通过周期卡调控用户的电子支付的方法和装置与流程

本说明书一个或多个实施例涉及计算机领域，尤其涉及通过周期卡调控用户的电子支付的方法和装置。

背景技术：

营销场景周期卡类产品，例如公交地铁周卡、月卡，用户购买周期卡需要先支付一笔购卡费用，购卡后每次乘坐公交、地铁会享受一定的折扣优惠，通常享受的优惠是大于购卡费用的，差额对电子支付平台来说就是营销费用。用户购卡后会增加电子支付平台的使用次数，逐渐养成使用该电子支付平台的习惯，从而提升该电子支付平台的线下支付市场份额。

在前述周期卡的商品售卖场景中，用户购卡需要先支付一定的费用，用户本身的出行需求不同，享受到的营销补贴也会不一样，购卡费用和营销补贴的关系直接影响到用户的购卡率。由于营销投入不考虑成本，补贴越多，用户购卡率越高，带来的支付笔数提升越多，但是在营销费用固定的情况下，最大化营销费用的投入产出比是营销算法需要考虑的第一要务。

目前通过周期卡调控用户的电子支付比较常见的方案：是认为用户购卡一定能提升支付笔数，所以在营销成本可控的情况下，最大化购卡率即可带来支付笔数提升，但是能带来多少并不能准确的衡量。该方案实际上无法实现最大化用户的支付笔数提升，通过周期卡调控用户的电子支付的效果不佳。

因此，希望能有改进的方案，能够确保周期卡调控用户的电子支付的最佳效果。

技术实现要素：

本说明书一个或多个实施例描述了一种通过周期卡调控用户的电子支付的方法和装置，能够确保周期卡调控用户的电子支付的最佳效果。

第一方面，提供了一种通过周期卡调控用户的电子支付的方法，用户在持有所述周期卡的情况下，在第一预设时间周期内的预设支付行为能够获得折扣，方法包括：

获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；

将所述第一用户的个性化特征、所述第一用户的场景特征和所述周期卡的各优惠价格作为预先训练的第一深度学习网络模型的输入，通过所述第一深度学习网络模型的输出得到所述第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率；

将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第二深度学习网络模型的输入，通过所述第二深度学习网络模型的输出得到所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数；

将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第三深度学习网络模型的输入，通过所述第三深度学习网络模型的输出得到所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；

根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。

在一种可能的实施方式中，所述个性化特性包括如下至少一项：用户的年龄、性别、职业、城市、消费档次、线下支付情况、线上支付情况。

在一种可能的实施方式中，所述预设支付行为包括：用户乘坐预设交通工具时的支付行为；所述场景特征包括：用户发生乘坐预设交通工具时的支付行为的历史发生频率。

在一种可能的实施方式中，所述周期卡的各优惠价格通过如下特征指示：周期卡的原价、各折扣、各折后价格。

在一种可能的实施方式中，所述方法还包括：

将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为第一深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为样本标签，对所述第一深度学习网络模型进行模型训练。

在一种可能的实施方式中，所述方法还包括：

将训练用户集合中各用户的个性化特征、各用户的场景特征作为第二深度学习网络模型的样本输入，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第二深度学习网络模型进行模型训练。

在一种可能的实施方式中，所述方法还包括：

将训练用户集合中各用户的个性化特征、各用户的场景特征作为第三深度学习网络模型的样本输入，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第三深度学习网络模型进行模型训练。

在一种可能的实施方式中，所述第一深度学习网络模型、所述第二深度学习网络模型和所述第三深度学习网络模型组成多目标深度学习网络模型；所述方法还包括：

将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为所述多目标深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为第一样本标签，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第二样本标签，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第三样本标签，对所述多目标深度学习网络模型进行联合训练。

