用于生成代码以检取机器学习模型的聚合数据的系统、方法和计算机程序产品与流程

1.本公开大体上涉及机器学习模型，并且在一些非限制性方面或实施例中，涉及用于生成与可以与机器学习模型一起使用的交易的预测相关联的交易聚合的系统、方法和计算机程序产品。


背景技术：

2.机器学习可以是计算机科学的领域，其使用统计技术为计算机系统提供使用数据学习(例如，逐渐提高性能)任务的能力，而无需对计算机系统进行明确编程以执行任务。在一些情况下，可以针对数据集开发机器学习模型，使得机器学习模型可以执行关于所述数据集的任务(例如，与预测相关联的任务)。
3.在一些情况下，机器学习模型，例如预测性机器学习模型，可用于作出与风险或机会相关联的预测。预测性机器学习模型可用于基于与单元相关联的数据分析单元的性能与单元的一个或多个已知特征之间的关系。
4.在一些示例中，预测性机器学习模型可能需要输入，所述输入包括基于数据的聚合(例如，聚合数据)的特征。例如，预测性机器学习模型可能需要输入，所述输入包括基于实时计算的聚合数据的特征。然而，实时计算聚合数据可能是资源密集度高的，并且可能需要大量时间来计算。
5.此外，针对一个数据集开发的机器学习模型可能不适用于另一数据集中的某个问题。例如，针对与特定地理区域和/或人口统计相关联的第一数据集开发的机器学习模型可能不适用于与不同地理区域和/或人口统计相关联的第二数据集中的特定预测。这可能使得要创建针对每个数据集开发的大量机器学习模型，以及还为每个机器学习模型创建大量数据。


技术实现要素：

6.因此，公开了用于生成代码以检取机器学习模型的聚合数据的系统、方法和计算机程序产品。
7.根据一些非限制性方面或实施例，提供了一种系统，包括：至少一个处理器，其被编程或配置成：接收可扩展标记语言(xml)数据文件，其中所述xml数据文件包括与机器学习模型的一个或多个输入参数相关联的数据；基于所述xml文件中包括的与所述机器学习模型的一个或多个输入参数相关联的所述数据生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，其中所述用户的所述账户的所述交易聚合的所述一个或多个参数基于涉及所述用户的所述账户的多个支付交易的一个或多个参数；并且基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由至少一个处理器执行时使得至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
8.根据一些非限制性方面或实施例，提供了一种计算机实施的方法，包括：使用至少一个处理器接收数据文件，其中所述数据文件包括与机器学习模型的一个或多个输入参数相关联的数据；使用至少一个处理器基于包括在所述数据文件中的与所述机器学习模型的一个或多个输入参数相关联的所述数据生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥；使用至少一个处理器基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由至少一个处理器执行时使得所述至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
9.根据一些非限制性方面或实施例，提供了一种计算机程序产品，包括：至少一个非瞬态计算机可读介质，所述至少一个非瞬态计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器：接收与机器学习模型相关联的数据文件；基于接收与所述机器学习模型相关联的所述数据文件生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，其中所述用户的所述账户的所述交易聚合的所述一个或多个参数基于涉及所述用户的所述账户的多个支付交易的一个或多个参数；并且基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由所述至少一个处理器执行时使所述至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
10.在以下编号条款中阐述进一步的非限制性方面或实施例：
11.条款1：一种系统，包括：至少一个处理器，其被编程或配置成：接收xml数据文件，其中所述xml数据文件包括与机器学习模型的一个或多个输入参数相关联的数据；基于所述xml文件中包括的与所述机器学习模型的一个或多个输入参数相关联的所述数据生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，其中所述用户的所述账户的所述交易聚合的所述一个或多个参数基于涉及所述用户的所述账户的多个支付交易的一个或多个参数；并且基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由至少一个处理器执行时使得至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
12.条款2：根据条款1所述的系统，其中所述代码生成模板包括用于sql查询的模板，并且其中用于所述sql查询的所述模板包括与所述用户的所述账户的所述交易聚合的一个或多个参数相关联的所述一个或多个密钥。
13.条款3：根据条款1或2所述的系统，其中，当生成所述可执行代码文件时，所述至少一个处理器被编程或配置成：生成所述可执行代码文件，所述可执行代码文件在由至少一个处理器执行时使得至少一个处理器从多个数据库中的预定数据库检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
14.条款4：根据条款1至3中任一项所述的系统，其中所述至少一个处理器进一步被编程或配置成：从客户端装置接收对涉及所述用户的所述账户的支付交易的风险评估确定的请求；检取与所述用户的所述账户的第一交易聚合相关联的第一交易聚合数据；并且使用与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据作为所述机
