收付款支付方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能领域，尤其涉及一种收付款支付方法、装置、计算机设备及存储介质。

背景技术：

随着时代、科技的发展，如今线上支付的比例日益增大，经常出现支付高峰期。目前，不同的支付指令的时效性一般是不同的，如在同时发送付款指令和收款指令时，付款指令的时效性会比收款指令的时效性要快，因此，后发送的付款指令和先发送的收款指令可能会引起支付冲突的情况，尤其在支付高峰期时支付冲突的问题会更严重，导致出现大量支付失败的事件发生。

技术实现要素：

有鉴于此，本发明实施例提供了一种收付款支付方法、装置、计算机设备及存储介质，用以解决支付高峰期引起的支付冲突的问题。

第一方面，本发明实施例提供了一种收付款支付方法，包括：

获取支付请求，其中，所述支付请求与收付款相关，所述支付请求包括支付因子，所述支付因子包括因子比重；

根据所述支付因子生成支付指令，并在执行所述支付指令之前将所述支付指令存储在指令池中；

按预设顺序将所述因子比重进行组合得到支付特征；

将所述支付特征输入到指令评分模型中，得到所述支付指令的实时评分；

在指示所述收款/付款平台实施支付之前，从所述指令池中获取实时评分最高的所述支付指令作为所述目标支付指令；

执行所述目标支付指令，指示所述收款/付款平台实施支付。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述获取支付请求之前，还包括：

获取所有所述支付因子的初始因子比重；

获取造成支付冲突的历史支付指令；

采用预设的调整规则，根据所述造成支付冲突的历史支付指令对所述初始因子比重进行调整，得到所述因子比重。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述将所述支付特征输入到指令评分模型中之前，还包括：

获取待训练支付指令，所述待训练支付指令包括待训练支付因子；

按所述预设顺序将所述待训练支付因子对应的所述因子比重进行组合得到待训练支付特征；

将所述待训练支付特征输入到深度神经网络中进行训练，得到训练评分；

将所述训练评分与期望评分进行比较，基于与所述期望评分不相符的训练评分更新所述深度神经网络，得到所述指令评分模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述从所述指令池中获取实时评分最高的所述支付指令作为所述目标支付指令，包括：

获取所述支付指令在所述指令池中的存储时间；

根据所述存储时间和预设的时间激励因子实时更新所述实时评分；

从所述指令池中获取实时评分最高的所述支付指令作为所述目标支付指令。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述支付因子生成支付指令，包括：

获取所述支付因子中预定义的关键字段；

根据所述关键字段生成支付指令。

第二方面，本发明实施例提供了一种收付款支付装置，包括：

支付请求获取模块，用于获取支付请求，其中，所述支付请求与收付款相关，所述支付请求包括支付因子，所述支付因子包括因子比重；

支付指令生成模块，用于根据所述支付因子生成支付指令，并在执行所述支付指令之前将所述支付指令存储在指令池中；

支付特征获取模块，用于按预设顺序将所述因子比重进行组合得到支付特征；

实时评分获取模块，用于将所述支付特征输入到指令评分模型中，得到所述支付指令的实时评分；

目标支付指令获取模块，用于在指示所述收款/付款平台实施支付之前，从所述指令池中获取实时评分最高的所述支付指令作为所述目标支付指令；

目标支付指令执行模块，用于执行所述目标支付指令，指示所述收款/付款平台实施支付。

第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述收付款支付方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，包括：计算机程序，所述计算机程序被处理器执行时实现上述收付款支付方法的步骤。