在一种可能的实施方式中，各优惠价格包括第一价格；所述确定各优惠价格下的支付次数提升值，包括：

根据所述第一支付次数和所述第二支付次数的差值，确定次数增加数；

根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本；

根据所述第一价格下的购买率、次数增加数和提升成本，确定所述第一价格下的支付次数提升值。

进一步地，所述根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本之前，所述方法还包括：

利用拉格朗日乘子法，将所述预算约束条件和优化目标结合，得到联合目标函数；所述优化目标为对单个用户最大化该用户的支付次数提升；

通过对所述联合目标函数求最大值，得到与所述预算约束条件相关的参数值。

第二方面，提供了一种通过周期卡调控用户的电子支付的装置，用户在持有所述周期卡的情况下，在第一预设时间周期内的预设支付行为能够获得折扣，装置包括：

获取单元，用于获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；

第一预测单元，用于将所述第一用户的个性化特征、所述第一用户的场景特征和所述周期卡的各优惠价格作为预先训练的第一深度学习网络模型的输入，通过所述第一深度学习网络模型的输出得到所述第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率；

第二预测单元，用于将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第二深度学习网络模型的输入，通过所述第二深度学习网络模型的输出得到所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数；

第三预测单元，用于将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第三深度学习网络模型的输入，通过所述第三深度学习网络模型的输出得到所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；

确定单元，用于根据所述第一预测单元得到的各优惠价格下的购买率、所述第二预测单元得到的第一支付次数、所述第三预测单元得到的第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。

第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的方法和装置，首先获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；接着基于第一用户的个性化特征和所述第一用户的场景特征，分别确定第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率、所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数、所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；最后根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。由上可见，本说明书实施例，通过预测用户的购卡率、购卡后支付次数、不购卡后支付次数；并提出最大化笔数提升的优化目标，有差异的根据用户对支付笔数的影响的不同而制定不同的定价策略，从而在营销费用固定的情况下，把更多的补贴投放给预设支付行为的中低频用户以及新用户，最大化营销费用的投入产出比，实现了最大化用户的支付笔数提升，能够确保周期卡调控用户的电子支付的最佳效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本说明书披露的一个实施例的实施场景示意图；

图2示出根据一个实施例的通过周期卡调控用户的电子支付的方法流程图；

图3为本说明书实施例提供的多目标预估原理图；

图4示出根据一个实施例的通过周期卡调控用户的电子支付的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及通过周期卡调控用户的电子支付，通常地，用户在持有所述周期卡的情况下，在第一预设时间周期内的预设支付行为能够获得折扣。本说明书实施例中的营销场景周期卡类产品，例如公交地铁周卡、月卡，用户购买周期卡需要先支付一笔购卡费用，购卡后每次乘坐公交、地铁会享受一定的折扣优惠，通常享受的优惠是大于购卡费用的，差额对电子支付平台来说就是营销费用。用户购卡后会增加电子支付平台的使用次数，逐渐养成使用电子支付平台进行预设支付行为的习惯，从而提升该电子支付平台的线下支付市场份额。

在所述周期卡的商品售卖场景中，用户购卡需要先支付一定的费用，用户本身的出行需求不同，享受到的营销补贴也会不一样，购卡费用和营销补贴的关系直接影响到用户的购卡率；此外，部分用户本身就是电子支付平台的高频用户，这部分用户购卡或者不购卡对电子支付平台的支付笔数提升较小，如果对这部分高频用户减小优惠价格，会有效的降低高频用户的营销补贴，节约营销费用，可用于支付笔数提升更多的低频或者新用户上。高频用户已经有通过电子支付平台付款的习惯，对他们的营销补贴仅仅能换来较少的笔数提升；而低频用户、新用户提升空间较大，营销投放中也应该把更多的补贴用在低频用户、新用户上，因此在所述场景中通常会对不同的用户进行个性化的动态定价。此外低频用户、新用户会因为购买周期卡逐渐养成通过电子支付平台进行支付的习惯，从而变成高频用户，因此在周期卡使用周期结束后可以对每个用户做一次新的定价，新的定价结果可能会与之前的不同。