器学习模型的输入，确定与涉及所述用户的所述账户的所述支付交易相关联的风险评估得分。
15.条款5：根据条款1至4中任一项所述的系统，其中，当检取与所述用户的所述账户的所述第一交易聚合相关联的第一交易聚合数据时，所述至少一个处理器被编程或配置成：从短期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的短期聚合数据；并且从长期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的长期聚合数据。
16.条款6：根据条款1至5中任一项所述的系统，其中，当检取与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据时，所述至少一个处理器被编程或配置成：基于执行所述可执行代码文件从一个或多个数据库检取与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据。
17.条款7：根据条款1至6中任一项所述的系统，其中，当接收到所述xml文件时，所述至少一个处理器被编程或配置成：经由网络应用程序从客户端装置接收所述xml文件，并且其中与所述机器学习模型的一个或多个输入参数相关联的所述数据基于经由所述网络应用程序接收的数据。
18.条款8：一种计算机实施的方法，包括：使用至少一个处理器接收数据文件，其中所述数据文件包括与机器学习模型的一个或多个输入参数相关联的数据；使用至少一个处理器基于包括在所述数据文件中的与所述机器学习模型的一个或多个输入参数相关联的所述数据生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥；以及使用至少一个处理器基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由至少一个处理器执行时使得所述至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
19.条款9：根据条款8所述的方法，其中生成所述可执行代码文件的文件包括：生成所述可执行代码文件，所述可执行代码文件在由至少一个处理器执行时使得至少一个处理器从多个数据库中的预定数据库检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
20.条款10：根据条款8或9所述的方法，还包括：从客户端装置接收对涉及所述用户的所述账户的支付交易的风险评估确定的请求；检取与所述用户的所述账户的第一交易聚合相关联的第一交易聚合数据；以及使用与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据作为所述机器学习模型的输入，确定与涉及所述用户的所述账户的所述支付交易相关联的风险评估得分。
21.条款11：根据条款8至10中任一项所述的方法，其中检取与所述用户的所述账户的所述第一交易聚合相关联的第一交易聚合数据包括：从短期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的短期聚合数据；以及从长期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的长期聚合数据。
22.条款12：根据条款8至11中任一项的方法，其中检取与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据，所述至少一个处理器被编程或配置成：基于执行所述可执行代码文件从一个或多个数据库检取与所述用户的所述账户的所述第一
交易聚合相关联的所述第一交易聚合数据。
23.条款13：根据条款8至12中任一项所述的方法，还包括：确定与涉及所述用户的所述账户的所述支付交易相关联的所述风险评估得分是否满足风险评估阈值；以及基于确定与涉及所述用户的所述账户的所述支付交易相关联的所述风险评估得分满足风险评估阈值而执行操作。
24.条款14：根据条款8至13中任一项所述的方法，其中接收所述数据文件包括：经由网络应用程序从客户端装置接收xml文件，并且其中与所述机器学习模型的一个或多个输入参数相关联的所述数据基于经由所述网络应用程序接收的数据。
25.条款15：一种计算机程序产品，包括至少一个非瞬态计算机可读介质，所述至少一个非瞬态计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时使得所述至少一个处理器：接收与机器学习模型相关联的数据文件；基于接收与所述机器学习模型相关联的所述数据文件生成代码生成模板，其中所述代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，其中所述用户的所述账户的所述交易聚合的所述一个或多个参数基于涉及所述用户的所述账户的多个支付交易的一个或多个参数；并且基于所述代码生成模板生成可执行代码文件，其中所述可执行代码文件包括指令，所述指令在由所述至少一个处理器执行时使所述至少一个处理器检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
26.条款16：根据条款15所述的计算机程序产品，其中所述代码生成模板包括用于sql查询的模板，并且其中用于所述sql查询的所述模板包括与所述用户的所述账户的所述交易聚合的一个或多个参数相关联的所述一个或多个密钥。
27.条款17：根据条款15或16所述的计算机程序产品，其中，使得所述至少一个处理器生成所述可执行代码文件的文件的所述一个或多个指令使得所述至少一个处理器：生成所述可执行代码文件，所述可执行代码文件在由至少一个处理器执行时使得至少一个处理器从多个数据库中的预定数据库检取与所述用户的所述账户的所述交易聚合相关联的交易聚合数据。