在本发明实施例中，首先获取与收付款相关的支付请求，其中，支付请求包括支付因子，支付因子包括因子比重，并根据支付因子生成支付指令，且将支付指令存储在指令池中，能够根据支付因子生成符合支付请求的支付指令，并采用指令池对支付指令进行统一管理，为实现有序执行支付指令提供技术基础；然后按预设顺序将因子比重进行组合得到支付特征，通过因子比重突出支付因子的重要程度，并在预设顺序下组合得到支付特征，该支付特征能够准确表示支付指令中各支付因子的重要程度；接着将支付特征输入到指令评分模型中，得到支付指令的实时评分，根据该支付特征得到的实时评分能够反映支付指令执行的优先程度，以根据该优先程度进行进一步地决策；最后在指示收款/付款平台实施支付之前，从所述指令池中获取实时评分最高的所述支付指令作为所述目标支付指令，并执行所述目标支付指令，指示所述收款/付款平台实施支付，使得支付指令能够有序地执行，在支付高峰期时能够保证收付款支付成功。

【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性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明一实施例中收付款支付方法的一流程图；

图2是本发明一实施例中收付款支付装置的一示意图；

图3是本发明一实施例中计算机设备的一示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例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。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

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”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1示出本实施例中收付款支付方法的一流程图。该收付款支付方法可应用在收付款支付平台上，在进行收付款支付时可采用该收付款支付平台实现。该收付款支付平台具体可应用在计算机设备上，其中，该计算机设备是可与用户进行人机交互的设备，包括但不限于电脑、智能手机和平板等设备。如图1所示，该收付款支付方法包括如下步骤：

s10：获取支付请求，其中，支付请求与收付款相关，支付请求包括支付因子，支付因子包括因子比重。

其中，支付请求可以是由客户端发起的请求，如用户通过移动终端的业务系统申请借款或发起付款时生成的支付请求。该支付请求将发送到收付款支付平台，提示收付款支付平台进行下一步的收付款支付操作。支付因子具体可以包括合作方、合作产品(贷款产品)、交易类型、交易时间、收款银行、付款银行、业务系统类型和客户类型等支付时所具有的信息。可以理解地，不同的支付请求包括的支付因子一般相同，但是支付因子具体的类型不一定相同也不一定不同，支付因子描述了收付款支付处理时的信息。因子比重反映的是支付因子影响支付执行的重要程度。对于同一种支付因子，由于支付因子具体的类型不同可以有不同的因子比重，如客户类型分普通用户和vip时，该因子比重会根据客户类型相应变化；对于不同种支付因子之间，如付款银行和业务系统类型(业务系统a、业务系统b等)，两者的因子比重一般也不相同。

在一实施例中，收付款支付平台获取支付请求，以根据该支付请求进行下一步的支付处理。

进一步地，在步骤s10之前，即在获取支付请求之前，还包括：

s11：获取所有支付因子的初始因子比重。

可以理解地，初始因子比重可以是根据人为经验设置得到的，如客户类型不同时，将根据不同的客户类型获取用户输入的初始因子比重。

在一实施例中，将所有支付因子都罗列出来(包括同一种支付因子中所有不同的类型)，并通过收付款支付平台的输入界面获取用户输入的初始因子比重的值。通过该初始因子比重初步区分了各支付因子影响收付款支付执行的重要程度，较好地描述支付因子对支付执行的优先程度的影响。

s12：获取造成支付冲突的历史支付指令。

可以理解地，造成支付冲突的历史支付指令具有一定的借鉴价值，对于造成支付冲突的历史支付指令，可以通过模拟化解支付冲突的情况，考虑历史支付指令所对应的支付因子的重要程度调整支付的优先程度。进一步地，可以从初始因子比重的角度出发，根据支付冲突的历史支付指令，朝化解支付冲突的方向对初始因子比重作进一步地调整。

