CN107240019A - 评估用户业务偏好方法、用户投资风险偏好方法及装置 - Google Patents
评估用户业务偏好方法、用户投资风险偏好方法及装置 Download PDFInfo
- Publication number
- CN107240019A CN107240019A CN201610184693.3A CN201610184693A CN107240019A CN 107240019 A CN107240019 A CN 107240019A CN 201610184693 A CN201610184693 A CN 201610184693A CN 107240019 A CN107240019 A CN 107240019A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- business
- characteristic vector
- business operation
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种评估用户业务偏好、用户投资风险偏好方法及装置。该方法包括:获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。本申请实施例通过获取用户在对某项业务的实际操作中产生的特征向量,从而获得该用户对于该业务的偏好程度,该偏好程度更加客观地反映了用户对于该业务的偏好。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及评估用户业务偏好、用户投资风险偏好方法及装置。
背景技术
目前,在大多数的服务行业中,为了提高业务质量,通常会通过问卷调查的方式评估用户对于某业务的偏好程度,然后根据调查结果有针对性地提高该业务质量。例如,银行或其他金融机构会先通过问卷调查的方式,获取用户对于投资风险的偏好或对于投资风险的承受能力,再根据调查结果制定出更加符合用户投资习惯的金融产品等等。
上述现有技术通过问卷调查的方式,有时的确可以准确地获得用户对于某业务的偏好程度,但是获得的调查结果,通常只是反映了参与问卷调查的用户对于某业务的主观感受,没有客观地反映出用户对于该业务的偏好程度。
发明内容
鉴于上述问题,本申请实施例提供了一种评估用户业务操作偏好方法,用于解决现有技术中主观地评估用户对于某项业务的偏好的问题。
一种评估用户业务偏好的方法,该方法包括:
获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
优选地,所述业务偏好指标值的确定方法是:
获取在预设时间内所述业务的舆情指标、所述用户在所述业务操作中投入的资源量、所述资源量的变化量以及所述资源量的变化时间;
根据所述业务的舆情指标、所述资源量、所述资源量的变化量以及所述资源量的变化时间确定所述用户在所述业务操作中产生的业务偏好指标值,所述业务偏好指标值的数量至少为一个。
优选地,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的具体包括:
对用户在所述业务操作中产生的特征向量进行聚类运算,得到各所述用户的分类;
根据各所述分类中用户对于所述业务操作的预设第一偏好程度,确定各所述分类中用户对于所述业务操作的第二偏好程度;
将所述第二偏好程度作为输出数据,并将所述用户在所述业务操作中产生的特征向量作为输入数据,对预设规则进行训练,得到所述预设规则。
优选地,所述根据各所述分类中用户对于所述业务操作的预设第一偏好程度,确定各所述分类中用户对于所述业务操作的第二偏好程度,具体包括:
根据各所述分类中用户对于所述业务操作的预设第一偏好程度,获取各所述分类中用户对于所述业务操作的平均偏好程度,将所述平均偏好程度作为各所述分类中用户对于所述业务操作的第二偏好程度。
优选地,在得到所述用户对所述业务操作的偏好程度后,所述方法还包括:
根据所述用户对所述业务操作的预设偏好程度,对所述得到的所述用户对所述业务操作的偏好程度进行修正。
优选地,所述对用户在所述业务操作中产生的特征向量进行聚类运算包括:
从所述用户在所述业务操作中产生的特征向量中随机提取K个特征向量作为初始聚类中心,所述K的值为大于或等于1的正整数;
确定各所述用户在所述业务操作中产生的特征向量与各所述初始聚类中心之间的距离,将各所述特征向量归类到所述距离最小的聚类中心对应的类别中;
分别计算获得各所述类别中包含的特征向量的算数平均值,将各所述算数平均值作为新的各所述类别的聚类中心,并对各所述用户在所述业务操作中产生的特征向量进行重新归类,直到第一代价函数收敛,所述第一代价函数用于表征所述聚类运算的完成情况。
优选地,所述对用户在所述业务操作中产生的特征向量进行聚类运算包括:
将所述用户在所述业务操作中产生的特征向量随机地分为N个模糊组,所述N的值为大于或等于1的正整数;
用0到1之间的随机数初始化隶属矩阵,所述隶属矩阵用来表征各所述用户在所述业务操作中产生的特征向量属于各所述模糊组的程度;
