾向联系区分处理，可以获得准确可靠的针对绑定式支付信息的差异化归类信息，从而提高绑定式信息区分网络的信息区分和分类性能。
16.通过以下参照附图对本技术的示例性实施例的详细描述，本技术的其它特征及其
优点将会变得清楚。
附图说明
17.被结合在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且连同其说明一起用于解释本技术的原理。
18.图1是示出可以实现本技术的实施例的业务服务器的一种硬件配置的框图。
19.图2是示出可以实现本技术的实施例的业务服务器的另一种硬件配置的框图。
20.图3是示出可以实现本技术的实施例的结合大数据及ai智能的支付信息处理方法的流程图。
21.图4是示出可以实现本技术的实施例的结合大数据及ai智能的支付信息处理系统的架构示意图。
具体实施方式
22.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
23.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。
24.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
25.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
26.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
27.《硬件配置》图1是示出可以实现本技术的实施例的业务服务器100的一种硬件配置的框图，业务服务器100可以包括处理器110和存储器120，存储器120用于存储可执行的指令，处理器110用于根据可执行的指令的控制，运行业务服务器100执行本技术中的结合大数据及ai智能的支付信息处理方法。
28.图2是示出可以实现本技术的实施例的业务服务器100的另一种硬件配置的框图，业务服务器100可以包括处理器110、存储器120和结合大数据及ai智能的支付信息处理装置400，结合大数据及ai智能的支付信息处理装置400包括至少一个可以软件或固件（firmware）的形式储存于所述存储器120中的软件功能模块，所述处理器110通过运行存储在存储器120内的软件程序以及模块，例如本技术实施例中的结合大数据及ai智能的支付信息处理装置400，从而执行各种功能应用以及数据处理，即实现本技术实施例中的结合大数据及ai智能的支付信息处理方法。
29.《方法实施例》图3是示出可以实现本技术的实施例的结合大数据及ai智能的支付信息处理方法的流程图，结合大数据及ai智能的支付信息处理方法可以通过图1或图2所示的业务服务器
100实现，进一步可以包括以下步骤所描述的技术方案。
30.对于步骤101而言，利用第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容。
31.当在第一支付信息挖掘网络中输入绑定式支付信息时，其中，绑定式支付信息包括第一支付信息和第二支付信息（比如可以将第一支付信息和第二支付信息理解为信息对或者信息组，比如针对同一支付业务设备的不同支付信息）。第一支付信息挖掘网络会对第一支付信息进行支付信息挖掘，从而获得针对第一支付信息的挖掘内容、即第一支付信息挖掘网络仅会对绑定式支付信息中的第一支付信息进行支付信息挖掘处理，并不会对第二支付信息进行支付信息挖掘处理，换言之第一支付信息挖掘网络利用第一支付信息挖掘绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系，第一支付信息挖掘网络具有“第一支付信息挖掘”噪声（或者理解为针对第一支付信息挖掘的偏差）。
32.以一些示例性的角度来看待，支付信息可以包括支付行为数据、支付项目数据或者其他的与在线支付或者跨境支付有关的业务数据，在此不一一列举。上述的支付信息挖掘可以理解为针对支付信息的相关预测处理，对应的挖掘内容可以理解为预测结果。
33.可以理解的是，为了获得“第一支付信息挖掘”噪声的挖掘内容，可以利用存在“第一支付信息挖掘”噪声的第一支付信息挖掘网络对外部传入的绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容，以便后续根据针对第一支付信息范例的挖掘内容进行噪声解析处理（比如可以理解为偏差分析处理或者误差分析处理），获得针对绑定式支付信息范例的影响因子，并根据影响因子消除或者改善“第一支付信息挖掘”噪声。
34.在本技术实施例中，影响因子可以理解为权重、权值、权重因子或者影响权重。此外，上述的范例可以理解为训练样本。
35.在一些可选的实施例中，以下是本技术实施例提供的一个可选的实施方案，在一些可能的实施例中，该方法还可以包括以下内容：基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例的范例联系关键词、以及第一支付信息训练范例，对第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络。在本技术实施例中，范例联系关键词可以理解为关系标签。基于上述内容，能够对第一支付信息挖掘网络进行训练，从而确保第一支付信息挖掘网络的正常使用。
36.对于本技术的一些可能的实施例而言，上述步骤101可以利用如下步骤101b实现。
37.对于步骤101b而言，通过完成训练的第一支付信息挖掘网络对第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容。
38.其中，第一支付信息范例为绑定式支付信息范例集中的支付信息范例。为了获得有“第一支付信息挖掘”噪声的第一支付信息挖掘网络，可以利用外部导入的绑定式支付信息范例数据对第一挖掘网络进行训练，即基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例的范例联系关键词、以及第一支付信息训练范例，对第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络，其中绑定式支付信息范例集具有筛选噪声，利用有筛选噪声（选择偏差）的数据信息集合对第一支付信息挖掘网络进行训练，使得第一支付信息挖掘网络学习和领悟到该筛选噪声，后续该第一支付信息挖掘网络将根据学习和领悟到的筛选噪声仅根据绑定式支付信息中一个支付信息便