s13：采用预设的调整规则，根据造成支付冲突的历史支付指令对初始因子比重进行调整，得到因子比重。

在一实施例中，具体可以是预先设置好一套调整规则，根据该调整规则对初始因子比重进行调整。具体地，该调整规则可以是先设定支付因子的更改比例，比如有更改比例：客户类型为普通用户，更改比例为1.1，客户类型为vip，更改比例为1.5；合作产品为产品a，更改比例为1.1，合作产品为产品b，更改比例为1.3，合作产品为产品c，更改比例为1.5等。可以理解地，一般支付指令的支付因子是固定的，主要不同的是支付因子的类型。由于造成支付冲突的历史支付指令没有初始因子比重的概念，只有支付因子，因此可以设置造成支付冲突的历史支付指令的初始因子比重均为1，这样在预设次数的初次调整后将得到不同的因子比重。将调整幅度大的历史支付指令作为参考(调整幅度大说明在调整后该历史支付指令的支付优先级更高)，将初次调整后得到的因子比重再次进行调整，把初次调整后得到的因子比重减去1再加上一开始支付因子对应获取的初始因子比重，即得到最终调整后的因子比重。可以理解地，设置更改比例可以使得支付因子的类型之间的间隔更大，充分区分支付因子对于支付执行的优先程度，能够得到更为合理的因子比重。

步骤s11-s13中，提供了一种得到因子比重的具体实施方式，通过借鉴造成支付冲突的历史支付指令，采用预设的调整规则对初始因子比重进行调整，使得支付因子的类型之间的间隔更大，能够充分区分支付因子对于支付先后的重要程度。

s20：根据支付因子生成支付指令，并在执行支付指令之前将支付指令存储在指令池中。

其中，指令池是指存储待执行的指令的存储空间。

在一实施例中，支付请求中包括的支付因子描述了收付款支付处理时所需的信息，可以根据该支付因子生成相应的支付指令，例如支付因子的合作产品为产品a，交易类型为贷款，付款银行为银行b，那么生成的支付指令将携带与支付因子产品a、贷款和银行b相关的信息，指示收款/付款平台根据该支付指令实施支付的操作。可以理解地，在支付高峰时段，生成的支付指令不一定能够马上被执行，因此可以先存储在统一的指令池中，待满足执行条件时再执行。

进一步地，步骤s20中，根据支付因子生成支付指令，具体包括：

s21：获取支付因子中预定义的关键字段。

其中，预定义的关键字段如与支付因子合作产品相关的产品a、产品b和产品c，与支付因子交易类型相关的贷款、付款，与支付因子付款银行相关的银行a、银行b和银行c等，通过这些预定义的关键字段可以获取生成支付指令所需的基本信息。

s22：根据关键字段生成支付指令。

步骤s21-s22中，具体采用预定义的关键字段获取生成支付指令所需的基本信息，能够在获取支付因子后便可快速生成相对应的支付指令。

s30：按预设顺序将因子比重进行组合得到支付特征。

可以理解地，因子比重是一维的一个数值，而描述支付指令的特征需要采用二维的形式进行描述。每条支付指令通常包括相同的支付因子(如都有交易类型这一支付因子)，但各条支付指令的相同支付因子之间的类型可能相同也可能不同，每条支付指令的支付因子通过采用因子比重反映影响支付执行的重要程度，在按预设顺序(为了保证每个支付因子对应得上)组合因子比重后，将得到二维形式表示的支付特征。该支付特征能够准确表示支付指令中各支付因子的重要程度。

s40：将支付特征输入到指令评分模型中，得到支付指令的实时评分。

其中，该指令评分模型是预先采用深度神经网络训练得到的，用于对输入的支付指令进行评分，输出实时评分。

在一实施例中，采用指令评分模型对输入的支付特征进行评分，具体地，该指令评分模型通过模型中每一层的网络参数对输入的支付特征进行变换，直至最终在输出层输出支付指令的实时评分。该实时评分是基于支付特征得到的，能够准确地体现支付指令执行的优先程度。