28.条款18：根据条款15至17中任一项所述的计算机程序产品，其中所述一个或多个指令还使得所述至少一个处理器：从客户端装置接收对涉及所述用户的所述账户的支付交易的风险评估确定的请求；检取与所述用户的所述账户的第一交易聚合相关联的第一交易聚合数据；并且使用与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据作为所述机器学习模型的输入，确定与涉及所述用户的所述账户的所述支付交易相关联的风险评估得分。
29.条款19：根据条款15至18中任一项所述的计算机程序产品，其中，使得所述至少一个处理器检取与所述用户的所述账户的所述第一交易聚合相关联的所述第一交易聚合数据的所述一个或多个指令使得所述至少一个处理器：从短期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的短期聚合数据；并且从长期数据库检取与所述用户的所述账户的所述第一交易聚合相关联的长期聚合数据。
30.条款20：根据条款15至19中任一项所述的计算机程序产品，其中，使得所述至少一个处理器接收所述xml文件的所述一个或多个指令使得所述至少一个处理器：经由网络应用程序从客户端装置接收所述xml文件，并且其中与所述机器学习模型的一个或多个输入
参数相关联的所述数据基于经由所述网络应用程序接收的数据。
31.在参考附图考虑以下描述和所附权利要求书之后，本公开的这些和其它特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见，所有附图形成本说明书的部分，其中相似附图标号在各图中标示对应部分。然而，应明确地理解，图式仅用于说明及描述的目的，且不希望作为对本公开的限制的定义。除非上下文另外明确规定，否则在本说明书和权利要求书中使用时，单数形式“一”和“所述”包括多个指示物。
附图说明
32.下文参考所附示意图中示出的示例性实施例更详细地解释非限制性方面或实施例的额外优势和细节，图中：
33.图1是其中可实施本文所描述的装置、系统、方法和/或产品的环境的非限制性方面或实施例的图；
34.图2是图1的一个或多个装置和/或一个或多个系统的组件的非限制性方面或实施例的图；
35.图3是用于生成代码以检取机器学习模型的聚合数据的过程的非限制性方面或实施例的流程图；以及
36.图4a-4e是用于生成代码以检取机器学习模型的聚合数据的过程的实施方案的非限制性实施例的图。
具体实施方式
37.下文出于描述的目的，术语“端”、“上”、“下”、“右”、“左”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”以及其衍生词应涉及本公开如其在附图中的定向。然而，应理解，除了明确指定相反情况之外，本公开可以采用各种替代变化和步骤序列。还应理解，附图中所说明的以及在以下说明中描述的特定装置和过程仅仅是本公开的示例性实施例或方面。因此，除非另有指示，否则与本文公开的实施例或实施例的方面相关联的特定维度和其它物理特性不应被视为限制。
38.本文所使用的方面、组件、元件、结构、动作、步骤、功能、指令等都不应当被理解为关键的或必要的，除非明确地如此描述。并且，如本文所使用，冠词“一”希望包括一个或多个项目，并且可以与“一个或多个”和“至少一个”互换使用。此外，如本文所使用，术语“集合”希望包括一个或多个项目(例如，相关项目、不相关项目、相关项目与不相关项目的组合等)，并且可以与“一个或多个”或“至少一个”互换使用。在希望仅有一个项目的情况下，使用术语“一个”或类似语言。并且，如本文所使用，术语“具有”等希望是开放式术语。另外，除非另外明确陈述，否则短语“基于”希望意味着“至少部分地基于”。
39.如本文所使用，术语“通信”和“传送”可以指信息(例如，数据、信号、消息、指令、命令等)的接收、接纳、发送、传送、预配等。一个单元(例如，装置、系统、装置或系统的组件、其组合等)与另一单元通信意味着所述一个单元能够直接或间接地从所述另一单元接收信息和/或向所述另一单元发送(例如，发送)信息。这可以指代本质上有线和/或无线的直接或间接连接。另外，即使所发送的信息可能在第一单元与第二单元之间被修改、处理、中继和/
或路由，这两个单元也可以彼此通信。例如，即使第一单元被动地接收信息且不会主动地将信息发送到第二单元，第一单元也可以与第二单元通信。作为另一示例，如果至少一个中间单元(例如，位于第一单元与第二单元之间的第三单元)处理从第一单元接收的信息且将处理后的信息发送到第二单元，则第一单元可以与第二单元通信。在一些非限制性实施例中，消息可以指包括数据的网络分组(例如，数据分组等)。
40.如本文所使用，术语“发行方”、“发行方机构”、“发行方银行”或“支付装置发行方”可以指向个体(例如，用户、客户等)提供用于进行例如信用卡支付交易和/或借记卡支付交易的支付交易的账户的一个或多个实体。例如，发行方机构可以向客户提供唯一地标识与所述客户相关联的一个或多个账户的账户标识符，例如主账号(pan)。在一些非限制性实施例中，发行方可以与唯一地标识发行方机构的银行标识号(bin)相关联。如本文所使用，“发行方系统”可以指由发行方或代表发行方操作的一个或多个计算机系统，例如执行一个或多个软件应用程序的服务器。例如，发行方系统可以包括用于授权交易的一个或多个授权服务器。