可以实现支付信息挖掘。
39.在一些可独立实施的实施例中，基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例的范例联系关键词、以及第一支付信息训练范例，对第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络，包括：对绑定式支付信息范例集进行拆解处理，获得x个绑定式支付信息范例子集；对于x个绑定式支付信息范例子集中的任意一第i个绑定式支付信息范例子集，实施如下步骤：默认化第一支付信息挖掘网络的网络变量；将除第i个绑定式支付信息范例子集之外的绑定式支付信息范例子集确定为绑定式支付信息范例训练集，并利用绑定式支付信息范例训练集对第一支付信息挖掘网络进行训练，获得完成训练的第一支付信息挖掘网络。比如，可以将第一支付信息挖掘网络的网络变量/模型参数进行初始化，然后利用相应的范例子集进行训练，如此，可以确保完成训练的第一支付信息挖掘网络的预测精度。
40.通过完成训练的第一支付信息挖掘网络对第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容，包括：基于第i个绑定式支付信息范例子集，利用第一支付信息挖掘网络对第i个绑定式支付信息范例子集进行支付信息挖掘处理，获得针对第i个绑定式支付信息范例子集的挖掘内容；其中，i大于0且小于等于x，且i和x皆为自然数。
41.为了节省绑定式支付信息范例集的范例数量，可以利用k-重交叉验证（k-fold crossvalidation）对第一支付信息挖掘网络进行训练，可以先对支付信息范例集进行随机性拆解（例如无规则划分），将绑定式支付信息范例集拆解为x个绑定式支付信息范例子集，其中，x可以根据实际的处理要求进行设置。将x个绑定式支付信息范例子集中的任意一第i个绑定式支付信息范例子集作为用于获得针对第一支付信息范例的挖掘内容的集合，并实施如下步骤：每进行一次第一支付信息挖掘网络的训练，都需要默认化第一支付信息挖掘网络的自身网络变量，并将除第i个绑定式支付信息范例子集之外的绑定式支付信息范例子集确定为绑定式支付信息范例训练集，利用确定的绑定式支付信息范例训练集对第一支付信息挖掘网络进行训练，获得完成训练的第一支付信息挖掘网络。当基于除第i个绑定式支付信息范例子集之外的绑定式支付信息范例子集，获得完成训练的第一支付信息挖掘网络后，基于第i个绑定式支付信息范例子集，通过训练获得的第一支付信息挖掘网络对第i个绑定式支付信息范例子集进行支付信息挖掘处理，获得针对第i个绑定式支付信息范例子集的挖掘内容，从而获得x个针对绑定式支付信息范例子集的挖掘内容，节省网络训练的开销。
42.在一些可独立实施的实施例中，通过完成训练的第一支付信息挖掘网络对第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容，包括：通过完成训练的第一支付信息挖掘网络对第一支付信息范例进行多模态描述映射处理，获得第一支付信息范例的多模态描述；对第一支付信息范例的多模态描述进行特征压缩处理，获得涵盖局部关联内容的特征压缩描述；对涵盖局部关联内容的特征压缩描述进行描述翻译处理，获得针对第一支付信息范例的挖掘内容。
43.举例而言，多模态描述映射可以理解为特征向量转换处理，特征压缩对应于编码处理，描述翻译对应于解码处理，如此设计，能够准确、完整地获得针对第一支付信息范例的挖掘内容。
44.在获得完成训练的第一支付信息挖掘网络后，可以通过完成训练的第一支付信息挖掘网络先对第一支付信息范例进行多模态描述映射处理，获得第一支付信息范例的多模态描述，以便后续根据多模态描述进行特征压缩处理。利用第一支付信息挖掘网络的设定中间层（比如长短期记忆网络lstm层）对第一支付信息范例的多模态描述进行特征压缩处理，合并第一支付信息范例的邻居关联信息（比如局部关联内容），获得涵盖局部关联内容的特征压缩描述。在获得涵盖局部关联内容的特征压缩描述后，对涵盖局部关联内容的特征压缩描述进行描述翻译处理，获得针对第一支付信息范例的挖掘内容（绑定式支付信息范例的行为倾向联系、即仅根据第一绑定式支付信息范例，获得支付信息范例的行为倾向联系（比如关键词标签或关键词标识））。
45.对于一些可能的实施例而言，利用绑定式信息区分网络的训练装置中的第二训练单元，可以对基于绑定式支付信息范例集中第一支付信息训练范例与第二支付信息训练范例的范例联系关键词、以及第一支付信息训练范例，对第一支付信息挖掘网络进行网络训练，获得完成训练的第一支付信息挖掘网络，利用挖掘网络中训练好的第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容，并将针对第一支付信息范例的挖掘内容导入至第一处理单元中。
46.对于步骤102而言，基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子。
47.当利用有筛选噪声的第一支付信息挖掘网络对第一支付信息范例进行支付信息挖掘处理，获得针对第一支付信息范例的挖掘内容后，还需要获得针对绑定式支付信息范例的影响因子，以确定该绑定式支付信息范例的重要程度，以根据影响因子训练绑定式信息区分网络。为了获得针对绑定式支付信息范例的影响因子，需要基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，以确定该绑定式支付信息范例的重要程度。