根据所述隶属矩阵确定各所述模糊组中的聚类中心,并计算各所述用户在所述业务操作中的特征向量与各所述聚类中心之间的距离;
根据各所述距离确定第二代价函数的值是否小于预设的阈值,如果是,则停止所述聚类运算;如果否,则更新所述隶属矩阵并确定新的聚类中心,直到所述第二代价函数小于所述预设阈值,所述第二代价函数用于表征所述聚类运算的完成情况。
一种评估用户投资风险偏好的方法,该方法包括:
获取用户在投资操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述投资操作中产生的至少一个投资风险偏好指标值;
根据预设规则对所述特征向量进行处理,得到所述用户对所述投资风险的偏好程度,并根据所述偏好程度评估所述用户对于所述投资风险的偏好,其中,所述预设规则是通过用户在所述投资操作中产生的特征向量和用户对所述投资的偏好程度经过训练获得的。
优选地,所述投资风险偏好指标值的确定方法是:
获取在预设时间内所述投资业务的舆情指标、所述用户在所述投资操作中投入的资金量、所述资金量的变化量以及所述资金量的变化时间;
根据所述投资业务的舆情指标、所述资金量、所述资金量的变化量以及所述资金量的变化时间确定所述用户在所述投资操作中产生的投资风险偏好指标值,所述投资风险偏好指标值的数量至少为一个
一种评估用户业务偏好的装置,该装置包括:
获取单元和评估单元,其中;
所述获取单元,用于获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;
所述评估单元,用于根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
优选地,所述装置还包括修正单元,所述修正单元用于:
在得到所述用户对所述业务操作的偏好程度后,根据所述用户对所述业务操作的预设偏好程度,对所述得到的所述用户对所述业务操作的偏好程度进行修正。
本申请实施例提供了一种评估用户业务偏好的方法,该方法包括:首先,获取用户在业务操作中产生的特征向量,该特征向量的组成元素中包含该用户在该业务操作中产生的至少一个业务偏好指标值,然后,根据预设规则对获取的特征向量进行处理,得到该用户对该业务操作的偏好程度,并根据该偏好程度评估该用户对于该业务的偏好,其中,该预设规则是通过用户在该业务操作中的特征向量和用户对该业务的偏好程度经过训练获得的。相比于现有技术中根据问卷调查的方式获取用户对于某项业务的偏好的方法,本申请实施例通过获取用户在对某项业务的实际操作中产生的特征向量,从而获得该用户对于该业务的偏好程度,该偏好程度更加客观地反映了用户对于该业务的偏好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例1提供的一种评估用户业务偏好的方法的流程示意图;
图2为本申请实施例2提供的一种评估用户投资风险偏好的方法的流程示意图;
图3为本申请实施例3提供的一种评估用户业务偏好的装置的结构示意图。
具体实施方式
在背景技术中提到,目前,许多服务行业通常采取问卷调查的方式获取用户对于某项业务的偏好,例如,某证券公司在问卷调查中,会询问用户以下问题:主要收入来源,家庭预计在证券投资的资金量占家庭总收入的比例,购买的金融产品有哪些,是否有数额较大的债务等等;通过问卷调查后该证券公司可以了解用户对于投资风险的偏好,比如:年龄段为30~35岁之间的男性用户通常喜欢风险较高的投资产品,年龄段为50~55岁之间的男性用户通常喜欢风险较低的投资产品;该证券公司通过问卷调查的方式获取用户对于投资风险偏好,从而根据不同用户的投资习惯制定出不同的金融产品等,提高业务质量。
但现有技术中通过问卷调查的方式获取用户业务偏好的方法,成本较高,需要耗费大量的人力和时间,而且回收率较低,用户通常不愿花时间进行问卷调查,强制性的问卷调查可能会影响用户的体验,即使得到了调查结果,通常也是用户当时的主观感受,并不能准确地反映用户对业务的偏好。
鉴于上述问题本申请提供了一种评估用户业务偏好的方法,为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
实施例1
实施例1提供了一种评估用户业务偏好的方法,用于客观地评估用户对某项业务的偏好。该方法的流程示意图如图1所示,包括下述步骤:
步骤11:获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值。
在步骤中,首先,确定用户在业务操作中的产生的特征向量,该特征向量中对应维度上的元素包含用户在该业务操作中产生的业务偏好指标值,还包含该用户在非该业务操作中的特征值,例如,用户在非该业务操作中的特征值可以标识用户的性别、年龄、月收入或存款等特征等等。
上述用户在业务操作中产生的业务偏好指标值的确定方法有很多种,下面示例性的说明一种确定业务偏好指标值的方法:
首先,获取用户在预设时间内在该业务操作中产生的数据,该数据具体可以包括:该用户在预设时间内对该业务操作中投入的资源量、该资源量在该预设时间中的变化量,以及该资源量的变化时间等等;这里的该资源量发生变化通常是由于用户在该业务执行某项操作时导致的,例如,用户购买了5万元的某股票,过了3天后卖出了其中1万元的该股票,这里的5万元股票属于前述的资源量,其中卖出的1万元股票为资源量的变化量,3天为资源量的变化时间。
然后,获取预设时间中的该业务的舆情指标,这里的舆情指标是指在该业务中的专业人员或专业平台等对该业务的发展情况进行主观性和客观性的预测,具体包括:该业务的发展将朝向对用户有利的方向发展,例如,对于A股票,根据主流财经新闻、财经论坛或专业人士分析,最近三天A股票将持续上涨,则A股票在这三天的舆情指标可以认为大于0;或者业务的发展将朝向对用户不利的方向发展,例如,根据外界各种渠道综合分析,A股票在这三天将下跌,则A股票在这三天的舆情指标可以认为小于0。
最后,根据获取用户在预设时间内在该业务操作中产生的数据,以及该业务在该预设时间内的舆情指标值计算该用户对于该业务偏好的指标值,且计算该用户的业务偏好指标值的方法有很对多种,具体如下:
在预设时间段中,如果该业务的舆情指标大于0,即:根据对外界渠道获得的数据进行分析获知:在预设时间中该业务将向对用户有利的方向发展,则此时计算该用户在该业务操作中产生的业务偏好指标值的公式为:
该公式中的Ri表示该业务在预设时间中的舆情指标,i表示该业务包含的各种业务种类,即:A、B…为具体的业务种类,Si表示通过该用户在该业务执行某种操作后的资源变化量,∑i=A,B...∫(Si)表示在预设时间段中用户在该业务中的资源变化的总量,∑i=A, B...1(Ri>0)·Si表示在预设时间中该业务的舆情指标大于0时,该用户在该业务中投入的资源量的变化总量。
相应的,针对上述该业务的舆情指标大于0时,计算该用户在该业务操作中产生的业务偏好指标值的公式还可以是:
该公式中的TC表示该用户投入资源量的时间点,Ti为该用户对业务执行某种操作后使得资源量发生变化的时间点,同样也是获取该业务舆情指标的时间点,具体表示为:在Ti时刻时,该用户在获取该业务的舆情指标后,对该业务执行某种操作,使得用户在该业务中投入的资源量发生变化,例如,用户购买了5万元的A股票,在通过相关报道获知A股在未来的几天将呈现上涨趋势,这时用户可以立即再买进1万元的A股票。
在预设时间段中,如果该业务的舆情指标小于0,即:根据对外界渠道获得的数据进行分析获知:在预设时间中该业务将向对用户不利的方向发展,则此时计算该用户在该业务操作中产生的业务偏好指标值为:
相应的,针对上述该业务的舆情指标小于0时,计算该用户在该业务操作中产生的业务偏好指标值的公式还可以是:
下面根据实例具体说明上述四个公式计算用户在业务操作中产生的业务指标数,具体数据如表1所示:第一行数据表示:某用户在第一天(TC)购买了5万元的A股票,第二行数据表示:第二天(Ti),根据A股票的舆情指标(RA>0),该用户又购买了1万元的A股票,第三行数据表示:第三天(Ti),根据A股票的舆情指标(RA<0),该用户卖出了2万元的A股票,第四行数据表示:第四天(Ti),根据A股票的舆情指标(RA<0),该用户买进了2万元的A股票,第五行数据表示:第五天(Ti),用户对A股票没有执行任何操作。
表1
时间 | 舆情指标 | 操作行为 | 资金量(RMB) |
1-Day | >0 | 买进 | 50000 |
2-Day | >0 | 买进 | 10000 |
3-Day | <0 | 卖出 | 20000 |
4-Day | <0 | 买进 | 20000 |
5-Day | >0 | 0 | 0 |
假设预设的时间段为表中的这5天时间,在这5天的时间中,当舆情指标大于0时,对应用户在该业务操作中产生的业务偏好指标值为,相应地,
在这5天的时间中,当舆情指标小于0时,对应用户在该业务操作中产生的业务偏好指标值为相应地,
由上述计算用户在业务操作中产生的业务偏好指标值的过程可以发现:在A股票的舆情指标大于0或小于0时,无论是买进A股票还是卖出A股票,在计算∑i=A,B...∫(Si)、∑i=A,B...1(Ri>0)·Si和∑i=A,B...1(Ri<0)·Si时,只是将资金量对应的数值进行求和。
上述四个关于计算业务偏好指标值的公式只是示例性的说明获取用户在该业务操作中产生的业务偏好指标值,而在实际应用中,还会有其他计算用户业务偏好指标值的方法,这里不作具体限定。
在获得用户业务偏好指标后,可以将这些指标以及用户在非该业务操作中对应的特征值组成该用户在该业务操作中产生的特征向量,通过该特征向量用来标识该用户,且该特征向量中可以包含一个或多个上述用户业务偏好指标。
需要说明的是,关于构成用户在业务操作中产生的特征向量的方式有很多种,例如,可以采用(S+,S-,T+,T-,X1,X2)或(S+,S-,X1,X2)等等,其中S+、S-、T+和T-为根据上述公式获取的四个用户业务偏好指标,X1和X2分别可以表示该用户的年龄和性别等等,这里不对用户在业务操作中产生的特征向量中的元素以及构成该特征向量的方式作具体限定。
步骤12:根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