由于营销投入不考虑成本，补贴越多，用户购卡率越高，带来的支付笔数提升越多，但是在营销费用固定的情况下，把更多的补贴投放给中低频用户以及新用户，最大化营销费用的投入产出比是营销算法需要考虑的第一要务。

本方案提出一种基于多目标学习的依据预测支付笔数进行的动态定价方法，通过多目标学习，预测用户在各优惠价格下的购卡率、购卡后支付次数、不购卡后支付次数；并提出最大化笔数提升的优化目标，有差异的根据用户的支付笔数的影响的不同而制定不同的定价策略。

图2示出根据一个实施例的通过周期卡调控用户的电子支付的方法流程图，该方法可以基于图1所示的应用场景，用户在持有所述周期卡的情况下，在第一预设时间周期内的预设支付行为能够获得折扣。如图2所示，该实施例中通过周期卡调控用户的电子支付的方法包括以下步骤：步骤21，获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；步骤22，将所述第一用户的个性化特征、所述第一用户的场景特征和所述周期卡的各优惠价格作为预先训练的第一深度学习网络模型的输入，通过所述第一深度学习网络模型的输出得到所述第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率；步骤23，将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第二深度学习网络模型的输入，通过所述第二深度学习网络模型的输出得到所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数；步骤24，将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第三深度学习网络模型的输入，通过所述第三深度学习网络模型的输出得到所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；步骤25，根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。下面描述以上各个步骤的具体执行方式。

首先在步骤21，获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率。可以理解的是，不同的用户可能具有不同的个性化特征和场景特征，上述个性化特征和场景特征可能会对用户是否购买周期卡产生影响，以及，可能会对用户是否进行所述预设支付行为产生影响。

在一个示例中，所述个性化特性包括如下至少一项：用户的年龄、性别、职业、城市、消费档次、线下支付情况、线上支付情况。

在一个示例中，所述预设支付行为包括：用户乘坐预设交通工具时的支付行为；所述场景特征包括：用户发生乘坐预设交通工具时的支付行为的历史发生频率。

进一步地，所述预设支付行为包括：用户乘坐预设交通工具时通过预设电子支付平台的支付行为；所述场景特征包括：用户发生乘坐预设交通工具时通过预设电子支付平台的支付行为的历史发生频率。

接着在步骤22，将所述第一用户的个性化特征、所述第一用户的场景特征和所述周期卡的各优惠价格作为预先训练的第一深度学习网络模型的输入，通过所述第一深度学习网络模型的输出得到所述第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率。可以理解的是，周期卡的优惠价格会影响用户对周期卡的购买率，通常地，优惠价格越高，即优惠幅度越大，用户对周期卡的购买率越高。

在一个示例中，所述周期卡的各优惠价格通过如下特征指示：周期卡的原价、各折扣、各折后价格。

在一个示例中，将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为第一深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为样本标签，对所述第一深度学习网络模型进行模型训练。

然后在步骤23，将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第二深度学习网络模型的输入，通过所述第二深度学习网络模型的输出得到所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数。可以理解的是，周期卡的各优惠价格对于所述第一支付次数没有影响，因此可以无需将各优惠价格输入第二深度学习网络模型。

在一个示例中，将训练用户集合中各用户的个性化特征、各用户的场景特征作为第二深度学习网络模型的样本输入，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第二深度学习网络模型进行模型训练。

再在步骤24，将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第三深度学习网络模型的输入，通过所述第三深度学习网络模型的输出得到所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数。可以理解的是，周期卡的各优惠价格对于所述第二支付次数没有影响，因此可以无需将各优惠价格输入第三深度学习网络模型。

在一个示例中，将训练用户集合中各用户的个性化特征、各用户的场景特征作为第三深度学习网络模型的样本输入，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第三深度学习网络模型进行模型训练。