48.在一些可独立实施的实施例中，针对第一支付信息范例的挖掘内容为针对第一支付信息范例的各范例联系关键词的量化估计值；基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子，包括：确定绑定式支付信息范例集在真实期望描述时，绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值；根据针对第一支付信息范例的各范例联系关键词的量化估计值、以及各范例联系关键词的真实期望量化估计值，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子。
49.其中，针对第一支付信息范例的挖掘内容为针对第一支付信息范例的各范例联系关键词的量化估计值（概率），例如范例联系关键词有两个，分别为第一范例联系关键词（重叠标识）和第二范例联系关键词（非重叠标识），则针对第一支付信息范例的挖掘内容为：针对第一支付信息范例的第一范例联系关键词的量化估计值（仅根据第一支付信息范例，即获得绑定式支付信息范例中第一支付信息范例与第二支付信息范例的第一范例联系关键词的量化估计值）和针对第一支付信息的范例的第二范例联系关键词的量化估计值（仅根据第一支付信息范例，即获得绑定式支付信息范例中第一支付信息范例与第二支付信息范
例的第二范例联系关键词的量化估计值）。
50.为了获得针对绑定式支付信息范例的影响因子，首先确定绑定式支付信息范例集在真实期望描述（比如无偏差分布情况）时，绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值（比如无偏差概率或者去极化概率），然后根据针对第一支付信息范例的各范例联系关键词的量化估计值、以及各范例联系关键词的真实期望量化估计值，对针对第一支付信息范例的挖掘内容进行噪声解析处理，从而获得针对绑定式支付信息范例的影响因子，换言之在针对第一支付信息范例的各范例联系关键词的量化估计值中引入各范例联系关键词的真实期望量化估计值（考虑各范例联系关键词的真实期望量化估计值），使得计算获得的针对绑定式支付信息范例的影响因子考虑到各范例联系关键词的真实期望量化估计值。
51.当针对第一支付信息范例的各范例联系关键词的量化估计值越大、即绑定式支付信息范例的筛选噪声越大，则针对绑定式支付信息范例的影响因子越小，使得该绑定式支付信息范例的重要程度越低，在后续绑定式信息区分网络中的训练中，需要在一定程度上忽视该绑定式支付信息范例。
52.在一些可独立实施的实施例中，确定绑定式支付信息范例集在真实期望描述时，绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值，包括：基于各范例联系关键词的基准量化估计值的比例值、以及针对第一支付信息范例的各范例联系关键词的量化估计值，利用递归查找分类算法（比如二分法）对待定的真实期望量化估计值进行阶段性循环处理（比如迭代处理），获得绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值。
53.为了获得绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值，需要先确定基于各范例联系关键词的基准量化估计值，从而确定基于各范例联系关键词的基准量化估计值的比例值，例如，第一范例联系关键词的基准量化估计值（比如0.8）和第二范例联系关键词的基准量化估计值（比如0.4），从而确定第一范例联系关键词的基准量化估计值和第二范例联系关键词的基准量化估计值的比例值为2。
54.确定了基于各范例联系关键词的基准量化估计值的比例值后，假设第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值为未知数，根据基于各范例联系关键词的基准量化估计值的比例值以及针对第一支付信息范例的各范例联系关键词的量化估计值，利用递归查找分类算法对待定的真实期望量化估计值进行阶段性循环处理，从而获得绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值。
55.可以理解的是，由于绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值的运算较为繁琐，为了节省运算资源和运算开销，可以利用递归查找分类算法对待定的各范例联系关键词的真实期望量化估计值进行阶段性循环处理，快速获得绑定式支付信息范例中第一支付信息范例与第二支付信息范例的各范例联系关键词的真实期望量化估计值，有效降低运算开销。
56.在一些可独立实施的实施例中，根据针对第一支付信息范例的各范例联系关键词
的量化估计值、以及各范例联系关键词的真实期望量化估计值，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子，包括：确定针对第一支付信息范例的第一范例联系关键词的第一量化估计值、以及针对第一支付信息范例的第二范例联系关键词的第二量化估计值、第一范例联系关键词的第一真实期望量化估计值以及第二范例联系关键词的第二真实期望量化估计值；将第一量化估计值与第二真实期望量化估计值的第一加权结果、与第二量化估计值与第一真实期望量化估计值的第二加权结果进行全局性整合，获得整合结果；将整合结果与第一加权结果进行比例值处理，获得绑定式支付信息范例针对第一范例联系关键词的影响因子；将整合结果与第二加权结果进行比例值处理，获得绑定式支付信息范例针对第二范例联系关键词的影响因子。
57.可以理解的是，确定针对第一支付信息范例的各范例联系关键词的量化估计值（例如，针对第一支付信息范例的第一范例联系关键词的第一量化估计值和针对第二支付信息范例的各范例联系关键词的第二量化估计值）、以及各范例联系关键词的真实期望量化估计值（例如，第一范例联系关键词的第一真实期望量化估计值和第二范例联系关键词的第二真实期望量化估计值）后，可以根据针对第一支付信息范例的各范例联系关键词的量化估计值、以及各范例联系关键词的真实期望量化估计值，确定绑定式支付信息范例针对第二范例联系关键词的影响因子。可以将第一量化估计值与第二真实期望量化估计值的第一加权结果（比如第一乘积）、与第二量化估计值与第一真实期望量化估计值的第二加权结果（比如第二乘积）进行全局性整合（比如进行求和处理），获得整合结果，再将整合结果与第一加权结果进行比例值处理，获得绑定式支付信息范例针对第一范例联系关键词的影响因子、将整合结果与第二加权结果进行比例值处理，获得绑定式支付信息范例针对第二范例联系关键词的影响因子，从而获得针对绑定式支付信息范例的影响因子。本技术实施例并不局限于绑定式支付信息范例的二分类场景，还可应用于绑定式支付信息范例的多分类场景。