41.如本文所使用，术语“账户标识符”可以包括与账户相关联的一种或多种类型的标识符(例如，与账户相关联的pan、与账户相关联的卡号、与账户相关联的支付卡号、与账户相关联的令牌等)。在一些非限制性实施例中，发行方可以向用户提供账户标识符(例如，pan、令牌等)，所述账户标识符唯一地标识与所述用户相关联的一个或多个账户。账户标识符可以体现在支付装置(例如，用于进行支付交易的物理工具，例如支付卡、信用卡、借记卡、礼品卡等)上，和/或可以是向用户传送的电子信息，用户可以将其用于电子支付交易。在一些非限制性实施例中，账户标识符可以是原始账户标识符，其中在创建与账户标识符相关联的账户时将原始账户标识符提供给用户。在一些非限制性实施例中，账户标识符可以是补充账户标识符，其可以包括在原始账户标识符提供给用户之后被提供给用户的账户标识符。例如，如果原始账户标识符被遗忘、被盗等，可将补充账户标识符提供给用户。在一些非限制性实施例中，账户标识符可直接或间接与发行方机构相关联，使得账户标识符可以是映射到pan或其它类型的账户标识符的令牌。账户标识符可以是字母数字、字符和/或符号的任何组合等。
42.如本文所使用，术语“令牌”可以指账户的用作另一账户标识符(例如pan)的替代或替换的账户标识符。令牌可以与一个或多个数据结构(例如一个或多个数据库等)中的pan或另一原始账户标识符相关联，使得令牌可以用于进行支付交易而无需直接使用原始账户标识符。在一些非限制性实施例中，pan等原始账户标识符可以与用于不同个体或目的的多个令牌相关联。在一些非限制性实施例中，令牌可以与pan或一个或多个数据结构中的其它账户标识符相关联，使得令牌可以用来进行交易，而无需直接使用例如pan的账户标识符。在一些示例中，pan等账户标识符可以与用于不同用途或目的的多个令牌相关联。
43.如本文所使用，术语“商家”可以指基于支付交易等交易向用户(例如，客户、顾客等)提供商品、服务和/或对商品和/或服务的访问的一个或多个实体(例如，零售业务的运营商)。如本文所使用，术语“商家系统”可以指由商家或代表商家操作的一个或多个计算机系统，例如执行一个或多个软件应用程序的服务器。如本文所使用，术语“产品”可以指由商家提供的一个或多个商品和/或服务。
44.如本文所使用，术语“销售点(pos)装置”可以指可被商家用来进行交易(例如，支
付交易)和/或处理交易的一个或多个电子装置。另外或替代地，pos装置可以包括外围装置、读卡器、扫描装置(例如，代码扫描器等)、通信接收器、近场通信(nfc)接收器、射频标识(rfid)接收器和/或其它非接触式收发器或接收器、基于接触的接收器、支付终端等。
45.如本文所使用，术语“销售点(pos)系统”可以指商家用来进行交易的一个或多个客户端装置和/或外围装置。例如，pos系统可以包括一个或多个pos装置，和/或可用于进行支付交易的其它类似装置。在一些非限制性实施例中，pos系统(例如，商家pos系统)可以包括被编程或配置成通过网页、移动应用程序等处理在线支付交易的一个或多个服务器计算机。
46.如本文所使用，术语“交易服务提供商”可以指接收来自商家或其它实体的交易授权请求且在一些情况下通过交易服务提供商与发行方机构之间的协议来提供支付保证的实体。在一些非限制性实施例中，交易服务提供商可以包括信用卡公司、借记卡公司、例如实体。在一些非限制性实施例中，交易服务提供商可以包括信用卡公司、借记卡公司、例如之类的支付网络，或处理交易的任何其它实体。如本文所使用，术语“交易服务提供商系统”可以指由交易服务提供商或代表交易服务提供商操作的一个或多个计算机系统，例如执行一个或多个软件应用程序的交易服务提供商系统。交易服务提供商系统可以包括一个或多个处理器，且在一些非限制性实施例中，可以由交易服务提供商或代表交易服务提供商操作。
47.如本文所使用，术语“支付装置”可指支付卡(例如信用卡或借记卡)、礼品卡、智能卡(例如，芯片卡、集成电路卡等)、智能介质、工资卡、医疗保健卡、腕带、含有账户信息的机器可读介质、钥匙链装置或吊坠、rfid应答器、零售商折扣或会员卡等。支付装置可以包括易失性或非易失性存储器以存储信息(例如，账户标识符、账户持有人的姓名等)。
48.如本文所使用，术语“客户端”和“客户端装置”可以指一个或多个计算装置，例如处理器、存储装置和/或访问服务器提供的服务的类似计算机组件。在一些非限制性实施例中，“客户端装置”可指促进支付交易的一个或多个装置，例如由商家使用的一个或多个pos装置。在一些非限制性实施例中，客户端装置可以包括被配置成与一个或多个网络通信和/或促进支付交易的计算装置，例如但不限于一个或多个台式计算机、一个或多个移动装置和/或其它类似装置。此外，“客户端”还可以指拥有、利用和/或操作客户端装置以促进与交易服务提供商的支付交易的实体，例如商家。
49.如本文所使用，术语“服务器”可以指一个或多个计算装置，例如处理器、存储装置和/或类似计算机组件，所述计算装置在例如因特网或私用网络等网络上与客户端装置和/或其它计算装置通信，并且在一些示例中，促进其它服务器和/或客户端装置之间的通信。
50.如本文所使用，术语“系统”可指一个或多个计算装置或计算装置组合，例如但不限于处理器、服务器、客户端装置、软件应用程序和/或其它类似组件。此外，如本文所使用，对“服务器”或“处理器”的参考可指先前所述的陈述为执行先前步骤或功能的服务器和/或处理器、不同的服务器和/或处理器，和/或服务器和/或处理器的组合。例如，如在说明书和权利要求书中所使用，陈述为执行第一步骤或功能的第一服务器和/或第一处理器可指陈述为执行第二步骤或功能的相同或不同服务器和/或处理器。
51.在一些非限制性实施例中，公开了系统、计算机实施的方法和计算机程序产品。例如，系统可以包括至少一个处理器，所述至少一个处理器被编程或配置成接收与机器学习
模型相关联的数据文件，例如xml数据文件。数据文件可以包括与机器学习模型的一个或多个输入参数相关联的数据。至少一个处理器可被编程或配置成基于包括在数据文件中的与机器学习模型的一个或多个输入参数相关联的数据生成代码生成模板。代码生成模板可以包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，并且用户的账户的交易聚合的一个或多个参数可基于涉及用户的账户的多个支付交易的一个或多个参数。至少一个处理器可被编程或配置成基于代码生成模板生成可执行代码文件。可执行代码文件可以包括指令，所述指令在由至少一个处理器执行时使得至少一个处理器检取与用户的账户的交易聚合相关联的交易聚合数据。