在另一个示例中，所述第一深度学习网络模型、所述第二深度学习网络模型和所述第三深度学习网络模型组成多目标深度学习网络模型；将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为所述多目标深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为第一样本标签，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第二样本标签，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第三样本标签，对所述多目标深度学习网络模型进行联合训练。

最后在步骤25，根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。可以理解的是，在确定用户对应的优惠价格时，以最大化支付次数提升值为目标，能够确保周期卡调控用户的电子支付的最佳效果。

在一个示例中，各优惠价格包括第一价格；根据所述第一支付次数和所述第二支付次数的差值，确定次数增加数；根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本；根据所述第一价格下的购买率、次数增加数和提升成本，确定所述第一价格下的支付次数提升值。

进一步地，在所述根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本之前，利用拉格朗日乘子法，将所述预算约束条件和优化目标结合，得到联合目标函数；所述优化目标为对单个用户最大化该用户的支付次数提升；通过对所述联合目标函数求最大值，得到与所述预算约束条件相关的参数值。

通过本说明书实施例提供的方法，首先获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；接着基于第一用户的个性化特征和所述第一用户的场景特征，分别确定第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率、所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数、所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；最后根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。由上可见，本说明书实施例，通过预测用户的购卡率、购卡后支付次数、不购卡后支付次数；并提出最大化笔数提升的优化目标，有差异的根据用户对支付笔数的影响的不同而制定不同的定价策略，从而在营销费用固定的情况下，把更多的补贴投放给预设支付行为的中低频用户以及新用户，最大化营销费用的投入产出比，实现了最大化用户的支付笔数提升，能够确保周期卡调控用户的电子支付的最佳效果。

图3为本说明书实施例提供的多目标预估原理图。参照图3，将用户特征、场景特征和周期卡价格特征作为多目标深度学习网络的输入，可以预测各优惠价格下的购买率、购卡支付次数和不购卡支付次数。该实施例中，采取对周期卡动态定价的方式。动态定价：定价方案不是固定的，是根据用户购买率、出行需求、对支付笔数提升的不同而动态决定的定价方法。不同用户的定价结果可能不同、用户不同时期的定价结果也可能是不同的。多目标学习：在一个机器学习任务中完成多个目标的学习和预测，多个目标相互独立。购卡支付次数：这里指用户购买周期卡后，乘坐公交地铁时，使用电子支付平台的支付次数；不购卡支付次数：部分用户由于某些原因未购买周期卡，但是出行时仍然选择电子支付平台进行支付，这里不购卡支付次数指用户不购买周期卡，乘坐公交地铁依然使用电子支付平台的支付次数。

该实施例中主要涉及如下处理过程：

首先，进行训练数据收集。

其中，用户特征：用户个性化特征，年龄、性别、职业、城市、消费档次、线下支付、线上支付情况等等；场景特征：用户在公交、地铁上最近一周、一月的出行天数、次数等；周期卡价格特征：周期卡月卡、周卡的原价、折扣、折后价格等。

接着，进行模型训练。

在一个任务中用分类方法学习购卡率、用回归方法学习购卡支付次数、不购卡支付次数，使用多目标的(multi task learing)的深度学习(DNN)进行联合训练。并进行模型评估及优化。

使用历史用户交易数据进行训练；

购卡率预估：每一个训练样本为用户特征+场景特征+周期卡价格特征，标签为用户是否购买；购卡率预估属于分类问题，分类问题：预测结果是0/1或其他固定数量的标签，如买卡/不买卡。

购卡支付次数预估：每一个训练样本为用户特征+场景特征，标签为用户购卡后7天的支付次数；购卡支付次数预估属于回归问题，回归问题：预测结果是不固定的，如预测房价，可以是一个区间内的任意实数，数量是无限的。