在本步骤中,在获得用户在业务操作中产生的特征向量后,要根据预设规则对该特征业务向量进行处理,目的是获取该用户对于该业务操作的偏好程度,最后根据该偏好程度得到该用户对该业务的偏好。
上述的预设规则是通过多个样本用户在该业务操作中产生的特征向量和这多个用户对应的偏好程度进行训练获得的,具体地,将每个样本用户在该业务操作中产生的特征向量作为该预设规则的输入值,将每个样本用户对该业务操作的偏好程度作为输出值,对该预设规则进行训练,最终获得该预设规则。具体的训练过程如下:
第一步,获取这多个样本用户在某业务操作中产生的特征向量,具体获取该特征向量的方法在步骤11中已经详细说明,这里就不再赘述。需要说明的是:每个样本用户已经预先获知对于该业务的偏好程度,具体可以是这些样本用户之前已经接受过该业务的问卷调查,根据该问卷调查结果确定每个样本用户对该业务的偏好程度,这里将该偏好程度称为第一偏好程度。
第二步,根据获取的特征向量对这多个样本用户进行分类,分类的方法有很多种,这里以聚类运算对样本用户进行分类的方法为例,常用的聚类运算同样也有很多种,例如,K-means聚类运算(k-均值聚类算法)、FCM聚类运算(模糊c-均值聚类算法)等聚类运算,下面示例性地对这两种聚类运算进行详细说明:
采用K-means聚类运算对样本用户进行分类的具体步骤如下:
步骤1:从多个样本用户在某业务操作中产生的特征向量中选取K个特征向量作为初始聚类中心,且这K个初始聚类中心对应K个类别,这里K的值为大于等于1的正整数。
步骤2:分别计算其他特征向量距每个初始聚类中心的距离,这里距离有很多种,可以是欧氏距离或者曼哈顿距离等,并根据计算获得距离将特征向量归类到距离初始聚类中心最近的类别中。
具体地,假设选取的初始聚类中心对应的向量为Y=(y1,y2…yn),剩下其他的特征向量为X=(x1,x2,…xn),则欧氏距离的计算公式为:
曼哈顿距离的计算公式为:
d(X,Y)=|x1-y1|+|x2-y2|+…+|xn-yn|
步骤3:在根据获取的K个初始聚类中心后,即将样本用户对应的特征向量分成K类后,根据每个类别中包含的特征向量,计算每个类别中特征向量对应的算数平均值,得到新的聚类中心,假设uj表示新的聚类中心,具体的计算公式为:
其中,Xi (j)表示在各类别中所包含的特征向量,w表示各类别中包含的特征向量个数。
步骤4:根据新的聚类中心,重复上述步骤,对样本用户对应的特征向量进行重新分类,直到第一代价函数收敛,完成对用户的分类。
该第一代价函数可以是:
以上只是示例性的说明采用K-means聚类运算对用户进行分类的步骤,在实际应用K-means对用户进行分类时的步骤可能更加复杂,这里不作具体限定。
采用FCM聚类运算对样本用户进行分类的具体步骤如下:
步骤1:将样本用户在该业务操作中产生的特征向量随机地分为N个模糊组,所述N的值为大于等于1的正整数。
步骤2:用0~1之间的随机数对隶属矩阵uij进行初始化,该隶属矩阵用来表征每个样本用户在该业务操作中产生的特征向量属于每个模糊组的程度,uij满足以下条件:
步骤3:根据隶属矩阵确定各模糊组中的聚类中心,具体计算公式可以是:
其中,Xj表示各模糊组包含的特征向量,m为加权指数,取值范围为[1,+∞)。
步骤4:计算每个样本用户在该业务操作中产生的特征向量与聚类中心的距离,根据距离确定第二代价函数的值是否小于预设的阈值,如果是,则停止聚类运算,如果否,则对隶属矩阵进行更新,并重复上述步骤,直到该第二代价函数的值小于该预设的阈值。
该第二代价函数可以是:
更新隶属矩阵的公式为:
在采用聚类运算样本用户进行分类后,训练预设规则的第三步为:
根据多个样本用户的预设第一偏好程度,确定这多个样本用户对与该业务的第二偏好程度,具体地,可以通过分别计算每个分类中的样本用户对该业务的第一偏好程度的平均值,将该平均值作为每个分分类中的样本用户对该业务的第二偏好程度。
第四步:将样本用户对该业务的第二偏好程度作为输出数据,并将样本用户对于业务中的特征向量作为输入值,对该预设规则进行训练,最终获得该预设规则。
在获得该预设规则后,将待评估的用户的特征向量作为该预设规则的输入数据,通过计算获得输出数据,该数据为该用户对该业务的偏好程度,最终根据该偏好程度评估该用户对于该业务的偏好。
在上述训练预设规则的过程中,采用聚类运算对用户进行分类的原因是:被分为同一类别中的用户之间的相似度最大,因此在将样本用户的预设第一偏好程度平均值作为该预设规则的输出数据,使得训练出预设规则更加的精确。
上述为根据用户在某业务实际操作中产生的特征向量,计算获取该用户对该业务的偏好程度,根据该偏好程度更加客观地评估该用户对于该业务的偏好。为了更加精确的获取用户对于某业务的偏好程度,可以根据该用户关于该业务的问卷调查结果获取用户的预设偏好程度,将该预设偏好程度和计算获得的偏好程度进行对比,可以对该用户的问卷调查结果和计算获得偏好程度进行修正,最终使得获得的问卷调查结果或计算获得的偏好程度可以较为准确地评估该用户对于该业务的偏好。