58.以一些示例性的角度来看待，利用绑定式信息区分网络的训练装置中的第一处理单元可以基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子，并将针对绑定式支付信息范例的影响因子导入至第一训练单元中。
59.对于步骤103而言，利用绑定式信息区分网络对绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得针对绑定式支付信息范例的差异化归类信息。
60.在基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子后，需要利用绑定式信息区分网络对绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，从而获得针对绑定式支付信息范例的差异化归类信息，以便后续利用针对绑定式支付信息范例的差异化归类信息以及针对绑定式支付信息范例的影响因子对绑定式信息区分网络进行训练，从而消除或者改善绑定式信息区分网络的“第一支付信息挖掘”噪声。
61.可以理解的是，行为倾向联系区分处理可以视为行为意图关系的分类处理或者分类解析，绑定式支付信息范例的差异化归类信息可以理解为绑定式支付信息范例的分类结
果。
62.在一些可独立实施的实施例中，利用绑定式信息区分网络对绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得针对绑定式支付信息范例的差异化归类信息，包括：分别对第一支付信息范例以及第二支付信息范例进行多模态描述映射处理，获得第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述；分别对第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述进行特征压缩处理，获得涵盖第一支付信息范例的局部关联内容的第一特征压缩描述、以及涵盖第二支付信息范例的局部关联内容的第二特征压缩描述；对第一特征压缩描述以及第二特征压缩描述进行组合处理，获得组合描述；对组合描述进行行为倾向联系描述翻译处理，获得针对绑定式支付信息范例的差异化归类信息。
63.可以理解的是，在利用针对绑定式支付信息范例的影响因子训练绑定式信息区分网络前，需要利用绑定式信息区分网络对绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得针对绑定式支付信息范例的差异化归类信息，以便后续根据针对绑定式支付信息范例的差异化归类信息以及针对绑定式支付信息范例的影响因子训练绑定式信息区分网络。
64.本技术实施例可以利用双向lstm网络对第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，需要先分别对第一支付信息范例以及第二支付信息范例进行多模态描述映射处理，获得第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述，以便后续基于多模态描述进行特征压缩操作，在获得第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述后，利用绑定式信息区分网络中的lstm网络的中间神经元（可以理解为中间层或者隐含层）分别对第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述进行特征压缩处理，获得涵盖第一支付信息范例的局部关联内容的第一特征压缩描述、以及涵盖第二支付信息范例的局部关联内容的第二特征压缩描述，对第一特征压缩描述以及第二特征压缩描述进行组合处理（融合），获得组合描述，并利用绑定式信息区分网络的输出子网（比如输出层）对组合描述进行行为倾向联系描述翻译处理，获得针对绑定式支付信息范例的差异化归类信息。其中，当绑定式支付信息范例存在筛选噪声，则获得的针对绑定式支付信息范例的差异化归类信息也会有一定程度的“第一支付信息挖掘”噪声。
65.在一些可独立实施的实施例中，对第一支付信息范例的多模态描述进行特征压缩处理，获得涵盖第一支付信息范例的局部关联内容的第一特征压缩描述，包括：对第一支付信息范例的多模态描述进行正序特征压缩处理，获得对应第一支付信息范例的第一正序中间描述；对第一支付信息范例的多模态描述进行反馈特征压缩处理，获得对应第一支付信息范例的第一反馈中间描述；对第一正序中间描述以及第一反馈中间描述进行合并处理，获得涵盖第一支付信息范例的局部关联内容的第一特征压缩描述。
66.在一些可独立实施的实施例中，对第二支付信息范例的多模态描述进行特征压缩处理，获得涵盖第二支付信息范例的局部关联内容的第二特征压缩描述，包括：对第二支付信息范例的多模态描述进行正序特征压缩处理，获得对应第二支付信息范例的第二正序中间描述；对第二支付信息范例的多模态描述进行反馈特征压缩处理，获得对应第二支付信息范例的第二反馈中间描述；对第二正序中间描述以及第二反馈中间描述进行合并处理，
获得涵盖第二支付信息范例的局部关联内容的第二特征压缩描述。
67.在本技术实施中，正序特征压缩处理可以理解为前向编码，反馈特征压缩处理可以理解为反向编码。
68.在业务服务器获得第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述后，可以将多模态描述导入至绑定式信息区分网络的blstm网络（双向长短时记忆网络）的中间层，并利用blstm网络的中间层对第一支付信息范例的多模态描述分别进行正序特征压缩和反馈特征压缩处理，从而获得第一支付信息范例的第一正序中间描述以及第一反馈中间描述，并对第一支付信息范例的第一正序中间描述以及第一反馈中间描述进行合并处理，从而获得涵盖第一支付信息范例的局部关联内容的特征压缩信息，其中，第一正序中间描述涵盖第一支付信息范例的全部正序信息，第一反馈中间描述涵盖第一支付信息范例的全部反馈信息。