需要说明的是，采用因子比重实际上也可以较准确地表达支付指令的优先程度，但无法准确描述支付因子之间的关联关系，其中，该关联关系包括正关联关系和负关联关系等其他关系。比如，正关联关系：当客户的账户类型、合作产品、付款银行和业务类型系统属于同一集团时，由于在闭环体系内支付的周期相对较短或者集团对于支付时间的要求、承诺等原因，将倾向与此类支付指令优先执行；相反地，对于市场上有竞争关系等因素影响的支付因子，也会在两个负关联关系的支付因子的影响下影响执行的优先程度。对于这种类型的影响因素，此时单纯采用因子比重已经无法描述，故此处结合深度神经网络训练得到的指令评分模型在因子比重的基础上对支付指令的优先程度进行了深度学习，让指令评分模型学习支付因子之间的关联关系，以使指令评分模型能够对支付指令的得分做出更准确的分析。

进一步地，在步骤s40之前，即在将支付特征输入到指令评分模型中之前，还包括：

s41：获取待训练支付指令，待训练支付指令包括待训练支付因子。

其中，待训练支付指令是用于训练指令评分模型的训练样本，在待训练支付指令中，包括待训练支付因子。可以理解地，不同待训练支付指令的支付因子的数量是相同的，不过具体的支付因子的类型不一定相同。待训练支付指令可以是从历史支付指令获取到的，该历史支付指令代表了历史的支付情况，可以根据历史支付指令得到满足模型训练的训练待训练支付指令。

s42：按预设顺序将待训练支付因子对应的因子比重进行组合得到待训练支付特征。

其中，为了支付因子成对应的关系，将采用预设顺序组合得到待训练支付特征。本实施例中，将一维的因子比重转换为二维的待训练支付特征进行表示，能够把待训练支付指令所包括的训练支付因子对应的因子比重都在一个特征中表示出来，有助于计算机进行快速运算，提高模型训练的效率。

s43：将待训练支付特征输入到深度神经网络中进行训练，得到训练评分。

其中，深度神经网络可以是预先经过初始化处理的神经网络，合理的初始化操作能够使模型训练的速度更快。本实施例中，将待训练支付特征输入到深度神经网络中进行训练，得到训练评分。采用深度神经网络作为基础训练指令评分模型可以学习支付因子之间关于因子比重的深层特征，能够基于支付因子判断支付指令执行的优先程度。

可以理解地，实际上待训练支付特征本身表示的因子比重已经具备初步区分支付因子的重要程度的能力，采用以因子比重为基础的待训练支付特征可以在模型训练时快速学习到待训练支付特征中关于区分支付因子的因子比重的深层特征，并在该基础上学习待训练支付特征的其他深层特征，能够显著提高模型训练的时间，提高训练效率。

s44：将训练评分与期望评分进行比较，基于与期望评分不相符的训练评分更新深度神经网络，得到指令评分模型。

其中，期望评分是根据待训练支付指令预先设置的评分，相当于一个客观的参考值，在该期望评分下训练支付指令将能够按期望的执行优先程度执行。

在一实施例中，将得到的训练评分和期望评分进行比较，可以根据比较结果得到的损失值更新深度神经网络，使得更新后的深度神经网络在再次处理输入的训练支付指令时能够得到与期望评分相同或相近(允许一定范围内的误差)的训练评分。在通过多次迭代更新，当更新的变化值小于预设的最小变化阈值时，训练结束，得到指令评分模型。该指令得分模型学习了训练支付指令关于执行的优先程度的深层特征，采用该指令得分模型处理输入的支付指令时可以得到反映支付指令执行的优先程度的实时评分。

在步骤s41-s44中，提供了训练指令得分模型的具体实施方式，在基于因子比重组成的待训练支付特征的基础上训练指令得分模型，能够提高模型的训练效率，并且，训练得到的指令得分模型学习了训练支付指令关于执行的优先程度的深层特征，能够根据输入的支付指令输出合理的实时评分。

s50：在指示收款/付款平台实施支付之前，从指令池中获取实时评分最高的支付指令作为目标支付指令。

其中，收款/付款平台和收付款支付平台是不同的平台，收款/付款平台(如银行机构下设立的平台)用于收款和付款，而收付款支付平台是一个支付平台，属于支付处理的中间处理平台。

可以理解地，本实施例执行支付指令的顺序是根据实时评分的高低决定的，支付指令在生成后统一存储在指令池中，通过比较实时评分确定优先执行的目标支付指令。可以理解地，在执行支付指令过程中可能存在实时得分相同的情况，对于这种情况将采用并行处理的方式同时执行实时得分相同的支付指令。由于不同执行支付指令的实时得分不同，且分布散落在不同的实时得分区间，因此即便存在实时得分相同的情况，并行处理的支付指令数量也是可以承受的，如果没有将支付指令采用实时得分区分，同一时间并行处理大量级的支付指令将很有可能发生支付失败的情况。

进一步地，在步骤s50中，从指令池中获取实时评分最高的支付指令作为目标支付指令，具体包括：

s51：获取支付指令在指令池中的存储时间。

可以理解地，从支付指令放入指令池中便开始计算支付指令的存储时间。

s52：根据存储时间和预设的时间激励因子实时更新实时评分。

其中，时间激励因子是描述支付指令随存储时间增长其执行的优先程度也随之增长的参数值，具体体现在更新支付因子的实时评分上。

具体地，设时间激励因子为α，实时评分为currentpoint，则更新后的实时评分currentpoint’＝currentpoint*α，其中时间激励因子α具体可以是根据分段函数得到的参数值，如在0.5-1秒内，α的值为1.5，在1-1.5秒内，α的值为2。采用该时间激励因子能够从时间的紧迫程度上考虑支付指令执行的优先程度，可以更合理地调整支付指令的执行顺序。

s53：从指令池中获取实时评分最高的支付指令作为目标支付指令。

在步骤s51-s53中，引入了时间激励因子，从时间的角度衡量支付指令执行的优先程度，能够有效优化调整支付指令的执行顺序。

s60：执行目标支付指令，指示收款/付款平台实施支付。

可以理解地，收付款支付平台只是支付处理的中间平台，收付款支付平台将执行目标支付指令，根据该目标支付指令指示收款/付款平台实施收款支付或付款支付的操作。

在本发明实施例中，首先获取与收付款相关的支付请求，其中，支付请求包括支付因子，支付因子包括因子比重，并根据支付因子生成支付指令，且将支付指令存储在指令池中，能够根据支付因子生成符合支付请求的支付指令，并采用指令池对支付指令进行统一管理，为实现有序执行支付指令提供技术基础；然后按预设顺序将因子比重进行组合得到支付特征，通过因子比重突出支付因子的重要程度，并在预设顺序下组合得到支付特征，该支付特征能够准确表示支付指令中各支付因子的重要程度；接着将支付特征输入到指令评分模型中，得到支付指令的实时评分，根据该支付特征得到的实时评分能够反映支付指令执行的优先程度，以根据该优先程度进行进一步地决策；最后在指示收款/付款平台实施支付之前，从指令池中获取实时评分最高的支付指令作为目标支付指令，并执行目标支付指令，指示收款/付款平台实施支付，使得支付指令能够有序地执行，在支付高峰期时能够保证收付款支付成功。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

基于实施例中所提供的收付款支付方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

图2示出与实施例中收付款支付方法一一对应的收付款支付装置的原理框图。如图2所示，该收付款支付装置包括支付请求获取模块10、支付指令生成模块20、支付特征获取模块30、实时评分获取模块40、目标支付指令获取模块50和目标支付指令执行模块60。其中，支付请求获取模块10、支付指令生成模块20、支付特征获取模块30、实时评分获取模块40、目标支付指令获取模块50和目标支付指令执行模块60的实现功能与实施例中收付款支付方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。

支付请求获取模块10，用于获取支付请求，其中，支付请求与收付款相关，支付请求包括支付因子，支付因子包括因子比重。

支付指令生成模块20，用于根据支付因子生成支付指令，并在执行支付指令之前将支付指令存储在指令池中。

支付特征获取模块30，用于按预设顺序将因子比重进行组合得到支付特征。

实时评分获取模块40，用于将支付特征输入到指令评分模型中，得到支付指令的实时评分。

目标支付指令获取模块50，用于在指示收款/付款平台实施支付之前，从指令池中获取实时评分最高的支付指令作为目标支付指令。

目标支付指令执行模块60，用于执行目标支付指令，指示收款/付款平台实施支付。

可选地，收付款支付装置还包括初始因子比重获取单元、历史支付指令获取单元和因子比重获取单元。

初始因子比重获取单元，用于获取所有支付因子的初始因子比重。

历史支付指令获取单元，用于获取造成支付冲突的历史支付指令。

因子比重获取单元，用于采用预设的调整规则，根据造成支付冲突的历史支付指令对初始因子比重进行调整，得到因子比重。

可选地，收付款支付装置还包括待训练支付指令获取单元、待训练支付特征获取单元、训练评分获取单元和指令评分模型获取单元。

待训练支付指令获取单元，用于获取待训练支付指令，待训练支付指令包括待训练支付因子。

待训练支付特征获取单元，用于按预设顺序将待训练支付因子对应的因子比重进行组合得到待训练支付特征。

训练评分获取单元，用于将待训练支付特征输入到深度神经网络中进行训练，得到训练评分。

指令评分模型获取单元，用于将训练评分与期望评分进行比较，基于与期望评分不相符的训练评分更新深度神经网络，得到指令评分模型。

可选地，目标支付指令获取模块50包括存储时间获取单元、更新单元和目标支付指令获取单元。

存储时间获取单元，用于获取支付指令在指令池中的存储时间。

更新单元，用于根据存储时间和预设的时间激励因子实时更新实时评分。

目标支付指令获取单元，用于从指令池中获取实时评分最高的支付指令作为目标支付指令。

可选地，支付指令生成模块20包括关键字段获取单元和支付指令生成单元。

关键字段获取单元，用于获取支付因子中预定义的关键字段。

支付指令生成单元，用于根据关键字段生成支付指令。

在本发明实施例中，首先获取与收付款相关的支付请求，其中，支付请求包括支付因子，支付因子包括因子比重，并根据支付因子生成支付指令，且将支付指令存储在指令池中，能够根据支付因子生成符合支付请求的支付指令，并采用指令池对支付指令进行统一管理，为实现有序执行支付指令提供技术基础；然后按预设顺序将因子比重进行组合得到支付特征，通过因子比重突出支付因子的重要程度，并在预设顺序下组合得到支付特征，该支付特征能够准确表示支付指令中各支付因子的重要程度；接着将支付特征输入到指令评分模型中，得到支付指令的实时评分，根据该支付特征得到的实时评分能够反映支付指令执行的优先程度，以根据该优先程度进行进一步地决策；最后在指示收款/付款平台实施支付之前，从指令池中获取实时评分最高的支付指令作为目标支付指令，并执行目标支付指令，指示收款/付款平台实施支付，使得支付指令能够有序地执行，在支付高峰期时能够保证收付款支付成功。

本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例中收付款支付方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器执行时实现实施例中收付款支付装置中各模块/单元的功能，为避免重复，此处不一一赘述。

图3是本发明一实施例提供的计算机设备的示意图。如图3所示，该实施例的计算机设备70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序73，该计算机程序73被处理器71执行时实现实施例中的收付款支付方法，为避免重复，此处不一一赘述。或者，该计算机程序73被处理器71执行时实现实施例中收付款支付装置中各模型/单元的功能，为避免重复，此处不一一赘述。

计算机设备70可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备70可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图3仅仅是计算机设备70的示例，并不构成对计算机设备70的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器71可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器72可以是计算机设备70的内部存储单元，例如计算机设备70的硬盘或内存。存储器72也可以是计算机设备70的外部存储设备，例如计算机设备70上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器72还可以既包括计算机设备70的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。