本申请实施例提供了一种评估用户业务偏好的方法,该方法包括:首先,获取用户在业务操作中产生的特征向量,该特征向量的组成元素中包含该用户在该业务操作中产生的至少一个业务偏好指标值,然后,根据预设规则对获取的特征向量进行处理,得到该用户对该业务操作的偏好程度,并根据该偏好程度评估该用户对于该业务的偏好,其中,该预设规则是通过用户在该业务操作中的特征向量和用户对该业务的偏好程度经过训练获得的。相比于现有技术中根据问卷调查的方式获取用户对于某项业务的偏好的方法,本申请实施例通过获取用户在对某项业务的实际操作中产生的特征向量,从而获得该用户对于该业务的偏好程度,该偏好程度更加客观地反映了用户对于该业务的偏好。
实施例2
实施例1提供一种评估用户偏好的方法,基于相同的发明构思,本申请实施例提供了一种评估用户投资风险偏好的方法,用于客观地评估用户对某投资存在风险的偏好。该方法的流程示意图如图2所示,包括下述步骤:
步骤21:获取用户在投资操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述投资操作中产生的至少一个投资风险偏好指标值。
在步骤中,获取用户在投资操作中产生的特征向量的方法与实施例1获取用户在业务操作中产生的特征向量的方法相同或类似,这里就不再详细说明。
本申请实施例在计算用户对于投资操作中产生的投资风险偏好指标值时,同样可以采用实施例中的四个计算业务偏好指标的公式来获取该投资风险偏好指标值。例如,中的A、B…的业务种类在投资业务中可以分别表示为股票、基金、理财等投资产品,相应地,Ri表示在预设时间内某投资操作中各项业务的舆情指标;该公式中的Si表示通过该用户在该投资中执行某种操作后的资金变化量,公式中的∑i=A,B...∫(Si)表示在预设时间内用户在该投资业务中的资金量变化总量。
用户在投资操作中产生的特征向量,同样既包含该用户在该投资操作中产生的投资风险偏好指标值,还包含该用户在非该投资操作中的特征值,该特征值可以包括:有关用户身份情况的特征值,该身份情况具体包括:年龄、职业、性别、学历、所在地区、婚姻状况或有无子女等等;或者用户的金融资产情况对应的特征值,该金融资产具体包括:存款金额、信用卡额度、在金融机构购买的金融产品等等。
步骤22:根据预设规则对所述特征向量进行处理,得到所述用户对所述投资风险的偏好程度,并根据所述偏好程度评估所述用户对于所述投资风险的偏好,其中,所述预设规则是通过用户在所述投资操作中产生的特征向量和用户对所述投资的偏好程度经过训练获得的。
在本步骤中,根据预设规则对用户在投资操作中产生的特征向量进行处理,确定该用户在该投资中的风险偏好程度,同样与实施例1中根据用户在业务操作中产生的特征向量确定该用户对该业务的偏好程度的方法相同或相似,这里也不再赘述。
本申请实施例提供了一种评估用户投资风险偏好的方法,该方法包括:首先,获取用户在投资操作中产生的特征向量,该特征向量的组成元素中包含该用户在该投资操作中产生的至少一个投资风险偏好指标值,然后,根据预设规则对该特征向量进行处理,得该用户对所述投资风险的偏好程度,并根据该偏好程度评估该用户对于该投资风险的偏好,其中,该预设规则是通过用户在该投资操作中产生的特征向量和用户对该投资的偏好程度经过训练获得的。相比于现有技术中根据问卷调查的方式获取用户对于某投资风险偏好的方法,本申请实施例通过获取用户在某投资操作中产生的特征向量,从而获得该用户对于该投资风险的偏好程度,该偏好程度更加客观地反映了用户对于该投资风险的偏好。
实施例3
实施例1提供了一种评估用户业务偏好的方法,相应地,本申请实施例提供了一种评估用户业务偏好的装置,用于客观地评估用户对某项业务的偏好。该装置的结构示意图如图4所示,该装置具体包括:
获取单元31和评估单元32,其中;
所述获取单元31,可以用于获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;
所述评估单元32,可以用于根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
该装置实施例的具体工作流程是:首先,获取单元31获取用户在业务操作中产生的特征向量,该特征向量的组成元素中包含该用户在该业务操作中产生的至少一个业务偏好指标值,然后评估单元32,根据预设规则对获取的特征向量进行处理,得到该用户对该业务操作的偏好程度,并根据该偏好程度评估该用户对于该业务的偏好,其中,所述预设规则是通过用户在该业务操作中产生的特征向量和用户对该业务的偏好程度经过训练获得的。
上述装置实施例实现评估用户业务偏好的方式有很多种,在一种实施例中,所述装置还包括修正单元33,所述修正单元33可以用于:
在得到所述用户对所述业务操作的偏好程度后,根据所述用户对所述业务操作的预设偏好程度,对所述得到的所述用户对所述业务操作的偏好程度进行修正。
该实施方式中的所述用户对所述业务操作的预设偏好程度,可以是通过对该用户进行问卷调查获得的预设偏好程度,这样通过将该预设偏好程度和计算获得的偏好程度进行对比,对获得的偏好程度进行修正,使得最终获得的用户对该业务操作的偏好程度更加精确地反映了该用户对于该业务的偏好。