52.以此方式，本公开的非限制性实施例可以允许确定聚合数据，例如，一旦接收到与聚合数据相关联的请求，就可以确定所述聚合数据是资源密集度较低的并且不需要大量时间来计算。此外，本公开的非限制性实施例可以允许针对特定的聚合数据集创建机器学习模型，并且不需要在机器学习模型的每个使用实例期间重新计算聚合数据。
53.现在参考图1，所述图1是其中可实施本文所描述的装置、系统、方法和/或产品的示例环境100的图。如图1所示，环境100包括代码生成器系统102、用户装置104、编排系统106、人工智能(ai)风险确定系统108、短期数据库110、长期数据库112和通信网络114。代码生成器系统102、用户装置104、编排系统106、ai风险确定系统108、短期数据库110和长期数据库112可经由有线连接、无线连接或有线和无线连接的组合进行互连(例如，建立连接以进行通信等)。
54.代码生成器系统102可以包括能够经由通信网络114与用户装置104、编排系统106、人工智能(ai)风险确定系统108、短期数据库110和长期数据库112进行通信的一个或多个装置。例如，代码生成器系统102可以包括一个或多个计算装置，例如一个或多个服务器和/或其它类似装置。在一些非限制性实施例中，代码生成器系统102可以与交易服务提供商相关联，如本文所描述。例如，代码生成器系统102可以由交易服务提供商操作和/或代码生成器系统102可以是交易服务提供商系统的组件。
55.用户装置104可以包括能够经由通信网络114与代码生成器系统102、编排系统106、ai风险确定系统108、短期数据库110和长期数据库112进行通信的一个或多个装置。例如，用户装置104可以包括一个或多个计算装置，例如一个或多个服务器、一个或多个客户端装置、一个或多个移动装置和/或其它类似装置。在一些非限制性实施例中，用户装置104可以与交易服务提供商相关联，如本文所描述。例如，用户装置104可以由交易服务提供商操作，和/或用户装置104可以是交易服务提供商系统的组件。
56.编排系统106可以包括能够经由通信网络114与代码生成器系统102、用户装置104、ai风险确定系统108、短期数据库110和长期数据库112进行通信的一个或多个装置。例如，编排系统106可以包括一个或多个计算装置，例如一个或多个服务器和/或其它类似装置。在一些非限制性实施例中，编排系统106可以与交易服务提供商相关联，如本文所描述。例如，编排系统106可以由交易服务提供商操作，和/或编排系统106可以是交易服务提供商系统的组件。
57.ai风险确定系统108可以包括能够经由通信网络114与代码生成器系统102、用户装置104、编排系统106、短期数据库110和长期数据库112进行通信的一个或多个装置。例如，ai风险确定系统108可以包括一个或多个计算装置，例如一个或多个服务器和/或其它
类似装置。在一些非限制性实施例中，ai风险确定系统108可以与交易服务提供商相关联，如本文所描述。例如，ai风险确定系统108可以由交易服务提供商操作，和/或ai风险确定系统108可以是交易服务提供商系统的组件。
58.短期数据库110可以包括能够将数据存储在数据结构中并且能够经由通信网络114与代码生成器系统102、用户装置104、编排系统106、ai风险确定系统108和长期数据库112进行通信的一个或多个装置。例如，短期数据库110可以包括一个或多个计算装置，例如一个或多个服务器和/或其它类似装置。在一些非限制性实施例中，短期数据库110可以是系统的组件。例如，短期数据库110可以是代码生成器系统102和/或编排系统106的组件。在一些非限制性实施例中，短期数据库110可以接收和/或存储与实时(例如，即时)支付交易相关联的数据。例如，短期数据库110可以从例如apache kafka或ibm mq之类的消息传递系统接收与实时支付交易相关联的数据，并且短期数据库110可以基于从消息传递系统接收到数据而将与实时支付交易相关联的数据存储在数据结构中。
59.长期数据库112可以包括能够将数据存储在数据结构中并且能够经由通信网络114与代码生成器系统102、用户装置104、编排系统106、ai风险确定系统108和短期数据库110进行通信的一个或多个装置。例如，长期数据库112可以包括一个或多个计算装置，例如一个或多个服务器和/或其它类似装置。在一些非限制性实施例中，长期数据库112可以是系统的组件。例如，长期数据库112可以是代码生成器系统102和/或编排系统106的组件。在一些非限制性实施例中，长期数据库112可以基于与由与用户简档相关联的用户进行的支付交易相关联的交易数据接收和/或存储与用户简档相关联的数据。例如，长期数据库112可以从例如apache hadoop系统之类的文件系统接收与用户简档相关联的数据，并且长期数据库112可以基于从文件系统接收到数据而存储与用户简档相关联的数据。
60.通信网络114可以包括一个或多个有线和/或无线网络。例如，通信网络114可以包括蜂窝网络(例如，长期演进(lte)网络、第三代(3g)网络、第四代(4g)网络、第五代(5g)网络、码分多址接入(cdma)网络等)、公用陆地移动网络(plmn)、局域网(lan)、广域网(wan)、城域网(man)、电话网络(例如，公共交换电话网络(pstn))、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络等，和/或一些或所有这些或其它类型的网络的组合。
61.作为示例提供图1所示的系统和/或装置的数目和布置。可存在额外系统和/或装置、更少系统和/或装置、不同的系统和/或装置，或以与图1所示的那些不同的方式布置的系统和/或装置。此外，可在单个系统和/或单个装置内实施图1所示的两个或更多个系统和/或装置，或图1所示的单个系统或单个装置可实施为多个分布式系统或装置。另外或替代地，环境100的一组系统或一组装置(例如，一个或多个系统、一个或多个装置)可执行被描述为由环境100的另一组系统或另一组装置执行的一个或多个功能。
