CN107025494A - 数据预测方法、理财推荐方法、装置以及终端设备 - Google Patents
数据预测方法、理财推荐方法、装置以及终端设备 Download PDFInfo
- Publication number
- CN107025494A CN107025494A CN201610827081.1A CN201610827081A CN107025494A CN 107025494 A CN107025494 A CN 107025494A CN 201610827081 A CN201610827081 A CN 201610827081A CN 107025494 A CN107025494 A CN 107025494A
- Authority
- CN
- China
- Prior art keywords
- targeted customer
- data
- information
- personal information
- label
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000006467 substitution reaction Methods 0.000 claims description 48
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000007115 recruitment Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
本申请公开了一种数据预测方法、理财推荐方法、装置以及终端设备。其中方法包括:获取目标用户的个人信息;根据目标用户的个人信息生成目标用户的应用样本;计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签;根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。该方法可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种数据预测方法、理财推荐方法、装置以及终端设备。
背景技术
在个人理财规划中,个人未来工资的变化趋势是非常重要的因素,将直接影响到个人所缴纳的养老金水平,进而可能影响到其退休时领取的养老金水平以及养老金替代率。相关技术中,在养老金的计算方法中,通常是以恒定的增长比例线性计算个人未来收入,甚至不计算收入增长比例。然而,用户实际收入变化往往是复杂的曲线,这样使得计算的个人未来收入与实际情况有较大出入,影响未来可领取的养老金金额的预估结果。因此,如何能够更加准确地预测个人未来工资的变化情况,已经成为亟待解决的问题。
发明内容
本申请的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本申请的第一个目的在于提出一种数据预测方法。该方法可以更加准确地预测到个人未来工资的变化趋势,以便用户根据个人未来工资的变化趋势能够提前制定符合自身的理财计划,更好地保障未来的生活,提高用户幸福感。
本申请的第二个目的在于提出一种数据预测装置。
本申请的第三个目的在于提出一种财务推荐方法。
本申请的第四个目的在于提出一种财务推荐装置。
本申请的第五个目的在于提出一种终端设备。
本申请的第六个目的在于提出另一种终端设备。
为达到上述目的,本申请第一方面实施例的数据预测方法,包括:获取目标用户的个人信息;根据所述目标用户的个人信息生成所述目标用户的应用样本;计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
本申请实施例的数据预测方法,可先获取目标用户的个人信息,之后,可根据目标用户的个人信息生成目标用户的应用样本,并计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,然后,根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。实现了通过对目标用户进行打标以得到对应的标签,并根据该目标用户的标签和目标用户的个人信息计算目标用户的目标数据,如个人未来工资的变化情况,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,如退休养老规划、子女教育规划等,可以提高用户的幸福感。
为达到上述目的,本申请第二方面实施例的数据预测装置,包括:获取模块,用于获取目标用户的个人信息;第一生成模块,用于根据所述目标用户的个人信息生成所述目标用户的应用样本;第二生成模块,用于计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;预测模块,用于根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
本申请实施例的数据预测装置,可通过获取模块获取目标用户的个人信息,第一生成模块根据目标用户的个人信息生成目标用户的应用样本,第二生成模块计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,预测模块根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。实现了通过对目标用户进行打标以得到对应的标签,并根据该目标用户的标签和目标用户的个人信息计算目标用户的目标数据,如个人未来工资的变化情况,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,如退休养老规划、子女教育规划等,可以提高用户的幸福感。
为达到上述目的,本申请第三方面实施例的财务推荐方法,包括:获取目标用户的个人信息,并根据所述目标用户的个人信息生成所述目标用户的财务支出数据;根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;获取所述目标用户退休前一年的工资信息,并根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