69.由此看来，合并第一正序中间描述以及第一反馈中间描述后的特征压缩信息涵盖第一支付信息范例的全部信息。利用blstm网络的中间层对第二支付信息范例的多模态描述分别进行正序特征压缩和反馈特征压缩处理，从而获得第二支付信息范例的第二正序中间描述以及第二反馈中间描述，并对第二支付信息范例的第二正序中间描述以及第二反馈中间描述进行合并处理，从而获得涵盖第二支付信息范例的局部关联内容的特征压缩信息，其中，第二正序中间描述涵盖第二支付信息范例的全部正序信息，第二反馈中间描述涵盖第二支付信息范例的全部反馈信息。因此，合并第二正序中间描述以及第二反馈中间描述后的特征压缩信息涵盖第二支付信息范例的全部信息。
70.在一些示例中，可以利用绑定式信息区分网络对第一支付信息范例的多模态描述中的第i描述进行正序特征压缩处理，获得第一支付信息范例的第i正序中间描述；对第一支付信息范例的多模态描述中的第i描述进行反馈特征压缩处理，获得第一支付信息范例的第i反馈中间描述；将第i正序中间描述、第i反馈中间描述进行组合处理，获得涵盖第一支付信息范例的局部关联内容的第i特征压缩信息。利用绑定式信息区分网络对第二支付信息范例的多模态描述中的第i描述进行正序特征压缩处理，获得第二支付信息范例的第i正序中间描述；对第二支付信息范例的多模态描述中的第i描述进行反馈特征压缩处理，获得第二支付信息范例的第i反馈中间描述；将第i正序中间描述、第i反馈中间描述进行组合处理，获得涵盖第二支付信息范例的局部关联内容的第i特征压缩信息。
71.在本技术实施例中，i小于0且大于等于x，且i和x均为正整数，x为多模态描述中描述（向量）的总数量。当多模态描述中有x个描述，则对x个描述按照正序方向进行特征压缩，依次获得在正序方向的x个中间描述（隐向量）。
72.例如对多模态描述按照正序方向进行特征压缩处理后，获得在正序方向的中间描述为：{description-1l，description-2l，...description-il...，description-xl}，其中，description-il表示第i描述在正序方向的第i中间描述。对x个描述按照反馈方向进行特征压缩，依次获得在反馈方向的x个中间描述，例如对多模态描述按照反馈方向进行特征压缩处理后，获得在反馈方向的中间描述为：{description-1r，description-2r，...description-ir...，description-xr}，其中，description-ir表示第i描述在反馈方向的第i中间描述。
73.将在正序方向的中间描述为：{description-1l，description-2l，...description-il...，description-xl}，以及在反馈方向的中间描述为：{description-1r，description-2r，...description-ir...，description-xr}进行组合，获得涵盖局部关联内容的特征压缩信息{[description-1l，description-1r]，[description-2l，description-2r]，...[description-il，description-ir]...，[description-xl，description-xr]}。例如，将第i描述在正序方向的第i中间描述description-il、第i描述在反馈方向的第i中间描述description-ir进行组合处理，获得涵盖局部关联内容的第i特征压缩信息{description-il，description-ir}。为了简化运算复杂度，由于正序方向的末尾一个中间描述涵盖正序方向的绝大部分内容、反馈方向的末尾一个中间描述涵盖反馈方向的绝大部分内容，因此，可以直接对正序方向的末尾一个中间描述以及反馈方向的末尾一个中间描述进行合并，获得涵盖局部关联内容的特征压缩信息。
[0074]
为了简化运算复杂度，在业务服务器在获得第一支付信息范例的多模态描述以及第二支付信息范例的多模态描述后，还可以将多模态描述导入至绑定式信息区分网络的lstm网络的中间层，并利用lstm网络的中间层对第一支付信息范例的多模态描述分别进行正序特征压缩或反馈特征压缩处理，从而获得第一支付信息范例的第一正序中间描述或第一反馈中间描述，并对第一支付信息范例的第一正序中间描述或第一反馈中间描述进行合并处理，从而获得涵盖第一支付信息范例的局部关联内容的特征压缩信息。
[0075]
在一些可能的实施例中，利用绑定式信息区分网络的训练装置中的区分单元中的支付信息区分网络可以对绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得针对绑定式支付信息范例的差异化归类信息，并将针对绑定式支付信息范例的差异化归类信息导入至第一训练单元中。
[0076]
对于步骤104而言，基于针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息，创建绑定式信息区分网络的网络评估指标；优化绑定式信息区分网络的网络变量直到网络评估指标满足设定条件，将网络评估指标满足设定条件时绑定式信息区分网络的优化网络变量、确定为通过训练后获得的网络变量。
[0077]
在业务服务器获得针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息后，可以基于针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息对绑定式信息区分网络进行训练、即创建绑定式信息区分网络的网络评估指标（比如损失函数或者代价函数），并优化绑定式信息区分网络的网络变量直到网络评估指标满足设定条件（比如直至网络评估指标对应的损失函数处于收敛状态），从而获得完成训练的绑定式信息区分网络，使得绑定式信息区分网络考虑针对绑定式支付信息范例的影响因子，消除或者改善绑定式支付信息范例的筛选噪声。