62.现在参考图2，所述图2是装置200的示例组件的图。装置200可以对应于代码生成器系统102(例如，代码生成器系统102的一个或多个装置)、用户装置104、编排系统106(例如，编排系统106的一个或多个装置)、ai风险确定系统108(例如，ai风险确定系统108的一个或多个装置)、短期数据库110和/或长期数据库112。在一些非限制性方面或实施例中，代码生成器系统102、用户装置104、编排系统106、ai风险确定系统108、短期数据库110和/或长期数据库112可以包括至少一个装置200和/或装置200的至少一个组件。如图2所示，装置200可以包括总线202、处理器204、存储器206、存储组件208、输入组件210、输出组件212和
通信接口214。
63.总线202可以包括准许装置200的组件之间的通信的组件。在一些非限制性方面或实施例中，处理器204可以硬件、软件，或硬件和软件的组合实施。例如，处理器204可以包括处理器(例如，中央处理单元(cpu)、图形处理单元(gpu)、加速处理单元(apu)等)、微处理器、数字信号处理器(dsp)和/或可以被编程成执行功能的任何处理组件(例如，现场可编程门阵列(fpga)、专用集成电路(asic)等)。存储器206可以包括随机存取存储器(ram)、只读存储器(rom)，和/或存储供处理器204使用的信息和/或指令的另一类型的动态或静态存储装置(例如，闪存存储器、磁存储器、光学存储器等)。
64.存储组件208可以存储与装置200的操作和使用相关联的信息和/或软件。例如，存储组件208可以包括硬盘(例如，磁盘、光盘、磁光盘、固态磁盘等)、压缩光盘(cd)、数字多功能光盘(dvd)、软盘、盒带、磁带和/或另一类型的计算机可读介质，以及对应的驱动器。
65.输入组件210可以包括准许装置200例如经由用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风、摄像头等)接收信息的组件。另外或替代地，输入组件210可以包括用于感测信息的传感器(例如，全球定位系统(gps)组件、加速度计、陀螺仪、致动器等)。输出组件212可包括从装置200提供输出信息的组件(例如显示器、扬声器、一个或多个发光二极管(led)等)。
66.通信接口214可以包括收发器式组件(例如，收发器、独立的接收器和发送器等)，所述收发器式组件使装置200能够例如经由有线连接、无线连接，或有线连接和无线连接的组合与其它装置进行通信。通信接口214可以准许装置200接收来自另一装置的信息和/或向另一装置提供信息。例如，通信接口214可包括以太网接口、光学接口、同轴接口、红外接口、射频(rf)接口、通用串行总线(usb)接口、接口、蜂窝网络接口等。
67.装置200可以执行本文所描述的一个或多个过程。装置200可以基于处理器204执行由例如存储器206和/或存储组件208的计算机可读介质存储的软件指令来执行这些过程。计算机可读介质(例如，非瞬态计算机可读介质)在本文中定义为非瞬态存储器装置。非瞬态存储器装置包括位于单个物理存储装置内部的存储器空间或散布于多个物理存储装置上的存储器空间。
68.软件指令可以经由通信接口214从另一计算机可读介质或从另一装置读取到存储器206和/或存储组件208中。在被执行时，存储在存储器206和/或存储组件208中的软件指令可以使处理器204执行本文描述的一个或多个过程。另外或替代地，硬接线电路系统可以替代或结合软件指令使用以执行本文中所描述的一个或多个过程。因此，本文所描述的实施例或方面不限于硬件电路系统和软件的任何特定组合。
69.存储器206和/或存储组件208可包括数据存储装置或一个或多个数据结构(例如数据库等)。装置200可能够从存储器206和/或存储组件208中的数据存储装置或一个或多个数据结构检取信息、将信息存储在所述数据存储装置或一个或多个数据结构中、或搜索存储在所述数据存储装置或一个或多个数据结构中的信息。例如，信息可以包括加密数据、输入数据、输出数据、交易数据、账户数据或其任何组合。
70.作为示例提供图2所示的组件的数目和布置。在一些非限制性方面或实施例中，装置200可以包括与图2所示的那些相比额外的组件、更少的组件、不同的组件或以不同方式布置的组件。另外或替代地，装置200的一组组件(例如一个或多个组件)可以执行被描述为
由装置200的另一组组件执行的一个或多个功能。
71.现在参考图3，所述图3是用于生成代码以检取机器学习模型的聚合数据的过程300的非限制性实施例的流程图。在一些非限制性方面或实施例中，关于过程300所描述的一个或多个功能可以由代码生成器系统102(例如，完全地、部分地等)执行。在一些非限制性实施例中，过程300的一个或多个步骤可以由不同于和/或包括代码生成器系统102的另一装置或装置群组，例如用户装置104、编排系统106和/或ai风险确定系统108(例如，完全地、部分地等)执行。
72.如图3所示，在步骤302处，过程300可以包括接收与机器学习模型相关联的数据文件。例如，代码生成器系统102可以接收包括机器学习模型的一个或多个输入参数的数据文件。在一些非限制性实施例中，机器学习模型的一个或多个输入参数可以包括与机器学习模型相关联的一个或多个特征。例如，机器学习模型的一个或多个输入参数可以对应于用于训练和/或验证机器学习模型的一个或多个特征。
73.在一些非限制性实施例中，机器学习模型的一个或多个输入参数可以包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥。与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥可以对应于用于训练和/或验证机器学习模型的一个或多个特征。在一些非限制性实施例中，机器学习模型可以包括风险确定机器模型。例如，机器学习模型可以包括由ai风险确定系统108使用的风险确定机器模型，以确定与使用用户的账户进行的支付交易(例如，实时进行的支付交易)的授权相关联的风险。