不购卡支付次数预估：每一个训练样本为用户特征+场景特征，标签为用户不购卡后7天的支付次数；不购卡支付次数预估属于回归问题。

最后，进行最优价格求解。

公式1中f(ui,ci)是用户ui在优惠价格ci时的购卡率，ci是优惠的价格，即营销补贴；公式1中的W1是指购买周期卡后的支付次数；公式1中的W0是指不购买周期卡的支付次数。

可以理解：在周期卡原价固定的情况下，用户购买周期卡的购买率与优惠价格正相关的，优惠价格越高，即营销补贴越高，用户实际支付的价格越低，其购卡率越高；但是购卡支付次数、不购卡支付次数仅跟用户的出行需求有关，并不会因以周期卡优惠少了而减少出行次数、或者周期卡优惠多了增加出行次数。

公式1的含义是：对单个用户要最大化他的支付笔数提升(购卡支付次数减不购卡支付次数)。

公式2的含义是：控制营销成本，所有用户的营销补贴总和要在预算内。

通过拉格朗日乘子法将公式1、公式2结合，得到：

通过拉格朗日乘子法，将公式1、公式2结合到一起，得到公式3。在公式3中增加了一个参数λ，该参数λ通过离线计算确定，在满足预算约束的情况下，最大化笔数提升。

对单个用户的最优价格求解：

最优价格根据公式4确定：对不同的用户在不同的优惠价格ci时，选择笔数提升最大的优惠价格作为最终的定价结果。

本说明书实施例中，各优惠价格下的购买率预测、购卡支付次数预测、不购卡支付次数预测可以统称为转化率预测。转化率预测使用的是深度学习预测，也可以使用其他类似方法预测，如逻辑回归(logistic regression，LR)、梯度提升树(gradient boosting decision tree，GBDT)等。

本方案在预测用户购买率的基础上，增加了预估用户购买周期卡后带来的支付笔数，以及不购卡带来的支付笔数，公式1目标最大化笔数提升，公式2要求营销补贴要等于或接近预算，利用拉格朗日乘子法通过增加一个参数的方法调节笔数提升与营销预算的关系，将公式1、公式2结合到一起，最终根据公式4确定最优的优惠价格。本方案能够判断每个用户对支付笔数的影响程度，将营销费用投放到支付笔数提升空间更大的低频用户、新用户上。

本方案不仅仅考虑购买率，而是从笔数提升角度考虑最大化笔数提升；对于笔数提升较多的用户，增加优惠进一步提高公式1中的打分；对笔数提升较小的用户，减小优惠，以满足公式2营销补贴不超过预算的要求；高频用户购卡带来的笔数提升远远小于低频或者新用户带来的提升，因此营销方案期望在预算一定的情况下，较少高频用户的优惠，把更多的营销费用投放到低频或者新用户上；本方案通过公式1、公式2有效的将上述要求结合到一起；上线后的结果中也验证了这一点。

根据另一方面的实施例，还提供一种通过周期卡调控用户的电子支付的装置，用户在持有所述周期卡的情况下，在第一预设时间周期内的预设支付行为能够获得折扣，该装置用于执行本说明书实施例提供的通过周期卡调控用户的电子支付的方法。图4示出根据一个实施例的通过周期卡调控用户的电子支付的装置的示意性框图。如图4所示，该装置400包括：

获取单元41，用于获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；

第一预测单元42，用于将所述第一用户的个性化特征、所述第一用户的场景特征和所述周期卡的各优惠价格作为预先训练的第一深度学习网络模型的输入，通过所述第一深度学习网络模型的输出得到所述第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率；

第二预测单元43，用于将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第二深度学习网络模型的输入，通过所述第二深度学习网络模型的输出得到所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数；

第三预测单元44，用于将所述第一用户的个性化特征、所述第一用户的场景特征作为预先训练的第三深度学习网络模型的输入，通过所述第三深度学习网络模型的输出得到所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；

确定单元45，用于根据所述第一预测单元42得到的各优惠价格下的购买率、所述第二预测单元43得到的第一支付次数、所述第三预测单元44得到的第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。