[0078]
在一些可独立实施的实施例中，优化绑定式信息区分网络的网络变量直到网络评估指标满足设定条件，包括：当网络评估指标的指标判定值大于设定指标值时，基于绑定式信息区分网络的网络评估指标确定对应的偏差数据（误差信息）；将偏差数据在绑定式信息区分网络中反馈传输（比如反向传播），并在传输的过程中优化绑定式信息区分网络的网络变量直到网络评估指标满足设定条件。
[0079]
其中，当业务服务器基于针对绑定式支付信息范例的差异化归类信息（针对绑定式支付信息范例的各范例联系关键词的量化估计值），确定绑定式信息区分网络的网络评估指标的指标判定值后，可以判断网络评估指标的指标判定值是否大于预设设定指标值，当网络评估指标的指标判定值大于预设设定指标值时，基于网络评估指标确定绑定式信息区分网络的偏差数据，将误差信息在绑定式信息区分网络中反馈传输，并在传输的过程中优化各个神经网络层的网络变量。
[0080]
在一些示例下，可以对反馈传输进行如下阐述：将训练范例数据传入至机器学习模型的输入子网，经过中间子网，最后达到输出子网并输出结果，这是机器学习模型的正序传输过程，由于机器学习模型的输出结果与真实结果有误差，则计算输出结果与真实结果之间的误差，并将该误差从输出子网向中间子网反馈传输，直到传输到输入子网，在反馈传输的过程中，根据误差调整网络变量的指标判定值；不断阶段性循环上述过程，直到满足设定条件，其中，绑定式信息区分网络属于上述的机器学习模型。
[0081]
在一些可独立实施的实施例中，针对绑定式支付信息范例的差异化归类信息为针对绑定式支付信息范例的各范例联系关键词的条件量化估计值，基于针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息，创建绑定式信息区分网络的网络评估指标，包括：对针对绑定式支付信息范例的各范例联系关键词的条件量化估计值的第一映射结果进行投影处理，获得第二映射结果；将第二映射结果、与基于针对绑定式支付信息范例的影响因子的加权结果，确定为绑定式信息区分网络的网络评估指标。
[0082]
可以理解的是，通过引入影响因子可以使绑定式信息区分网络去拟合一个真实期望描述，从而消除或者改善数据信息集合中存在的噪声，提升绑定式信息区分网络对新鲜样本的适应能力。
[0083]
对于一些可能的实施例而言，利用绑定式信息区分网络的训练装置中的第一训练单元可以基于针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息，创建绑定式信息区分网络的网络评估指标；优化绑定式信息区分网络的网络变量直到网络评估指标满足设定条件。
[0084]
对于步骤105而言，利用网络评估指标满足设定条件时的绑定式信息区分网络对待区分的绑定式支付信息进行行为倾向联系识别。
[0085]
在上述步骤101-步骤104的基础上，可以利用完成训练的绑定式信息区分网络进行绑定式支付信息的行为倾向联系识别分类，从而得到相应的识别结果或者分类结果。
[0086]
对于步骤105的进一步实施方式可以参阅以下步骤201和步骤202。
[0087]
对于步骤201而言，确定待区分的绑定式支付信息中的第一支付信息以及第二支付信息。
[0088]
业务用户可以在支付业务设备上导入待区分的绑定式支付信息，输入完成后，支付业务设备也可以利用网络向业务服务器发送业务用户在支付业务设备上导入的待区分的绑定式支付信息，业务服务器接收到该待区分的绑定式支付信息后，可以确定待区分的绑定式支付信息中的第一支付信息以及第二支付信息，以进行后续区分处理。
[0089]
对于步骤202而言，利用绑定式信息区分网络对第一支付信息以及第二支付信息进行行为倾向联系区分处理，获得绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系。
[0090]
在本技术实施例中，绑定式信息区分网络是基于上述对应的训练方法获得的，训练方法确定的绑定式信息区分网络的网络变量是利用基于针对绑定式支付信息范例的影响因子、以及针对绑定式支付信息范例的差异化归类信息所创建的绑定式信息区分网络的网络评估指标满足设定条件时获得的，其中，基于针对绑定式支付信息范例的影响因子是基于绑定式支付信息范例集的真实期望描述，对针对绑定式支付信息范例中的第一支付信息范例的挖掘内容进行噪声解析处理获得的。
[0091]
通过完成训练的绑定式信息区分网络对第一支付信息以及第二支付信息进行行为倾向联系区分处理，获得绑定式支付信息中第一支付信息与第二支付信息的各行为倾向联系标签的量化估计值，例如行为倾向联系标签为第一联系（例如，重叠）标签的量化估计值（0.2）和第二范例联系关键词（例如，非重叠）的量化估计值（0.8），从绑定式支付信息中第一支付信息与第二支付信息的各行为倾向联系标签的量化估计值中挑选最大值所对应的范例联系关键词为绑定式支付信息的行为倾向联系（例如，重叠）。
[0092]
当业务服务器确定了绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系后，可以利用网络向支付业务设备发送绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系，或者直接给出绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系，以便用户了解导入的绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系。
[0093]
在一些可独立实施的技术方案下，步骤202可以利用如下步骤2011-步骤2014实现。
[0094]
对于步骤2011而言，利用绑定式信息区分网络分别对第一支付信息以及第二支付信息进行多模态描述映射处理，获得第一支付信息的多模态描述以及第二支付信息的多模态描述。
[0095]