74.在一些非限制性实施例中，用户的账户的交易聚合的一个或多个参数可以基于涉及用户的账户的多个支付交易的一个或多个参数。例如，交易聚合的一个或多个参数可以包括在时间间隔期间使用用户的账户进行的多个支付交易，在时间间隔期间使用用户的账户进行的多个支付交易的总交易金额，在时间间隔期间使用用户的账户进行的多个支付交易中涉及的多个ip地址(例如，各自与不同的计算装置相关联的多个ip地址)，与在时间间隔期间使用用户的账户进行的多个支付交易相关联的ip地址的列表(例如，各自与所涉及的不同计算装置相关联的ip地址的列表)等。
75.在一些非限制性实施例中，代码生成器系统102可以存储用户的账户的交易聚合的一个或多个参数。例如，代码生成器系统102可以将用户的账户的交易聚合的一个或多个参数作为用户的账户的用户简档存储在长期数据库112中。用户的账户的交易聚合(例如，用户的账户的用户简档)的一个或多个参数可以被分配给长期数据库112中的用户的账户的账户标识符。
76.在一些非限制性实施例中，代码生成器系统102可以经由网络应用程序从用户装置104接收数据文件。例如，代码生成器系统102可以经由设置在用户装置104上的网络应用程序从用户装置104接收数据文件。包括在数据文件中的数据(例如，与机器学习模型的一个或多个输入参数相关联的数据)可以基于经由网络应用程序接收的数据。在一些非限制性实施例中，数据文件可以包括可扩展标记语言(xml)数据文件。例如，数据文件可以包括呈xml数据文件格式的数据。
77.如图3所示，在步骤304处，过程300可以包括基于数据文件生成代码生成模板。例如，代码生成器系统102可以基于从用户装置104接收的数据文件生成代码生成模板。在一些非限制性实施例中，代码生成模板可以包括具有基于机器学习模型(例如，风险确定机器
学习模型)的一个或多个输入参数的字段的模板。在一些非限制性实施例中，代码生成器系统102可以基于机器学习模型生成代码生成模板。例如，代码生成器系统102可以基于机器学习模型的标识符，例如风险确定机器学习模型的标识符而生成代码生成模板。在一些非限制性实施例中，机器学习模型的标识符可以包括在从用户装置104接收的数据文件中。
78.在一些非限制性实施例中，代码生成器系统102可以生成代码生成模板作为用于sql查询的模板。例如，代码生成器系统102可以基于从用户装置104接收的数据文件中包括的数据生成代码生成模板作为用于sql查询的模板。在一些非限制性实施例中，用于sql查询的模板可以包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥。
79.如图3所示，在步骤306处，过程300可以包括基于代码生成模板生成可执行代码文件。例如，代码生成器102可以基于代码生成模板生成可执行代码文件。可执行代码文件可以包括指令，所述指令在被执行时使得与用户的账户的交易聚合相关联的交易聚合数据被检取。在一些非限制性实施例中，与用户的账户的交易聚合相关联的交易聚合数据可以包括用户的账户的交易聚合的一个或多个参数的多个值中的一个值。例如，与用户的账户的交易聚合相关联的交易聚合数据可以包括在时间间隔期间使用用户的账户进行的多个支付交易，其中所述多个支付交易的数目等于7。在另一示例中，与用户的账户的交易聚合相关联的交易聚合数据可以包括在时间间隔期间使用用户的账户进行的多个支付交易的总交易金额，其中所述多个支付交易的总交易金额等于534.56美元。在另一示例中，与用户的账户的交易聚合相关联的交易聚合数据可以包括在时间间隔期间使用用户的账户进行的多个支付交易中涉及的多个ip地址，并且ip地址的数目等于6。
80.在一些非限制性实施例中，代码生成器系统102可以存储与用户的账户的交易聚合相关联的交易聚合数据(例如，用户的账户的交易聚合的一个或多个参数的多个值中的一个值)。例如，代码生成器系统102可以将用户的账户的交易聚合的一个或多个参数的一个或多个值存储在长期数据库112中的用户的账户的用户简档中。用户的账户的交易聚合(例如，用户的账户的用户简档)的一个或多个参数的一个或多个值可以被分配给长期数据库112中的用户的账户的账户标识符。
81.在一些非限制性实施例中，可执行代码文件可以包括指令，所述指令在被执行时使得从长期数据库112检取与用户的账户的交易聚合相关联的长期交易聚合数据。另外或替代地，可执行代码文件可以包括指令，所述指令在被执行时使得从短期数据库110检取与用户的账户的交易聚合相关联的短期交易聚合数据。
82.在一些非限制性实施例中，代码生成器系统102可以执行可执行代码文件，并且从短期数据库110和/或长期数据库112检取与用户的账户的交易聚合相关联的交易聚合数据。另外或替代地，编排系统106和/或ai风险确定系统108可以执行可执行代码文件，并且从短期数据库110和/或长期数据库112检取与用户的账户的交易聚合相关联的交易聚合数据。
83.在一些非限制性实施例中，代码生成器系统102可以生成可执行代码文件以包括指令，所述指令在被执行时使得从多个数据库的预定数据库检取与用户的账户的交易聚合数据相关联的交易聚合数据。例如，代码生成器系统102可以生成可执行代码文件以包括指令，所述指令在被执行时使得从短期数据库110和长期数据库112的预定数据库检取与用户的账户的交易聚合相关联的交易聚合数据。在一些非限制性实施例中，代码生成器系统102
可以基于从用户装置104接收的数据文件中包括的数据而确定多个数据库中的预定数据库。例如，代码生成器系统102可以基于机器学习模型的一个或多个输入参数和/或与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥而确定多个数据库中的预定数据库。另外或替代地，代码生成器系统102可以基于包括在数据文件中的机器学习模型的标识符而确定多个数据库中的预定数据库。