可选地，作为一个实施例，所述个性化特性包括如下至少一项：用户的年龄、性别、职业、城市、消费档次、线下支付情况、线上支付情况。

可选地，作为一个实施例，所述预设支付行为包括：用户乘坐预设交通工具时的支付行为；所述场景特征包括：用户发生乘坐预设交通工具时的支付行为的历史发生频率。

可选地，作为一个实施例，所述周期卡的各优惠价格通过如下特征指示：周期卡的原价、各折扣、各折后价格。

可选地，作为一个实施例，所述装置还包括：

第一训练单元，用于将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为第一深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为样本标签，对所述第一深度学习网络模型进行模型训练。

可选地，作为一个实施例，所述装置还包括：

第二训练单元，用于将训练用户集合中各用户的个性化特征、各用户的场景特征作为第二深度学习网络模型的样本输入，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第二深度学习网络模型进行模型训练。

可选地，作为一个实施例，所述装置还包括：

第三训练单元，用于将训练用户集合中各用户的个性化特征、各用户的场景特征作为第三深度学习网络模型的样本输入，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为样本标签，对所述第三深度学习网络模型进行模型训练。

可选地，作为一个实施例，所述第一深度学习网络模型、所述第二深度学习网络模型和所述第三深度学习网络模型组成多目标深度学习网络模型；所述装置还包括：

联合训练单元，用于将训练用户集合中各用户的个性化特征、各用户的场景特征和各用户对应的所述周期卡的历史优惠价格作为所述多目标深度学习网络模型的样本输入，将各用户是否购买所述周期卡作为第一样本标签，将各用户在持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第二样本标签，将各用户在未持有所述周期卡的情况下，在所述第一预设时间周期的预设支付行为的历史支付次数作为第三样本标签，对所述多目标深度学习网络模型进行联合训练。

可选地，作为一个实施例，各优惠价格包括第一价格；所述确定单元45，具体用于：

根据所述第一支付次数和所述第二支付次数的差值，确定次数增加数；

根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本；

根据所述第一价格下的购买率、次数增加数和提升成本，确定所述第一价格下的支付次数提升值。

进一步地，所述确定单元45，还用于：

在所述根据与所述预算约束条件相关的参数值和所述第一价格，确定提升成本之前，利用拉格朗日乘子法，将所述预算约束条件和优化目标结合，得到联合目标函数；所述优化目标为对单个用户最大化该用户的支付次数提升；

通过对所述联合目标函数求最大值，得到与所述预算约束条件相关的参数值。

通过本说明书实施例提供的装置，首先获取单元41获取第一用户的个性化特征和场景特征，所述场景特征用于指示用户发生所述预设支付行为的历史发生频率；接着基于第一用户的个性化特征和所述第一用户的场景特征，分别由第一预测单元42确定第一用户在所述周期卡的各优惠价格下对所述周期卡的购买率、由第二预测单元43确定所述第一用户在持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第一支付次数、由第三预测单元44确定所述第一用户在未持有所述周期卡的情况下，在所述第一预设时间周期内的预设支付行为的第二支付次数；最后由确定单元45根据所述各优惠价格下的购买率、所述第一支付次数、所述第二支付次数和各优惠价格，以及与各优惠价格相关的预算约束条件，确定各优惠价格下的支付次数提升值，将支付次数提升值最大的优惠价格确定为所述第一用户对应的所述周期卡的优惠价格。由上可见，本说明书实施例，通过预测用户的购卡率、购卡后支付次数、不购卡后支付次数；并提出最大化笔数提升的优化目标，有差异的根据用户对支付笔数的影响的不同而制定不同的定价策略，从而在营销费用固定的情况下，把更多的补贴投放给预设支付行为的中低频用户以及新用户，最大化营销费用的投入产出比，实现了最大化用户的支付笔数提升，能够确保周期卡调控用户的电子支付的最佳效果。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。