对于步骤2012而言，分别对第一支付信息的多模态描述以及第二支付信息的多模态描述进行特征压缩处理，获得涵盖第一支付信息的局部关联内容的第一特征压缩描述、以及涵盖第二支付信息的局部关联内容的第二特征压缩描述。
[0096]
对于步骤2013而言，对第一特征压缩描述以及第二特征压缩描述进行组合处理，获得组合描述。
[0097]
对于步骤2014而言，对组合描述进行行为倾向联系描述翻译处理，获得绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系。
[0098]
在本技术实施例中，完成训练的绑定式信息区分网络考虑消除或者改善训练范例的筛选噪声，因此，通过完成训练的绑定式信息区分网络，获得的绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系没有“第一支付信息挖掘”噪声。
[0099]
本技术实施例可以利用lstm网络对第一支付信息以及第二支付信息进行行为倾向联系区分处理，需要先分别对第一支付信息以及第二支付信息进行多模态描述映射处理，获得第一支付信息的多模态描述以及第二支付信息的多模态描述，以便后续基于多模态描述进行特征压缩操作，在获得第一支付信息的多模态描述以及第二支付信息的多模态描述后，利用绑定式信息区分网络中的lstm网络的中间层分别对第一支付信息的多模态描述以及第二支付信息的多模态描述进行特征压缩处理，获得涵盖第一支付信息的局部关联内容的第一特征压缩描述、以及涵盖第二支付信息的局部关联内容的第二特征压缩描述，
对第一特征压缩描述以及第二特征压缩描述进行组合处理，获得组合描述，并利用绑定式信息区分网络的输出子网对组合描述进行行为倾向联系描述翻译处理，获得针对绑定式支付信息范例的差异化归类信息。
[0100]
可以理解的是，在本技术实施例中，通过获得的绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系，能够对不同的支付信息之间的行为意图或者偏好信息进行综合性和全面性分析，从而挖掘出存在行为倾向关联的不同支付信息之间的业务需求情况或者业务办理情况，这样可以为后续的服务推送或者信息安全检测等一系列的任务提供决策依据和分析基础。基于此，在通过步骤105获得绑定式支付信息中第一支付信息与第二支付信息的行为倾向联系之后，可以对行为倾向联系进一步挖掘和分析，从而识别得到第一支付信息与第二支付信息之间的潜在特征内容，这样可以基于潜在特征内容执行相关任务。
[0101]
基于此，在一些选择性的且可独立实施的技术思路下，在步骤105之后，还可以包括步骤106。
[0102]
对于步骤106而言，根据所述第一支付信息与所述第二支付信息的行为倾向联系，确定所述第一支付信息与所述第二支付信息的关联意图标签，通过所述关联意图标签对所述绑定式支付信息进行潜在特征内容挖掘，得到所述绑定式支付信息的潜在特征内容，根据所述潜在特征内容向所述绑定式支付信息对应的支付业务设备进行服务项目推送。
[0103]
在本技术实施例中，可以通过预设的行为倾向联系与关联意图标签的映射列表查询得到所述第一支付信息与所述第二支付信息的关联意图标签，在确定出潜在特征内容之后，也可以从预先建立的任务分配策略中获取与潜在特征内容匹配的任务，这里与潜在特征内容匹配的任务可以是服务项目推送任务，基于此，可以向绑定式支付信息对应的支付业务设备进行服务项目推送。当然，在其他的示例中，还可以对绑定式支付信息对应的支付业务设备进行支付环境安全校验，在此不作限定。
[0104]
在一些选择性的且可独立实施的技术思路下，步骤106中所描述的通过所述关联意图标签对所述绑定式支付信息进行潜在特征内容挖掘，得到所述绑定式支付信息的潜在特征内容，可以包括以下内容。
[0105]
对于步骤301而言，通过所述关联意图标签，从所述绑定式支付信息中提取得到云支付事件集，其中，所述云支付事件集包括存在关联的j个云支付事件，所述j为大于或等于1的整数。
[0106]
对于步骤302而言，根据所述云支付事件集获取干扰型事件集，其中，所述干扰型事件集包括存在关联的j个干扰型事件。
[0107]
对于步骤303而言，基于所述云支付事件集，通过潜在特征解析网络所涵盖的第一描述抽取模型获取云支付视觉描述集，其中，所述云支付视觉描述集包括j个云支付视觉描述。
[0108]
例如，视觉描述可以理解为特征向量或者特征图。
[0109]
对于步骤304而言，基于所述干扰型事件集，通过所述潜在特征解析网络所涵盖的第二描述抽取模型获取干扰型视觉描述集，其中，所述干扰型视觉描述集包括j个干扰型视觉描述。
[0110]
例如，描述抽取模型可以理解为特征提取网络。
[0111]
对于步骤305而言，基于所述云支付视觉描述集以及所述干扰型视觉描述集，通过所述潜在特征解析网络所涵盖的事件分类模型获取所述云支付事件所对应的量化分类结果。
[0112]
例如，事件分类模型可以理解为全连接层。
[0113]
对于步骤306而言，根据所述量化分类结果确定所述云支付事件集的潜在特征内容。
[0114]
通过本技术实施例，能够将云支付事件和干扰型事件进行综合考虑，从而确保得到的潜在特征内容的完整性和可信度。
[0115]
在一些选择性的且可独立实施的技术思路下，所述基于所述云支付视觉描述集以及所述干扰型视觉描述集，通过所述潜在特征解析网络所涵盖的事件分类模型获取所述云支付事件集所对应的量化分类结果，包括：基于所述云支付视觉描述集，通过所述潜在特征解析网络所涵盖的第一多维局部聚焦子网获取j个第一关键特征，其中，每个第一关键特征对应于一个云支付视觉描述；基于所述干扰型视觉描述集，通过所述潜在特征解析网络所涵盖的第二多维局部聚焦子网获取j个第二关键特征，其中，每个第二关键特征对应于一个干扰型视觉描述；对所述j个第一关键特征以及所述j个第二关键特征进行整合处理，得到j个目标关键特征，其中，每个目标关键特征包括一个第一关键特征以及一个第二关键特征；基于所述j个目标关键特征，通过所述潜在特征解析网络所涵盖的所述事件分类模型获取所述云支付事件集所对应的量化分类结果。
[0116]