本申请实施例的理财推荐方法,可根据目标用户的个人信息生成目标用户的财务支出数据,并根据目标用户的财务支出数据以及预测到的该目标用户的财务收入数据生成该目标用户退休之后可领取的返还财务收入数据,并获取该目标用户退休前一年的工资信息,并根据该目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,最后,根据该替代率信息生成与该目标用户对应的理财推荐方案。实现了通过多个相关因素来获取与理财推荐方案相关的数据,使得根据这些相关的数据来生成的理财推荐方案更加准确,更加符合用户的个人实际情况,从而可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
为达到上述目的,本申请第四方面实施例的理财推荐装置,包括:第一获取模块,用于获取目标用户的个人信息;第一生成模块,用于根据所述目标用户的个人信息生成所述目标用户的财务支出数据;第二生成模块,用于根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;第二获取模块,用于获取所述目标用户退休前一年的工资信息;第三生成模块,用于根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;第四生成模块,用于根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
本申请实施例的理财推荐装置,可通过第一生成模块根据目标用户的个人信息生成目标用户的财务支出数据,第二生成模块根据目标用户的财务支出数据以及预测到的该目标用户的财务收入数据生成该目标用户退休之后可领取的返还财务收入数据,第二获取模块获取该目标用户退休前一年的工资信息,第三生成模块根据该目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,第四生成模块根据该替代率信息生成与该目标用户对应的理财推荐方案。实现了通过多个相关因素来获取与理财推荐方案相关的数据,使得根据这些相关的数据来生成的理财推荐方案更加准确,更加符合用户的个人实际情况,从而可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
为达到上述目的,本申请第五方面实施例的终端设备,包括:一个或者多个处理器;存储器;一个或者多个程序,所述一个或者多个程序存储在所述存储器中,当被所述一个或者多个处理器执行时进行如下操作:获取目标用户的个人信息;根据所述目标用户的个人信息生成所述目标用户的应用样本;计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
为达到上述目的,本申请第六方面实施例的终端设备,包括:一个或者多个处理器;存储器;一个或者多个程序,所述一个或者多个程序存储在所述存储器中,当被所述一个或者多个处理器执行时进行如下操作:获取目标用户的个人信息,并根据所述目标用户的个人信息生成所述目标用户的财务支出数据;根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;获取所述目标用户退休前一年的工资信息,并根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例的数据预测方法的流程图;
图2是根据本申请一个实施例的获取种子样本的流程图;
图3是根据本申请一个具体实施例的数据预测方法的流程图;
图4是根据本申请一个实施例的数据预测方法应用于数据预测装置中的示例图;
图5是根据本申请一个实施例的数据预测装置的结构示意图;
图6是根据本申请一个实施例的第二生成模块的结构示意图;
图7是根据本申请另一个实施例的数据预测装置的结构示意图;
图8是根据本申请一个实施例的理财推荐方法的流程图;
图9是根据本申请一个实施例的理财推荐装置的结构示意图;
图10是根据本申请一个具体实施例的理财推荐装置的结构示意图;
图11是根据本申请一个实施例的终端设备的结构示意图;
图12是根据本申请另一个实施例的终端设备的结构示意图。
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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的数据预测方法、理财推荐方法、装置以及终端设备。
图1是根据本申请一个实施例的数据预测方法的流程图。如图1所示,该数据预测方法可以包括:
S110,获取目标用户的个人信息。
其中,在本申请的一个实施例中,该个人信息可包括但不限于目标用户的行业信息(如互联网、金融、制造业等)、工种信息(如技术、销售、客服、设计、理财顾问等)、工作年限信息和工资信息等。例如,该个人信息还可包括性别、年龄、工作地点所在的城市、城市级别、消费水平、跳槽频率、学历等,可以理解该个人信息还可以包括可能影响工资收入或与工资收入较为相关的其他信息。
举例而言,假设本申请实施例的数据预测方法可应用于个人理财平台上,该个人理财平台可为用户提供用户账户注册和登录接口,用户可通过注册和登录接口使用该个人理财平台进行个人理财,这样,可以先获取该目标用户在理财平台上注册或登录时所使用的用户信息(如用户ID),之后,可根据该用户信息获取该目标用户的个人信息。
需要说明的是,个人信息的数据来源可以有很多种,可以根据实际情况来决定获取个人信息的实现方式:
作为一种示例,该个人信息的数据来源可来源于互联网上的招聘平台(如51job、智联招聘等)或职场社交类网站(如职业社交网络领英(linkedin)、脉脉等),可以理解,该数据来源需要用户进行授权,当用户通过授权后,可以建立目标用户所在理财平台上的用户ID与目标用户所在招聘平台或职场社交类网站上的用户ID之间的对应关系。由此,在获得目标用户在所在理财平台上的用户ID之后,通过该对应关系即可从招聘平台或职场社交类网站上获取到该目标用户的个人信息,如教育背景(如学历、毕业院校等)、工作经历(过往每一份工作的起止时间、公司、行业、职位等)。
作为另一种示例,该个人信息的数据来源可来源于目标用户的主动上传简历,例如,假设可为用户提供简历上传接口,以便目标用户通过该上传接口上传自己的简历。由此,通过目标用户的主动上传简历,可获取该目标用户的个人信息。
作为又一种示例,该个人信息的数据来源可来源于目标用户的手动填写,例如,可为用户提供个人信息的输入接口,以便目标用户通过该输入接口输入自身的个人信息。
可以理解,上述三种示例仅是示出了三种不同的实现方式,并不能作为本申请对于获取个人信息的实现方式的具体限定。
为了避免目标用户的持续数据信息的输入,可选地,在本申请的一个实施例中,还可通过以下方式来获取个人信息:通过目标用户的交易数据和地理位置数据跟踪目标用户的地址变化,并根据跟踪到的目标用户的地址来匹配高校地址库和公司地址库,以获取该目标用户的教育背景及工作经历。
S120,根据目标用户的个人信息生成目标用户的应用样本。
具体地,可对目标用户的个人信息进行数据清洗,以去除这些个人信息数据中的脏数据和噪声数据,并对进行过数据清洗的个人信息进行结构化分析以形成结构化数据,并将该结构化数据作为目标用户的应用样本。
S130,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签。
可以理解,种子样本可以是预先生成的,如可预先获取多个样本用户的个人信息和工资信息,并获取行业的总体工资信息,并根据多个样本用户的个人信息生成种子样本,并根据样本用户的工资信息和行业的总体工资信息实现对种子样本进行打标以得到种子样本的标签。作为一种示例,如图2所示,该种子样本可通过以下步骤获得:
S210,获取多个样本用户,并获取多个样本用户的个人信息和工资信息。
举例而言,假设本申请实施例的数据预测方法应用于个人理财平台,可获取该个人理财平台上的多个用户,并将该多个用户作为多个样本用户,之后,可根据该多个样本用户的用户ID来获取多个样本用户的个人信息和工资信息。可以理解,该个人信息的获取方式与上述目标用户的个人信息的获取方式相似,在此不再赘述。
S220,获取行业的总体工资信息。
其中,在本申请的实施例中,该行业的总体工资信息可包括但不限于行业信息、工种信息、工作年限信息以及不同行业、工种、工作年限对应的工资水平等。可以理解,该行业的总体工资信息的数据来源可来源于互联网上的猎头网站,或者从其他渠道(如搜索引擎等)获取。例如,如下面表1所示,示出了行业的总体工资信息,即包括不同行业、不同工种、不同工作年限的平均工资对照表。
表1
S230,根据个人信息生成种子样本,并根据样本用户的工资信息和行业的总体工资信息生成种子样本的标签。
具体地,可对多个样本用户的个人信息进行数据清洗,以去除这些个人信息数据中的脏数据和噪声数据,并对进行过数据清洗的个人信息进行结构化分析以形成结构化数据,并将该结构化数据作为种子样本。之后,可根据样本用户的工资信息和行业的总体工资信息对种子样本进行打标,以得到种子样本的标签。作为一种示例,该标签可包括高速增长型、平稳增长型和低速增长型等,例如,同行业、同工种、同工作年限的个人工资水平显著大于上述表1所示的平均工资对照表中工资水平的,可将这类种子样本的标签定义为高速增长型;同行业、同工种、同工作年限的个人工资水平显著小于上述表1所示的平均工资对照表中工资水平的,可将这类种子样本的标签定义为低速增长型,否则定义为平稳增长型,由此,通过上述表1以及多个样本用户的工资信息对种子样本进行打标以得到种子样本的标签,例如,如下面表2所示,示出了不同行业、不同工种、不同工作年限的平均工资对照表以及种子样本的标签:
表2
由此,通过上述步骤S210至S230即可获得种子样本以及种子样本的标签,以便后续在实际应用中,通过该种子样本以及种子样本的标签确定目标用户的标签。
具体地,可通过相似度计算方法计算目标用户的应用样本与种子样本的相似度,并根据该相似度的大小确定该目标用户所对应的标签。其中,在本申请的实施例中,该相似度计算方法可包括但不限于欧氏距离、曼哈顿距离和夹角余弦等。
作为一种示例,种子样本可为多个,且每个种子样本对应一个标签。其中,在本示例中,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签的具体实现过程可如下:可先根据目标用户的个人信息分别计算应用样本与种子样本的相似度,之后,可根据应用样本与种子样本的相似度选择最相似的种子样本,最后,将最相似的种子样本的标签作为目标用户的标签。
举例而言,以所使用的相似度计算方法为欧氏距离为例,可通过欧氏距离分别计算目标用户的应用样本与每个种子样本之间的距离,并分别根据目标用户的应用样本与每个种子样本之间的距离的大小来选择出其中距离值最大的种子样本,并将该距离值最大的种子样本所对应的标签作为该目标用户的标签。例如,以某个“互联网”行业的“技术”人员为例,将该人员的应用样本与上述表2中对应的“互联网”行业的“技术”工种所对应的三种标签所属的种子样本进行相似度计算,以得到距离依次分别为0.8、0.4、0.1,则可判断该人员的标签为“高速增长型”。
其中,可以理解,相似度计算方法中所采用的计算维度可为个人信息,可包括如性别、年龄、城市、城市级别、工作年限、行业、工种、消费水平、跳槽频率、学历等可能影响工资收入或与工资收入较为相关的因素。需要说明的是,上述个人信息维度的选择可采用费米推定方法进行选取,可能影响到工资收入或与工资收入较为相关的因素都可以选取进来。
S140,根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。
具体而言,在本申请的一个实施例中,可先根据目标用户的标签和目标用户的个人信息建立预测模型,之后,可根据预测模型生成目标用户的目标数据。例如,可根据目标用户的标签以及该目标用户个人信息中的行业、工种、工作年限等建立该目标用户的预测模型,如该预测模型可为工资曲线,该工资曲线可理解表示为预测到的该目标用户未来工资水平变化情况,之后,可根据预测模型(如工资曲线)生成该目标用户的目标数据。其中,该目标数据可理解为个人未来工资水平的变化信息。
目标数据本申请实施例的数据预测方法,可先获取目标用户的个人信息,之后,可根据目标用户的个人信息生成目标用户的应用样本,并计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,最后,根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据,如个人未来工资的变化情况,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,如退休养老规划、子女教育规划等,可以提高用户的幸福感。
为了使得本领域技术人员能够更加清楚地了解本申请,下面将结合图3和图4进行详细描述,即图3和图4是以本申请实施例的数据预测方法应用于数据预测装置为例,该数据预测装置可被配置在个人理财平台上,该个人理财平台上可通过该数据预测方法可为用户推荐符合该用户的退休养老规划。具体地,图3是根据本申请一个具体实施例的数据预测方法的流程图。图4是根据本申请一个实施例的数据预测方法应用于数据预测装置中的示例图。如图3和图4所示,该数据预测方法可以包括:
S310,获取目标用户的个人信息(S41)。
其中,在本申请的一个实施例中,该个人信息可包括但不限于目标用户的行业信息、工种信息、工作年限信息和工资信息等。
S320,根据目标用户的个人信息生成目标用户的应用样本(S42)。
S330,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签(S43)。
可以理解,种子样本可以是预先生成的,如可预先获取多个样本用户的个人信息和工资信息,并获取行业的总体工资信息,并根据多个样本用户的个人信息生成种子样本,并根据样本用户的工资信息和行业的总体工资信息实现对种子样本进行打标以得到种子样本的标签。作为一种示例,该种子样本可通过以下步骤获得:可先获取多个样本用户,并获取多个样本用户的个人信息和工资信息(S400),并获取行业的总体工资信息(S401),之后,可根据个人信息生成种子样本,并根据样本用户的工资信息和行业的总体工资信息生成种子样本的标签(S402)。
作为一种示例,种子样本可为多个,且每个种子样本对应一个标签。其中,在本示例中,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签的具体实现过程可如下:可先根据目标用户的个人信息分别计算应用样本与种子样本的相似度,之后,可根据应用样本与种子样本的相似度选择最相似的种子样本,最后,将最相似的种子样本的标签作为目标用户的标签。
S340,根据目标用户的标签和目标用户的个人信息预测目标用户的未来工资水平变化信息(S44)。
具体而言,在本申请的一个实施例中,可先根据目标用户的标签和目标用户的个人信息建立预测模型,之后,可根据预测模型生成目标用户的未来工资水平变化信息。
更具体地,可根据目标用户的标签以及该目标用户个人信息中的行业、工种、工作年限等建立该目标用户的预测模型,如该预测模型可为工资曲线,该工资曲线可理解表示为预测到的该目标用户未来工资水平变化情况,之后,可根据该工资曲线来获取该用户的未来工资水平变化信息。
本申请实施例的数据预测方法,通过对用户过往职业经历的分析,预测用户的未来收入水平,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,提高用户的幸福感。
与上述几种实施例提供的数据预测方法相对应,本申请的一种实施例还提供一种数据预测装置,由于本申请实施例提供的数据预测装置与上述几种实施例提供的数据预测方法相对应,因此在前述数据预测方法的实施方式也适用于本实施例提供的数据预测装置,在本实施例中不再详细描述。图5是根据本申请一个实施例的数据预测装置的结构示意图。如图5所示,该数据预测装置可以包括:获取模块100、第一生成模块200、第二生成模块300和预测模块400。
具体地,获取模块100可用于获取目标用户的个人信息。其中,在本申请的一个实施例中,个人信息可包括但不限于目标用户的行业信息、工种信息、工作年限信息和工资信息等。
第一生成模块200可用于根据目标用户的个人信息生成目标用户的应用样本。
第二生成模块300可用于计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签。
作为一种示例,种子样本可为多个,且每个种子样本对应一个标签。其中,在本申请的实施例中,如图6所示,该第二生成模块300可包括:计算单元310、选择单元320和生成单元330。其中,计算单元310可用于根据目标用户的个人信息分别计算应用样本与种子样本的相似度。选择单元320可用于根据应用样本与种子样本的相似度选择最相似的种子样本。生成单元330可用于将最相似的种子样本的标签作为目标用户的标签。
预测模块400可用于根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。具体而言,在本申请的一个实施例中,预测模块400可根据目标用户的标签和目标用户的个人信息建立预测模型,并根据预测模型生成目标数据。
进一步地,在本申请的一个实施例中,如图7所示,该数据预测装置还可包括:种子样本生成模块500。其中,种子样本生成模块500可用于获取多个样本用户,并获取多个样本用户的个人信息和工资信息,并获取行业的总体工资信息,以及根据个人信息生成种子样本,并根据样本用户的工资信息和行业的总体工资信息生成种子样本的标签。
本申请实施例的数据预测装置,可通过获取模块获取目标用户的个人信息,第一生成模块根据目标用户的个人信息生成目标用户的应用样本,第二生成模块计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,预测模块根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。实现了通过对目标用户进行打标以得到对应的标签,并根据该目标用户的标签和目标用户的个人信息计算目标用户的目标数据,如个人未来工资的变化情况,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,如退休养老规划、子女教育规划等,可以提高用户的幸福感。
为了进一步提升用户体验,可将本申请实施例的数据预测方法应用于理财平台中的理财推荐场景中,可利用该数据预测方法获得目标用户的目标数据(其中,以目标数据为财务收入数据为例,该财务收入数据可理解为目标用户的未来工资水平变化信息),并根据该财务收入数据以及其他信息生成该目标用户的理财推荐方案,以便用户可以根据该理财推荐方案来合理进行理财。为此,本申请还提出了一种理财推荐方法。
图8是根据本申请一个实施例的理财推荐方法的流程图。如图8所示,该理财推荐方法可以包括:
S810,获取目标用户的个人信息,并根据目标用户的个人信息生成目标用户的财务支出数据。
其中,该支出数据可理解为目标用户过去已经产生的财务支出数据。
具体地,在获得目标用户的个人信息之后,可根据目标用户的个人信息来生成该目标用户过去已经产生的财务支出数据。可以理解,该财务支出数据所包含的信息可由本申请实施例的理财推荐方法所生成的理财推荐方案的类型来决定,即理财推荐方案的类型不同,则该财务支出数据所包含的信息也会不同,例如,假设理财推荐方案为退休养老理财推荐方案,则该财务支出数据可为目标用户的过去已缴纳的养老金总金额;又如,假设理财推荐方案为子女教育规划,则该财务支出数据可为目标用户的过去已缴纳的教育总金额。
S820,根据目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成目标用户退休之后可领取的返还财务收入数据。
需要说明的是,上述目标用户的财务收入数据可利用本申请实施例的数据预测方法进行预测,即,可先获取目标用户的个人信息,并根据目标用户的个人信息生成目标用户的应用样本,之后,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,根据目标用户的标签和目标用户的个人信息预测目标用户的财务收入数据。其中,该财务收入数据可理解为目标用户的未来工资水平变化信息。
也就是说,可根据目标用户过去已经产生的财务支出数据、以及预测到的目标用户的未来工资水平变化信息,来估算该目标用户退休之后可领取的返还财务收入数据。例如,以养老金为例,可根据目标用户过去已经缴纳的养老金金额、以及预测到的目标用户的未来工资水平变化情况,估算出该目标用户退休之后可领取的养老金金额。
S830,获取目标用户退休前一年的工资信息,并根据目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息。
其中,在本申请的实施例中,可通过以下公式来生成该替代率信息:替代率=返还财务收入数据/目标用户退休前一年的工资信息。
S840,根据替代率信息生成与目标用户对应的理财推荐方案。
具体而言,在本申请的一个实施例中,在替代率信息小于预设阈值时,根据替代率信息和该预设阈值生成差值数据,并根据该差值数据生成与该目标用户对应的理财推荐方案。
可以理解,上述预设阈值可根据实际情况来决定,例如,假设本申请实施例的理财推荐方法应用于个人理财平台中的退休养老规划中,则该预设阈值可以来源于国际标准,如该预设阈值可为60%-70%,可以理解,替代率为60%-70%左右可以使退休后的生活质量与退休前基本保持一致。
也就是说,在得到替代率信息之后,可将该替代率信息与预设阈值进行大小对比,当替代率信息小于预设阈值时,可认为此时该目标用户在未来退休后的生活质量会下降,此时可根据该替代率与预设阈值的差值数据生成该目标用户的理财推荐方案,以为用户制定理财计划,如为用户制定定期投资计划等,为用户推荐对应的理财产品,并根据理财产品的预期收益率计算该目标用户当前所需每月投入的金额等。可以理解,当替代率信息大于或等于预设阈值时,可不向目标用户推荐理财推荐方案,即该目标用户可以不用进行投资理财了。
本申请实施例的理财推荐方法,可根据目标用户的个人信息生成目标用户的财务支出数据,并根据目标用户的财务支出数据以及预测到的该目标用户的财务收入数据生成该目标用户退休之后可领取的返还财务收入数据,并获取该目标用户退休前一年的工资信息,并根据该目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,最后,根据该替代率信息生成与该目标用户对应的理财推荐方案。实现了通过多个相关因素来获取与理财推荐方案相关的数据,使得根据这些相关的数据来生成的理财推荐方案更加准确,更加符合用户的个人实际情况,从而可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
综上,在现有理财产品基础上,可基于本申请的数据预测技术以及理财推荐技术,为目标用户推荐退休理财产品,以便目标用户根据该退休理财产品进行理财,提前为自己退休后的生活保障做好准备。
需要说明的是,在生成理财推荐方案的过程中,可基于本申请的数据预测方法通过多个计算步骤最终预测出目标用户的财务收入数据,并基于本申请的理财推荐方法,通过预测的目标用户的财务收入数据、以及目标用户的财务支出数据生成目标用户退休之后可领取的返还财务收入数据,并根据目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,最后,根据替代率信息生成与目标用户对应的理财推荐方案。可以看出,本申请是通过技术创新来实现的,即通过多个信息传输以及多个计算步骤最终得到适合目标用户的理财推荐方案,整个过程中具有多个计算过程,而并非是简单的统计操作,也非简单的商业逻辑。
与上述几种实施例提供的理财推荐方法相对应,本申请的一种实施例还提供一种理财推荐装置,由于本申请实施例提供的理财推荐装置与上述几种实施例提供的理财推荐方法相对应,因此在前述理财推荐方法的实施方式也适用于本实施例提供的理财推荐装置,在本实施例中不再详细描述。图9是根据本申请一个实施例的理财推荐装置的结构示意图。如图9所示,该理财推荐装置可以包括:第一获取模块910、第一生成模块920、第二生成模块930、第二获取模块940、第三生成模块950和第四生成模块960。
具体地,第一获取模块910用于获取目标用户的个人信息。
第一生成模块920用于根据目标用户的个人信息生成目标用户的财务支出数据。
第二生成模块930用于根据目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成目标用户退休之后可领取的返还财务收入数据。
第二获取模块940用于用于获取目标用户退休前一年的工资信息。
第三生成模块950用于根据目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息。
第四生成模块960用于根据替代率信息生成与目标用户对应的理财推荐方案。具体而言,在本申请的一个实施例中,如图10所示,该第四生成模块960可包括第一生成单元961和第二生成单元962。其中,第一生成单元961用于在替代率信息小于预设阈值时,根据替代率信息和预设阈值生成差值数据。第二生成单元962用于根据差值数据生成与目标用户对应的理财推荐方案。
本申请实施例的理财推荐装置,可通过第一生成模块根据目标用户的个人信息生成目标用户的财务支出数据,第二生成模块根据目标用户的财务支出数据以及预测到的该目标用户的财务收入数据生成该目标用户退休之后可领取的返还财务收入数据,第二获取模块获取该目标用户退休前一年的工资信息,第三生成模块根据该目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,第四生成模块根据该替代率信息生成与该目标用户对应的理财推荐方案。实现了通过多个相关因素来获取与理财推荐方案相关的数据,使得根据这些相关的数据来生成的理财推荐方案更加准确,更加符合用户的个人实际情况,从而可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
本申请还提出了一种终端设备。图11是根据本申请一个实施例的终端设备的结构示意图。如图11所示,该终端设备1100包括:一个或者多个处理器1101;存储器1102;一个或者多个程序1103,一个或者多个程序1103存储在存储器1102中,当被一个或者多个处理器1101执行时进行如下操作:
S1110’,获取目标用户的个人信息。
S1120’,根据目标用户的个人信息生成目标用户的应用样本。
S1130’,计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签。
S1140’,根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。
本申请实施例的终端设备,可先获取目标用户的个人信息,之后,可根据目标用户的个人信息生成目标用户的应用样本,并计算目标用户的应用样本与种子样本的相似度以生成目标用户的标签,然后,根据目标用户的标签和目标用户的个人信息预测目标用户的目标数据。实现了通过对目标用户进行打标以得到对应的标签,并根据该目标用户的标签和目标用户的个人信息计算目标用户的目标数据,如个人未来工资的变化情况,使得获取到的个人未来工资的变化趋势更加准确,更加符合用户的个人实际情况,从而根据该个人未来工资的变化趋势可以帮助用户提前制定符合自身的理财计划,如退休养老规划、子女教育规划等,可以提高用户的幸福感。
本申请还提出了另一种终端设备。图12是根据本申请另一个实施例的终端设备的结构示意图。如图12所示,该终端设备1200可以包括:一个或者多个处理器1201;存储器1202;一个或者多个程序1203,一个或者多个程序1203存储在存储器1202中,当被一个或者多个处理器1201执行时进行如下操作:
S1210’,获取目标用户的个人信息,并根据目标用户的个人信息生成目标用户的财务支出数据。
S1220’,根据目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成目标用户退休之后可领取的返还财务收入数据。
S1230’,获取目标用户退休前一年的工资信息,并根据目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息。
S1240’,获取目标用户退休前一年的工资信息,并根据目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息。
S1250’,根据替代率信息生成与目标用户对应的理财推荐方案。
本申请实施例的终端设备,可根据目标用户的个人信息生成目标用户的财务支出数据,并根据目标用户的财务支出数据以及预测到的该目标用户的财务收入数据生成该目标用户退休之后可领取的返还财务收入数据,并获取该目标用户退休前一年的工资信息,并根据该目标用户退休前一年的工资信息和返还财务收入数据生成替代率信息,最后,根据该替代率信息生成与该目标用户对应的理财推荐方案。实现了通过多个相关因素来获取与理财推荐方案相关的数据,使得根据这些相关的数据来生成的理财推荐方案更加准确,更加符合用户的个人实际情况,从而可以帮助用户更好地进行个人规划,如理财规划、退休养老规划、子女教育规划等,可以提高用户的幸福感以及使用体验。
本申请还提出了一种理财平台,该理财平台可包括本申请上述任一个实施例所述的理财推荐装置。
可以理解,本申请实施例的数据预测方法除了可以应用于上述的理财领域之外,还可以应用于其他领域,如征信领域,可以帮助预估授信额度、逾期概率等。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种数据预测方法,其特征在于,包括以下步骤:
获取目标用户的个人信息;
根据所述目标用户的个人信息生成所述目标用户的应用样本;
计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;
根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
2.如权利要求1所述的数据预测方法,其特征在于,所述种子样本为多个,且每个种子样本对应一个标签,其中,所述计算所述目标用户的应用样本与种子样本的相似度以生成所述应用样本的标签具体包括:
根据所述目标用户的个人信息分别计算所述应用样本与所述种子样本的相似度;
根据所述应用样本与所述种子样本的相似度选择最相似的种子样本;以及
将所述最相似的种子样本的标签作为所述目标用户的标签。
3.如权利要求1或2所述的数据预测方法,其特征在于,所述种子样本通过以下步骤获得:
获取多个样本用户,并获取所述多个样本用户的个人信息和工资信息;
获取行业的总体工资信息;
根据所述个人信息生成所述种子样本,并根据所述样本用户的工资信息和所述行业的总体工资信息生成所述种子样本的标签。
4.如权利要求1所述的数据预测方法,其特征在于,所述根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据具体包括:
根据所述目标用户的标签和所述目标用户的个人信息建立预测模型;
根据所述预测模型生成所述目标数据。
5.如权利要求1所述的数据预测方法,其特征在于,其中,所述个人信息包括所述目标用户的行业信息、工种信息、工作年限信息和工资信息。
6.一种数据预测装置,其特征在于,包括:
获取模块,用于获取目标用户的个人信息;
第一生成模块,用于根据所述目标用户的个人信息生成所述目标用户的应用样本;
第二生成模块,用于计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;
预测模块,用于根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
7.如权利要求6所述的数据预测装置,其特征在于,所述种子样本为多个,且每个种子样本对应一个标签,其中,所述第二生成模块包括:
计算单元,用于根据所述目标用户的个人信息分别计算所述应用样本与所述种子样本的相似度;
选择单元,用于根据所述应用样本与所述种子样本的相似度选择最相似的种子样本;以及
生成单元,用于将所述最相似的种子样本的标签作为所述目标用户的标签。
8.如权利要求6或7所述的数据预测装置,其特征在于,还包括:
种子样本生成模块,用于获取多个样本用户,并获取所述多个样本用户的个人信息和工资信息,并获取行业的总体工资信息,以及根据所述个人信息生成所述种子样本,并根据所述样本用户的工资信息和所述行业的总体工资信息生成所述种子样本的标签。
9.如权利要求6所述的数据预测装置,其特征在于,所述预测模块具体用于:
根据所述目标用户的标签和所述目标用户的个人信息建立预测模型;
根据所述预测模型生成所述目标数据。
10.如权利要求6所述的数据预测装置,其特征在于,其中,所述个人信息包括所述目标用户的行业信息、工种信息、工作年限信息和工资信息。
11.一种理财推荐方法,其特征在于,包括:
获取目标用户的个人信息,并根据所述目标用户的个人信息生成所述目标用户的财务支出数据;
根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;
获取所述目标用户退休前一年的工资信息,并根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;
根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
12.如权利要求11所述的理财推荐方法,其特征在于,所述根据所述替代率信息生成与所述目标用户对应的理财推荐方案具体包括:
当所述替代率信息小于预设阈值时,根据所述替代率信息和所述预设阈值生成差值数据;
根据所述差值数据生成与所述目标用户对应的理财推荐方案。
13.一种理财推荐装置,其特征在于,包括:
第一获取模块,用于获取目标用户的个人信息;
第一生成模块,用于根据所述目标用户的个人信息生成所述目标用户的财务支出数据;
第二生成模块,用于根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;
第二获取模块,用于获取所述目标用户退休前一年的工资信息;
第三生成模块,用于根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;
第四生成模块,用于根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
14.如权利要求13所述的理财推荐装置,其特征在于,所述第四生成模块包括:
第一生成单元,用于在所述替代率信息小于预设阈值时,根据所述替代率信息和所述预设阈值生成差值数据;
第二生成单元,用于根据所述差值数据生成与所述目标用户对应的理财推荐方案。
15.一种终端设备,其特征在于,包括:
一个或者多个处理器;
存储器;
一个或者多个程序,所述一个或者多个程序存储在所述存储器中,当被所述一个或者多个处理器执行时进行如下操作:
获取目标用户的个人信息;
根据所述目标用户的个人信息生成所述目标用户的应用样本;
计算所述目标用户的应用样本与种子样本的相似度以生成所述目标用户的标签;
根据所述目标用户的标签和所述目标用户的个人信息预测所述目标用户的目标数据。
16.一种终端设备,其特征在于,包括:
一个或者多个处理器;
存储器;
一个或者多个程序,所述一个或者多个程序存储在所述存储器中,当被所述一个或者多个处理器执行时进行如下操作:
获取目标用户的个人信息,并根据所述目标用户的个人信息生成所述目标用户的财务支出数据;
根据所述目标用户的财务支出数据以及预测的目标用户的财务收入数据,生成所述目标用户退休之后可领取的返还财务收入数据;
获取所述目标用户退休前一年的工资信息,并根据所述目标用户退休前一年的工资信息和所述返还财务收入数据生成替代率信息;
根据所述替代率信息生成与所述目标用户对应的理财推荐方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610827081.1A CN107025494A (zh) | 2016-09-14 | 2016-09-14 | 数据预测方法、理财推荐方法、装置以及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610827081.1A CN107025494A (zh) | 2016-09-14 | 2016-09-14 | 数据预测方法、理财推荐方法、装置以及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107025494A true CN107025494A (zh) | 2017-08-08 |
Family
ID=59524118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610827081.1A Pending CN107025494A (zh) | 2016-09-14 | 2016-09-14 | 数据预测方法、理财推荐方法、装置以及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025494A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648057A (zh) * | 2018-05-10 | 2018-10-12 | 中国平安人寿保险股份有限公司 | 邀请机制的确定方法、装置、设备及计算机可读存储介质 |
CN110019774A (zh) * | 2017-08-23 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 标签分配方法、装置、存储介质及电子装置 |
CN110322291A (zh) * | 2019-07-03 | 2019-10-11 | 中国银行股份有限公司 | 广告推送方法和设备 |
CN110347936A (zh) * | 2019-06-21 | 2019-10-18 | 上海淇馥信息技术有限公司 | 基于lbs信息的数据挖掘方法、装置、系统和记录介质 |
-
2016
- 2016-09-14 CN CN201610827081.1A patent/CN107025494A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019774A (zh) * | 2017-08-23 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 标签分配方法、装置、存储介质及电子装置 |
CN108648057A (zh) * | 2018-05-10 | 2018-10-12 | 中国平安人寿保险股份有限公司 | 邀请机制的确定方法、装置、设备及计算机可读存储介质 |
CN108648057B (zh) * | 2018-05-10 | 2023-06-30 | 中国平安人寿保险股份有限公司 | 邀请机制的确定方法、装置、设备及计算机可读存储介质 |
CN110347936A (zh) * | 2019-06-21 | 2019-10-18 | 上海淇馥信息技术有限公司 | 基于lbs信息的数据挖掘方法、装置、系统和记录介质 |
CN110322291A (zh) * | 2019-07-03 | 2019-10-11 | 中国银行股份有限公司 | 广告推送方法和设备 |
CN110322291B (zh) * | 2019-07-03 | 2021-11-26 | 中国银行股份有限公司 | 广告推送方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI788529B (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
Dimitrova et al. | Some comments on Bitcoin market (in) efficiency | |
US11875239B2 (en) | Managing missing values in datasets for machine learning models | |
US20220292527A1 (en) | Methods of assessing long-term indicators of sentiment | |
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
Gan et al. | Regression modeling for the valuation of large variable annuity portfolios | |
Bardwell et al. | Most recent changepoint detection in panel data | |
Middleton et al. | Unbiased estimation of the average treatment effect in cluster-randomized experiments | |
Camacho Olmedo et al. | Interest in intermediate soft-classified maps in land change model validation: suitability versus transition potential | |
US20170018030A1 (en) | System and Method for Determining Credit Worthiness of a User | |
US20150142520A1 (en) | Crowd-based sentiment indices | |
Gan et al. | Efficient greek calculation of variable annuity portfolios for dynamic hedging: A two-level metamodeling approach | |
Zheng et al. | Realized volatility and absolute return volatility: a comparison indicating market risk | |
Bijak et al. | Modelling LGD for unsecured retail loans using Bayesian methods | |
CN107025494A (zh) | 数据预测方法、理财推荐方法、装置以及终端设备 | |
US11687804B2 (en) | Latent feature dimensionality bounds for robust machine learning on high dimensional datasets | |
Hanafizadeh et al. | Neural network DEA for measuring the efficiency of mutual funds | |
Zeng et al. | On the three-way equivalence of AUC in credit scoring with tied scores | |
Li et al. | Feature-based intermittent demand forecast combinations: accuracy and inventory implications | |
Dehouche | Revisiting the volatility of bitcoin with approximate entropy | |
Yang et al. | Robust multi-response surface optimisation based on Bayesian quantile model | |
D’Innocenzo et al. | Modeling extreme events: time-varying extreme tail shape | |
Asai et al. | The impact of jumps and leverage in forecasting covolatility | |
Hahn | Bayesian methods for management and business: Pragmatic solutions for real problems | |
Chou et al. | Estimation of tail-related value-at-risk measures: range-based extreme value approach |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1241523 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170808 |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1241523 Country of ref document: HK |