采用本装置实施例获得的有益效果与实施例1中的方法实施例获得的有益效果相同或类似,为避免重复,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种评估用户业务偏好的方法,其特征在于,该方法包括:
获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;
根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
2.根据权利要求1所述的方法,其特征在于,所述业务偏好指标值的确定方法是:
获取在预设时间内所述业务的舆情指标、所述用户在所述业务操作中投入的资源量、所述资源量的变化量以及所述资源量的变化时间;
根据所述业务的舆情指标、所述资源量、所述资源量的变化量以及所述资源量的变化时间确定所述用户在所述业务操作中产生的业务偏好指标值,所述业务偏好指标值的数量至少为一个。
3.根据权利要求1所述的方法,其特征在于,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的具体包括:
对用户在所述业务操作中产生的特征向量进行聚类运算,得到各所述用户的分类;
根据各所述分类中用户对于所述业务操作的预设第一偏好程度,确定各所述分类中用户对于所述业务操作的第二偏好程度;
将所述第二偏好程度作为输出数据,并将所述用户在所述业务操作中产生的特征向量作为输入数据,对预设规则进行训练,得到所述预设规则。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述分类中用户对于所述业务操作的预设第一偏好程度,确定各所述分类中用户对于所述业务操作的第二偏好程度,具体包括:
根据各所述分类中用户对于所述业务操作的预设第一偏好程度,获取各所述分类中用户对于所述业务操作的平均偏好程度,将所述平均偏好程度作为各所述分类中用户对于所述业务操作的第二偏好程度。
5.根据权利要求1所述的方法,其特征在于,在得到所述用户对所述业务操作的偏好程度后,所述方法还包括:
根据所述用户对所述业务操作的预设偏好程度,对所述得到的所述用户对所述业务操作的偏好程度进行修正。
6.根据权利要求3所述的方法,其特征在于,所述对用户在所述业务操作中产生的特征向量进行聚类运算包括:
从所述用户在所述业务操作中产生的特征向量中随机提取K个特征向量作为初始聚类中心,所述K的值为大于或等于1的正整数;
确定各所述用户在所述业务操作中产生的特征向量与各所述初始聚类中心之间的距离,将各所述特征向量归类到所述距离最小的聚类中心对应的类别中;
分别计算获得各所述类别中包含的特征向量的算数平均值,将各所述算数平均值作为新的各所述类别的聚类中心,并对各所述用户在所述业务操作中产生的特征向量进行重新归类,直到第一代价函数收敛,所述第一代价函数用于表征所述聚类运算的完成情况。
7.根据权利要求3所述的方法,其特征在于,所述对用户在所述业务操作中产生的特征向量进行聚类运算包括:
将所述用户在所述业务操作中产生的特征向量随机地分为N个模糊组,所述N的值为大于或等于1的正整数;
用0到1之间的随机数初始化隶属矩阵,所述隶属矩阵用来表征各所述用户在所述业务操作中产生的特征向量属于各所述模糊组的程度;
根据所述隶属矩阵确定各所述模糊组中的聚类中心,并计算各所述用户在所述业务操作中的特征向量与各所述聚类中心之间的距离;
根据各所述距离确定第二代价函数的值是否小于预设的阈值,如果是,则停止所述聚类运算;如果否,则更新所述隶属矩阵并确定新的聚类中心,直到所述第二代价函数小于所述预设阈值,所述第二代价函数用于表征所述聚类运算的完成情况。
8.一种评估用户投资风险偏好的方法,其特征在于,该方法包括:
获取用户在投资操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述投资操作中产生的至少一个投资风险偏好指标值;
根据预设规则对所述特征向量进行处理,得到所述用户对所述投资风险的偏好程度,并根据所述偏好程度评估所述用户对于所述投资风险的偏好,其中,所述预设规则是通过用户在所述投资操作中产生的特征向量和用户对所述投资的偏好程度经过训练获得的。
9.根据权利要求8所述的方法,其特征在于,所述投资风险偏好指标值的确定方法是:
获取在预设时间内所述投资业务的舆情指标、所述用户在所述投资操作中投入的资金量、所述资金量的变化量以及所述资金量的变化时间;
根据所述投资业务的舆情指标、所述资金量、所述资金量的变化量以及所述资金量的变化时间确定所述用户在所述投资操作中产生的投资风险偏好指标值,所述投资风险偏好指标值的数量至少为一个。
10.一种评估用户业务偏好的装置,其特征在于,该装置包括:
获取单元和评估单元,其中;
所述获取单元,用于获取用户在业务操作中产生的特征向量,所述特征向量的组成元素中包含所述用户在所述业务操作中产生的至少一个业务偏好指标值;