在本技术实施例中，多维局部聚焦子网可以理解为空间注意力网络，如此，可以利用多维局部聚焦子网进行局部关注处理，从而确保量化分类结果的准确性。
[0117]
在一些选择性的且可独立实施的技术思路下，所述基于所述云支付视觉描述集，通过所述潜在特征解析网络所涵盖的第一多维局部聚焦子网获取j个第一关键特征，包括：对于所述云支付视觉描述集中的每个云支付视觉描述，通过所述第一多维局部聚焦子网所涵盖的极性特征压缩层获取第一极性压缩视觉描述，其中，所述第一多维局部聚焦子网属于所述潜在特征解析网络；对于所述云支付视觉描述集中的每个云支付视觉描述，通过所述第一多维局部聚焦子网所涵盖的去极性特征压缩层获取第一去极性压缩视觉描述；对于所述云支付视觉描述集中的每个云支付视觉描述，基于所述第一极性压缩视觉描述以及所述第一去极性压缩视觉描述，通过所述第一多维局部聚焦子网所涵盖的滑坡平均处理层获取第一组合视觉描述；对于所述云支付视觉描述集中的每个云支付视觉描述，基于所述第一组合视觉描述以及所述云支付视觉描述，通过所述第一多维局部聚焦子网所涵盖的第一去极性特征压缩层获取第一关键特征。
[0118]
在本技术实施例中，极性特征压缩层可以理解为最大池化层，相应的去极性特征压缩层可以理解为平均池化层，如此设计，通过引入极性特征压缩层以及去极性特征压缩层，能够完整、准确地确定出第一关键特征。
[0119]
《系统实施例》在上述的方法实施例的基础上，本技术实施例还提出了一种系统实施例，也即结合大数据及ai智能的支付信息处理系统，请结合参阅图4，结合大数据及ai智能的支付信息处理系统30可以包括互相通信的业务服务器100和支付业务设备200。进一步地，结合大数据及ai智能的支付信息处理系统30的功能性描述如下。
[0120]
业务服务器100利用第一支付信息挖掘网络对绑定式支付信息范例中的第一支付信息范例进行支付信息挖掘处理，获得对应于所述第一支付信息范例的挖掘内容；基于绑定式支付信息范例集的真实期望描述，对对应于所述第一支付信息范例的挖掘内容进行噪声解析处理，获得对应于所述绑定式支付信息范例的影响因子；利用绑定式信息区分网络对所述绑定式支付信息范例中的第一支付信息范例以及第二支付信息范例进行行为倾向联系区分处理，获得对应于所述绑定式支付信息范例的差异化归类信息；基于所述对应于所述绑定式支付信息范例的影响因子、以及所述对应于所述绑定式支付信息范例的差异化归类信息，创建所述绑定式信息区分网络的网络评估指标；优化所述绑定式信息区分网络的网络变量直到所述网络评估指标满足设定条件，将所述网络评估指标满足设定条件时所述绑定式信息区分网络的优化网络变量确定为通过训练后获得的网络变量；利用所述网络评估指标满足设定条件时的所述绑定式信息区分网络对支付业务设备200的待区分的绑定式支付信息进行行为倾向联系识别。
[0121]
以上已经结合附图描述了本技术的实施例，根据本实施例，基于绑定式支付信息范例集的真实期望描述，对针对第一支付信息范例的挖掘内容进行噪声解析处理，获得针对绑定式支付信息范例的影响因子，并基于针对绑定式支付信息范例的影响因子、以及利用绑定式信息区分网络获得的针对绑定式支付信息范例的差异化归类信息，训练绑定式信息区分网络，从而在绑定式信息区分网络中引入针对绑定式支付信息范例的影响因子，削弱绑定式支付信息集合的噪声，提高绑定式信息区分网络对新鲜样本的适应能力；利用在绑定式信息区分网络中引入针对绑定式支付信息范例的影响因子，继而再对绑定式支付信息中的第一支付信息以及第二支付信息进行行为倾向联系区分处理，可以获得准确可靠的针对绑定式支付信息的差异化归类信息，从而提高绑定式信息区分网络的信息区分和分类性能。
[0122]
本领域技术人员公知的是，随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势，要明确划分计算机系统软、硬件界限已经显得比较困难了。因为，任何操作可以软件来实现，也可以由硬件来实现。任何指令的执行可以由硬件完成，同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案，取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此，对于电子信息技术领域的普通技术人员来说，更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下，本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
[0123]
本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本技术的各个方面的计算机可读程序指令。
[0124]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算
机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0125]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0126]
用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
[0127]
这里参照根据本技术实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0128]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0129]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0130]
附图中的流程图和框图显示了根据本技术的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
[0131]
以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本技术的范围由所附权利要求来限定。