84.在一些非限制性实施例中，编排系统106可以接收对涉及用户的账户的支付交易的风险评估确定的请求。例如，编排系统106可以从用户装置104接收对涉及用户的账户的支付交易的风险评估确定的请求。在一些非限制性实施例中，对风险评估确定的请求可以包括用户的账户的账户标识符。在一些非限制性实施例中，编排系统106可以基于从用户装置104接收到对风险评估确定的请求而发送对风险评估确定的请求。例如，编排系统106可以基于接收到对风险评估确定的请求而将对风险评估确定的请求发送到代码生成器系统102。
85.在一些非限制性实施例中，代码生成器系统102、编排系统106和/或ai风险确定系统108可以从短期数据库110和/或长期数据库112检取与用户的账户的交易聚合相关联的交易聚合数据。例如，编排系统106可以基于包括在对风险评估确定的请求中的用户的账户的账户标识符而从短期数据库110和/或长期数据库112检取与交易聚合相关联的交易聚合数据。在此示例中，代码生成器系统102、编排系统106和/或ai风险确定系统108可以确定对应于用户的账户的账户标识符的用户简档，并且可以从用户简档检取与用户的账户的交易聚合相关联的交易聚合数据。在一些非限制性实施例中，代码生成器系统102、编排系统106和/或ai风险确定系统108可以从短期数据库检取与用户的账户的交易聚合相关联的短期聚合数据，和/或从长期数据库112检取与用户的账户的交易聚合相关联的长期聚合数据。
86.在一些非限制性实施例中，代码生成器系统102、编排系统106和/或ai风险确定系统108可以基于执行可执行代码文件，从短期数据库110和/或长期数据库112检取与用户的账户的交易聚合相关联的交易聚合数据。例如，代码生成器系统102、编排系统106和/或ai风险确定系统108可以基于在预定时间间隔内执行可执行代码文件而检取与用户的账户的交易聚合相关联的交易聚合数据。在一些非限制性实施例中，预定时间间隔可以包括每日时间间隔、每周时间间隔、每月时间间隔等。
87.在一些非限制性实施例中，ai风险确定系统108可以使用与用户的账户的交易聚合相关联的交易聚合数据来确定与涉及用户的账户的支付交易相关联的风险评估得分。例如，ai风险确定系统108可以使用与用户的账户的交易聚合相关联的交易聚合数据作为风险确定机器学习模型的输入来确定风险评估得分。在一些非限制性实施例中，ai风险确定系统108可以基于确定风险评估得分而将风险评估得分发送到编排系统106。在一些非限制性实施例中，编排系统106可以确定与涉及用户的账户的支付交易相关联的风险评估得分是否满足风险评估阈值。在一些非限制性实施例中，编排系统106可以基于确定与涉及用户的账户的支付交易相关联的风险评估得分满足风险评估阈值而执行操作。在一些非限制性实施例中，编排系统106可以放弃执行操作，或者可以基于确定与涉及用户的账户的支付交易相关联的风险评估得分不满足风险评估阈值而执行不同的操作。在一些非限制性实施例中，编排系统106可以基于确定与涉及用户的账户的支付交易相关联的风险评估得分满足风险评估阈值而发送包括支付交易被授权的指示的消息。编排系统106可以基于确定与涉
及用户的账户的支付交易相关联的风险评估得分不满足风险评估阈值而发送包括支付交易未被授权的指示的消息。
88.现在参考图4a-4e，其示出用于生成代码以检取机器学习模型的聚合数据的过程的实施方案400的非限制性实施例。如图4a中的附图标记415所示，编排系统106可以接收与机器学习模型相关联的xml数据文件。在一些非限制性实施例中，xml数据文件包括与机器学习模型的一个或多个输入参数相关联的数据。如图4a中的附图标记420所示，代码生成器系统102可以基于编排系统106将xml数据文件发送到代码生成器系统102而从编排系统106接收xml数据文件。
89.如图4b中的附图标记425所示，代码生成器系统102可以基于包括在xml数据文件中的与机器学习模型的一个或多个输入参数相关联的数据而生成代码生成模板。在一些非限制性实施例中，代码生成模板包括与用户的账户的交易聚合的一个或多个参数相关联的一个或多个密钥，并且用户的账户的交易聚合的一个或多个参数可以基于涉及用户的账户的多个支付交易的一个或多个参数。如图4b中的附图标记430所示，代码生成器系统102可以基于代码生成模板生成可执行代码文件。在一些非限制性实施例中，可执行代码文件包括指令，所述指令在由至少一个处理器执行时使得至少一个处理器检取与用户的账户的交易聚合相关联的交易聚合数据。
90.如图4c中的附图标记435所示，编排系统106可以从用户装置104接收对涉及用户的账户的支付交易(例如，实时支付交易)的风险评估确定的请求。如图4d中的附图标记440所示，编排系统106可以检取与用户的账户的交易聚合相关联的交易聚合数据。
91.如图4e中的附图标记445所示，编排系统106可以将与用户的账户的交易聚合相关联的交易聚合数据发送到ai风险确定系统108。如图4e中的附图标记450所示，ai风险确定系统108可以基于与交易聚合相关联的交易聚合数据而确定与涉及用户的账户的支付交易相关联的风险评估得分。例如，ai风险确定系统108可以使用与用户的账户的交易聚合相关联的交易聚合数据作为机器学习模型的输入来确定与涉及用户的账户的支付交易相关联的风险评估得分。如图4e中的附图标记455所示，编排系统106可以从ai风险确定系统108接收与涉及用户的账户的支付交易相关联的风险评估得分。如图4e中的附图标记460所示，编排系统106可以基于风险评估得分执行操作。
92.尽管已出于说明的目的基于当前被视为最实用和优选的实施例或方面详细地描述了以上方法、系统和计算机程序产品，但应理解，此类细节仅用于所述说明目的，并且本公开不限于所描述实施例或方面，相反，本公开旨在涵盖属于所附权利要求书的精神和范围内的修改和等同布置。例如，应理解，本公开预期，尽可能地，任何实施例或方面的一个或多个特征可与任何其它实施例或方面的一个或多个特征组合。