所述评估单元,用于根据预设规则对所述特征向量进行处理,得到所述用户对所述业务操作的偏好程度,并根据所述偏好程度评估所述用户对于所述业务的偏好,其中,所述预设规则是通过用户在所述业务操作中产生的特征向量和用户对所述业务的偏好程度经过训练获得的。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括修正单元,所述修正单元用于:
在得到所述用户对所述业务操作的偏好程度后,根据所述用户对所述业务操作的预设偏好程度,对所述得到的所述用户对所述业务操作的偏好程度进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184693.3A CN107240019A (zh) | 2016-03-28 | 2016-03-28 | 评估用户业务偏好方法、用户投资风险偏好方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184693.3A CN107240019A (zh) | 2016-03-28 | 2016-03-28 | 评估用户业务偏好方法、用户投资风险偏好方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107240019A true CN107240019A (zh) | 2017-10-10 |
Family
ID=59982819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610184693.3A Pending CN107240019A (zh) | 2016-03-28 | 2016-03-28 | 评估用户业务偏好方法、用户投资风险偏好方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240019A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091189A1 (zh) * | 2017-11-13 | 2019-05-16 | 阿里巴巴集团控股有限公司 | 风控决策临界值的确定方法及装置 |
CN109857816A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 测试样本的选取方法及装置、存储介质、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079824A (zh) * | 2006-06-15 | 2007-11-28 | 腾讯科技(深圳)有限公司 | 一种用户兴趣偏好向量生成系统和方法 |
CN103186586A (zh) * | 2011-12-30 | 2013-07-03 | 中国移动通信集团公司 | 数据业务的推送方法和系统 |
CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
-
2016
- 2016-03-28 CN CN201610184693.3A patent/CN107240019A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079824A (zh) * | 2006-06-15 | 2007-11-28 | 腾讯科技(深圳)有限公司 | 一种用户兴趣偏好向量生成系统和方法 |
CN103186586A (zh) * | 2011-12-30 | 2013-07-03 | 中国移动通信集团公司 | 数据业务的推送方法和系统 |
CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091189A1 (zh) * | 2017-11-13 | 2019-05-16 | 阿里巴巴集团控股有限公司 | 风控决策临界值的确定方法及装置 |
US11004026B2 (en) | 2017-11-13 | 2021-05-11 | Advanced New Technologies Co., Ltd. | Method and apparatus for determining risk management decision-making critical values |
TWI759539B (zh) * | 2017-11-13 | 2022-04-01 | 開曼群島商創新先進技術有限公司 | 電腦設備及風控決策臨界值的確定裝置 |
CN109857816A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 测试样本的选取方法及装置、存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210056569A1 (en) | Detecting and reducing bias (including discrimination) in an automated decision making process | |
TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
Xia et al. | Predicting loan default in peer‐to‐peer lending using narrative data | |
US11568480B2 (en) | Artificial intelligence derived anonymous marketplace | |
Jin et al. | A data-driven approach to predict default risk of loan for online peer-to-peer (P2P) lending | |
Hensher et al. | An error component logit analysis of corporate bankruptcy and insolvency risk in Australia | |
US11226994B2 (en) | Modifying data structures to indicate derived relationships among entity data objects | |
CA2362441A1 (en) | Methods and systems for optimizing return and present value | |
CN112862298A (zh) | 一种针对用户画像的信用评估方法 | |
Chong et al. | Do US commercial banks use FAS 157 to manage earnings? | |
Lyócsa et al. | Default or profit scoring credit systems? Evidence from European and US peer-to-peer lending markets | |
CN111695938B (zh) | 产品推送方法及系统 | |
Cheikh et al. | Do sovereign credit ratings matter for corporate credit ratings? | |
Byanjankar et al. | Data‐driven optimization of peer‐to‐peer lending portfolios based on the expected value framework | |
Bongini et al. | A topic modelling analysis of white papers in security token offerings: Which topic matters for funding? | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN107240019A (zh) | 评估用户业务偏好方法、用户投资风险偏好方法及装置 | |
Moon et al. | Survival analysis for technology credit scoring adjusting total perception | |
Jaggia et al. | An evaluation of chapter 11 bankruptcy filings in a competing risks framework | |
CN108446907A (zh) | 安全校验方法及装置 | |
Wilford et al. | Using the analytic hierarchy process to assess the impact of internal control weaknesses on firm performance | |
Li et al. | Research on efficiency in credit risk prediction using logistic-SBM model | |
Railiene | Comparison of borrower default factors in online lending | |
Johnson et al. | Odd lot order aggressiveness and stealth trading | |
Sreeram et al. | Short-term Forecasting Ability of Hybrid Models for BRIC Currencies |
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: 1244935 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |