CN107679946B - 基金产品推荐方法、装置、终端设备及存储介质 - Google Patents

Abstract

本发明公开一种基金产品推荐方法、装置、终端设备及存储介质。该基金产品推荐方法，包括：获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。该基金产品推荐方法能够基于用户的投资条件进行基金产品推荐，提高投资者对基金产品定位的准确性。

Description

基金产品推荐方法、装置、终端设备及存储介质

技术领域

本发明涉及金融数据处理领域，尤其涉及一种基金产品推荐方法、装置、终端设备及存储介质。

背景技术

基金投资是指投资者通过基金交易系统购买基金产品以实现对资产的管理和分配的一种理财手段。当前基金交易系统中依据投资风险的高低将基金产品依次划分成股票型、指数型、混合型、债券型和货币型等基金类型，用户根据基金类型和自身投资条件选取不同基金类型的基金产品进行交易。当前基金交易系统不具有基于用户的投资条件进行基金产品推荐的功能，使得投资者对自身投资条件和基金产品进行定位时，因定位准确性较低而影响投资基金的收益率。

发明内容

本发明实施例提供一种基金产品推荐方法、装置、终端设备及存储介质，以解决当前基金交易系统不具有基于用户的投资条件进行基金产品推荐的问题。

第一方面，本发明实施例提供一种基金产品推荐方法，包括：

获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；

获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；

基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；

基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。

第二方面，本发明实施例提供一种基金产品推荐装置，包括：

当前用户画像数据获取模块，用于获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；

用户数据模型获取模块，用于获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；

目标聚类类簇确定模块，用于基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；

目标基金产品确定模块，用于基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。

第三方面，本发明实施例提供一种一种终端设备，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所述基金产品推荐方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基金产品推荐方法的步骤。

本发明实施例所提供的的基金产品推荐方法、装置、设备及存储介质中，基于当前用户画像数据和用户数据类型，确定目标风险评估值，并利用目标风险评估值确定对应的目标基金产品，以使推荐给目标用户的目标基金产品对用户自身投资条件和基金产品进行准确定位，有助于目标用户提高投资收益率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1中基金产品推荐方法的一流程图。

图2是本发明实施例1中基金产品推荐方法的另一流程图。

图3是图2中步骤S50的一具体流程图。

图4是图1中步骤S30的一具体流程图。

图5是图1中步骤S40的一具体流程图。

图6是本发明实施例2中基金产品推荐装置的一原理框图。

图7是本发明实施例4中终端设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1示出本实施例中基金产品推荐方法的流程图。该基金产品推荐方法应用在基金交易系统中，用于根据用户的投资条件给用户推荐目标基金产品，以避免投资者对自身投资条件和基金产品定位准确性较低而影响投资基金的收益率。如图1所示，该基金产品推荐方法包括如下步骤：

S10：获取当前用户画像数据，当前用户画像数据包括至少一个当前特征数据。

其中，当前用户画像数据是需要推荐基金产品的用户的用户画像数据。本实施例中，将需要推荐基金产品的用户简称为目标用户。用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。用户画像数据是构建该用户画像的数据。该当前用户画像数据可体现目标用户自身的投资条件。

当前特征数据是与目标用户自身投资条件相关的数据。该当前特征数据包括但不限于本实施例中的年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值。即当前用户画像数据包括至少一个当前特征数据，具体是指包括年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值中的至少一个。

当前特征数据中的年龄是目标用户的年龄，目标用户的年龄与目标用户可能购买的基金产品的基金类型具有相关性。一般而言，目标用户的年龄越大，越偏向于购买风险较低的基金产品；反之，目标用户的年龄越小，越偏向于购买风险较高的基金产品。当前特征数据中的职业是目标用户的职业，目标用户的职业一般与目标用户的性格相关，性格不同的目标用户可能选择不同风险的基金产品；反之，性格相同的目标用户可能选择购买相同风险的基金产品。当前特征数据中的收入可以是目标用户的可支配收入，也可以是目标用户的纯收入，收入也可能影响目标用户选择基金产品的基金类型。当前特征数据中的投资经验是指目标用户在投资基金或者投资其他金融理财产品上的经验，一般投资经验越少，越偏向于购买风险较低的基金产品。当前特征数据中的投资比例是指目标用户购买基金产品占所有投资的比例，根据投资比例的高低，可确定该用户偏向于购买哪种风险的基金产品。当前特征数据中的风险偏好是目标用户的风险偏好，根据风险偏好推荐不同风险的基金产品。当前特征数据中的承受亏损值是目标用户可以承受亏损的值，可基于承受亏损值推荐风险不同的基金产品。

S20：获取用户数据模型，用户数据模型包括至少两个聚类类簇，每一聚类类簇对应一风险评估值。

用户数据模型是基金交易系统预先基于训练用户画像数据训练后获取与投资基金的风险评估值关联的模型。其中，训练用户画像数据是训练用户的用户画像数据，该训练用户画像数据是用于训练用户数据模型的数据。该训练用户是预先在基金交易系统开户并进行过基金交易的用户。聚类类簇是采用聚类算法对训练用户画像数据进行聚类后，获取的相似训练用户画像数据的集合。每一聚类类簇对应一风险评估值，该风险评估值是任一聚类类簇中训练用户画像数据对应的训练用户在投资基金时可承受风险的评估值。可以理解地，风险评估值与基金产品的基金类型相关联，风险评估值越大的训练用户越偏向于投资风险高且收益高的基金产品，反之，风险评估值越小的训练用户越偏向于投资风险低且收益低的基金产品。

在一具体实施方式中，如图2所示，该基金产品推荐方法还包括：

S50：基于训练用户画像数据训练用户数据模型，训练用户画像数据包括至少一个训练特征数据。

其中，训练特征数据是与训练用户自身投资条件相关的数据。该训练特征数据包括但不限于本实施例中的年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值。即当前用户画像数据包括至少一个训练特征数据，具体是指包括年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值中的至少一个。具体地，基于训练用户画像数据训练用户数据模型是指对训练用户画像数据中至少一个训练特征数据进行聚类，将相似训练用户画像数据的集合作为一聚类类簇，以将所有训练用户画像数据划分成至少两个聚类类簇，并获取每一聚类类簇对应的风险评估值，即可形成用户数据模型。

训练特征数据中的年龄是训练用户的年龄，训练用户的年龄与训练用户可能购买的基金产品的基金类型具有相关性。一般而言，训练用户的年龄越大，越偏向于购买风险较低的基金产品；反之，训练用户的年龄越小，越偏向于购买风险较高的基金产品。训练特征数据中的职业是训练用户的职业，训练用户的职业一般与训练用户的性格相关，性格不同的训练用户可能选择不同风险的基金产品；反之，性格相同的训练用户可能选择购买相同风险的基金产品。训练特征数据中的收入可以是训练用户的可支配收入，也可以是训练用户的纯收入，收入也可能影响训练用户选择基金产品的基金类型。训练特征数据中的投资经验是指训练用户在投资基金或者投资其他金融理财产品上的经验，一般投资经验越少，越偏向于购买风险较低的基金产品。训练特征数据中的投资比例是指训练用户购买基金产品占所有投资的比例，根据投资比例的高低，可确定该用户偏向于购买哪种风险的基金产品。训练特征数据中的风险偏好是训练用户的风险偏好，根据风险偏好推荐不同风险的基金产品。训练特征数据中的承受亏损值是训练用户可以承受亏损的值，可基于承受亏损值推荐风险不同的基金产品。

本实施例中，如图3所示，步骤S50中，基于训练用户画像数据训练用户数据模型，具体包括如下步骤：

S51：对训练用户画像数据中的至少一个训练特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据。

其中，数据标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间，用于去除数据的单位限制，将其转化为无量级的纯数值，便于不同单位或量级的指标能够进行比较和加权。具体地，在对训练用户画像数据中的至少一个训练特征数据进行标准化处理时，可采用min-max标准化(Min-max normalization)进行转换处理，获取至少一个标准特征数据。其中，min-max标准化(Min-max normalization)也称为离差标准化，是指采用转换函数对原始数据进行线性变换，使结果落到预设区间的过程，其中，转换函数

min为样本数据的最小值，max为样本数据的最大值，N为预设区间的区间大小。可以理解地，若N为1，则采用min-max标准化处理后的结果落在[0,1]这个区间范围内；若N为10，则采用min-max标准化处理后的结果落在[0,10]这个区间范围内。

S52：采用K-means聚类算法对训练用户画像数据中至少一个标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据。

其中，K-means聚类算法是一种基于距离评估相似度的聚类算法，即两个对象的距离越近，其相似度越大的聚类算法。K-means聚类算法通过计算两个对象的欧氏距离，根据欧氏距离的大小评价两个对象的相似性。欧氏距离(euclidean metric，又称欧几里得度量)是指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。任意两个n维向量a(X_i1,X_i2,...,X_in)与b(X_j1,X_j2,...,X_jn)的欧氏距离

训练用户画像数据是用于训练用户数据模型的训练用户的用户画像数据，训练用户画像数据包括至少一个训练特征数据。步骤S51将训练用户画像数据中的每一训练特征数据转换成标准特征数据，使得步骤S52中需采用K-means聚类算法对训练用户画像数据中至少一个标准特征数据进行聚类，以获取至少两个聚类类簇，每一聚类类簇中包括多个训练用户对应的训练用户画像数据。任一聚类类簇中，多个训练用户的训练用户画像数据中存在一个质心用户对应的质心用户画像数据，使其他训练用户画像数据到质心用户画像数据的距离之和最小。可以理解地，质心用户画像数据是任一聚类类簇中所有训练用户画像数据中的一个，因此，该质心用户画像数据也包括至少一个由训练特征数据转换来的标准特征数据。以下结合具体示例对步骤S52进行详细说明。

首先，获取m个训练用户的训练用户画像数据，对训练用户画像数据中至少一个训练特征数据进行标准化处理，形成至少一个标准特征数据，获取用户数据矩阵R(如下表所示)。该用户数据矩阵R为m*n矩阵，m为训练用户的数量，n为标准特征数据的数量。在对年龄这一训练特征数据进行标准化处理时，若年龄的最小值为18，最大值为88，N的大小为10，若一训练用户的年龄为48，则采用转换函数获取的标准特征数据为5。在对职业这一训练特征数据进行标准化处理时，可预先设置职业与标准特征数据的对照表，基于训练用户画像数据中的职业这一训练特征数据查询该对照表，即可获取相应的标准特征数据。其中，该对照表中可依职业列举不同的标准化分值，每一标准化分值对应不同企业的不同职业，以便基于训练用户画像数据中的职业这一训练特征数据查询相应的标准化分值，作为对应的标准特征数据。同理，采用转换函数或对照表对其他特征数据进行标准化处理。

	U1	U2	U3	U4	U5	U6	……	Um
									年龄	5	3	2	3	1	4	……	7
职业	5	5	3	4	2	6	……	6
									收入	6	4	1	6	4	7	……	5
投资经验	8	6	2	7	4	7	……	6
									投资比例	4	6	3	9	3	5	……	4
风险偏好	6	4	6	7	2	8	……	7
									承受亏损值	6	5	3	7	2	5	……	8
……	……	……	……	……	……	……	……	……

然后，对用户数据矩阵R中标准特征数据的值采用K-means聚类算法进行聚类。采用K-means聚类算法进行聚类过程如下：步骤(1),建立n维图，根据用户数据矩阵R中每个训练用户Ui的标准特征数据的值绘制出n维图中m个数据点Ui，其中，i∈m，每一数据点Ui对应一训练用户。步骤(2),预定义K值，根据K值可将m个数据点划分成K个数据集G＝[G1,G2,G3,G4,…Gj…，Gk]，其中，K≥2,j∈k。步骤(3),在每个数据集Gj中随机选择一个数据点Ui作为质心Ci，使得所有数据集中存在K个质心Ci。步骤(4),计算每一数据集Gj中任一数据点Ui与K个质心Gi的欧氏距离Di，将数据点Ui归入欧氏距离Di最小的一个数据集Gj中。步骤(5),使所有数据点Ui执行步骤(4),形成新的数据集G。重复步骤(3)-(5)，使得任一数据集Gj中新的质心Ci与旧的质心Ci小于预设的阈值时，K-means聚类算法终止，形成K个聚类类簇，每个聚类类簇有一个质心用户，该质心用户对应质心用户画像数据。

S53：采用加权运算算法对质心用户画像数据进行加权处理，确定质心用户画像数据对应一风险评估值。

其中，加权运算算法为P_i＝∑V_i·W_i，其中，∑W_i＝1，Pi为质心用户的风险评估值，Vi为质心用户画像数据中每一标准特征数据的值，Wi是每一种标准特征数据的权重。每一标准特征数据的权重可以是预先采用多变量线性回归模型对各训练用户画像数据的标准特征数据进行统计处理后获取的值，以便在需进行风险评估时直接调用。该多变量线性回归模型为h_θ(x)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n，其中，h_θ(x)为假设函数，各个θ为输入值间的夹角向量，各个x为对应的特征，在上式中加入x₀令x₀＝1，则有h_θ(x)＝θ₀x₀+θ₁x₁+θ₂x₂+…+θ_nx_n＝θ^TX。其中，θ是行向量，行向量里包含了线性回归模型中的参数，X是样本特征矩阵。

S54：基于聚类类簇和风险评估值，获取用户数据模型。

本实施例中，由于采用K-means聚类算法将用户数据矩阵R中所有训练用户画像数据划分成K个聚类类簇，每个聚类类簇的质心用户画像数据与同一聚类类簇中其他训练用户画像数据相似，可将质心用户画像数据对应的风险评估值作为该聚类类簇中其他训练用户画像数据的风险评估值，从而确定用户数据模型。

S60：将用户数据模型存储在数据库中。

本实施例中，将步骤S50中训练出的用户数据模型存储在MySQL、Oracle或其他数据库中，以便于在需要给目标用户推荐基金产品时，从数据库中调用该预先训练好的用户数据模型。

在该具体实施方式中，步骤S20包括：从数据库中获取用户数据模型。由于用户数据模型预先训练好并存储在数据库中，在需要使得用户数据模型进行基金产品推荐时，可直接从数据库中调用该用户数据模型，即可进行相应推荐处理，操作过程简单快捷。

S30：基于当前用户画像数据，从至少两个聚类类簇中获取与至少一个当前特征数据相对应的目标聚类类簇。

其中，目标聚类类簇是指与当前用户画像数据最相近的质心用户画像数据所在的聚类类簇。目标聚类类簇具体是指与至少一个当前特征数据所形成的当前用户画像数据距离最近的质心用户画像数据对应的聚类类簇。

在一具体实施方式中，如图4所示，步骤S30具体包括如下步骤：

S31：将当前用户画像数据分别与用户数据模型中至少两个聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离。

本实施例中，用户数据模型中存储有K个聚类类簇，每一聚类类簇对应一质心用户画像数据，若设当前用户画像数据为n维向量a(X_i1,X_i2,...,X_in)，任一聚类类簇的质心用户画像数据为n维向量b(X_j1,X_j2,...,X_jn)，则当前用户画像数据与质心用户画像数据的欧氏距离

其中，向量a的维数n与当前用户画像数据中当前特征数据的数量相对应；相应地，向量b的维数n与质心用户画像数据中训练特征数据的数量相对应。

可以理解地，在步骤S31之前，需对当前用户画像数据中至少一个当前特征数据进行标准化处理，以使当前用户画像数据中包括至少一个标准特征数据，以便于计算当前用户画像数据与质心用户画像数据之间的欧氏距离，有利于简化计算过程，提高计算效率。其中，对当前用户画像数据中至少一个当前训练数据进行标准化处理过程与对训练用户画像数据中至少一个训练特征数据进行标准化处理过程相同，为避免重复，在此不一一赘述。

S32：选取至少两个欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个当前特征数据相对应的目标聚类类簇。

由于步骤S31中获取K个当前用户画像数据与质心用户画像数据的欧氏距离D_a,b,从K个欧氏距离D_a,b中选取最小值对应的质心用户画像数据所在的聚类类簇，作为与当前用户画像数据中至少一个当前特征数据相对应的目标聚类类簇。

S40：基于目标聚类类簇对应的风险评估值，确定目标基金产品。

本实施例中，将目标聚类类簇对应的风险评估值定义为目标风险评估值。于步骤S52中，对每一聚类类簇的质心用户画像数据采用加权运算算法进行加权处理，确定与质心用户画像数据相对应的风险评估值，并将该风险评估值作为相应聚类类簇的风险评估值。本实施例中，目标聚类类簇是至少两个聚类类簇中的一个，可将该目标聚类类簇对应的风险评估值作为目标风险评估值

其中，目标基金产品是基金交易系统基于获取到的目标风险评估值推荐给目标用户的基金产品。该目标基金产品与目标用户的当前用户画像数据关联，以使目标基金产品符合目标用户的投资条件；且该目标基金产品基于目标风险评估值进行推荐，使得其与基金产品的基金类型相关，对基金产品的定位较为准确。本实施例中，基金交易系统在获取到目标基金产品后，通过智能手机、平板电脑等终端显示目标基金产品，以使目标用户了解目标基金产品，并基于目标基金产品进行基金交易，以辅助用户对自身投资条件和基金产品的定位有更准确的认识，有助于目标用户提高投资收益率。

在一具体实施方式中，如图5所示，步骤S40具体包括如下步骤：

S41：基于目标聚类类簇对应的风险评估值，确定对应的目标基金类型。

其中，基金类型是依据基金风险高低进行划分的类型。本实施例中，基金类型包括但不限于股票型、指数型、混合型、债券型和货币型。在基金交易系统中，预先设置基金风险与基金类型的对应关系。若设基金风险的区间为(0,10),将基金风险的区间划(0,2],(2,4],(4,6],(6,8]和(8，10)分成五个风险等级，分别对应货币型、债券型、混合型、指数型和股票型这五个基金类型，并使基金交易系统的基金产品唯一对应一种基金类型。本实施例中，可通过标准化处理，使得获取的目标风险评估值的范围在区间(0，10)内，以便根据目标风险评估值直接确定对应基金类型。

S42：根据基金类型，获取与基金类型相对应的待荐基金产品和基金评价指标。

其中，待荐基金产品是基金交易系统中基金类型为目标基金类型的所有基金产品。基金评价指标是用于评价基金产品好坏的指标，该基金评价指标与基金产品的投资收益和/或投资风险关联。具体地，基金评价指标与基金类型关联，可基于目标基金类型确定用于评价相应基金产品的基金评价指标。

具体地，基金评价指标包括但不限于本实施例中的平均回报率、阿尔法系数、标准差、贝塔系数、晨星风险系数、夏普比率和R平方等。其中，平均回报率是与收益相关的指标，用于评价投资回报的指标，平均回报率越大越好。阿尔法系数是与收益相关的指标，是一种相对指数，阿尔法系数越大说明其基金获得超额收益的能力越大。标准差是与风险相关的指标，反映基金回收率的波动幅度，标准差越小越好，具体是指基金每个月的收益率相对于平均月收益率的偏差幅度的大小。基金的每月收益波动越大，相对应的标准差也就越大。贝塔系数是与风险相关的指标，用于衡量价格波动情况，即用以评估某只股票或某只股票型基金相对于整个市场的波动情况。在牛市或上升阶段贝塔系数越大越好，而熊市或下跌阶段贝塔系数越小越好。晨星风险系数是与风险相关的指标，用于计算一定期间相对同类基金，收益向下浮动的风险，晨星风险指标越大，向下浮动的风险越大，因此，晨星风险系数越小越好。夏普比率是与收益和风险都相关的指标，是基金绩效评价标准化指标，夏普比率越高越好。R平方是与收益和风险都相关的指标，用于反映业绩变化情况，R平方是衡量一只基金业绩变化在多大程度上可以由基准指数的变动来解释，以0至100计，越接近100阿尔法系数和贝塔系数越可靠。

本实施例中，对于依据不同风险等级的基金类型可依据不同的基金评价指标进行推荐。如对于货币型和债券型这两种基金类型的基金产品可基于平均回报率和阿尔法系数这两种基于收益的基金评价指标进行推荐；对于混合型这一种基金类型的基金产品可基于夏普比率和R平方这两种基于收益和风险的基金评价指标进行推荐；对于指数型和股票型这两种基金类型的基金产品可基于标准差、贝塔系数和晨星风险系数这有三种基于风险的基金评价指标进行推荐。

S43：依据基金评价指标，采用快速排序算法对待荐基金产品进行排序，确定目标基金产品。

其中，快速排序算法的基本思想是通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。快速排序算法是基于关键字比较的内部排序算法中速度最快的一种算法，算法效率高。

本实施例中，依据基金评价指标，采用快速排序算法对基金交易系统获取的待荐基金产品进行排序，通过待荐基金产品对应的基金评价指标的排序结果来获取目标基金产品，并通过智能手机、平板电脑等终端的显示界面显示该目标基金产品。例如取基金评价指标为平均回报率，采用快速排序算法对待荐基金产品的平均回报率进行排序，可以得到平均回报率的排序结果，该排序结果中排序最高的平均回报率对应的待荐基金产品目标基金产品。可以理解地，目标用户通过智能手机、平板电脑等终端查看到的目标基金产品是依据基金评估指标进行排序的，以使目标用户可了解与用户自身的投资条件相匹配的目标基金产品，可有利于提高投资者购买基金产品的准确率，降低基金购买的风险性。

本实施例中，步骤S10和步骤S20之前，该基金产品推荐方法还包括获取产品推荐指令，以使步骤S10中基于产品推荐指令获取当前用户画像数据，步骤S20中基于产品推荐指令调用训练好的用户数据模型。在基金交易系统中，可在显示界面中显示“基金推荐”按钮，用户可点击该“基金推荐”按钮即可命名基金交易系统获取产品推荐指令。或者，在基金交易系统中，用户可预设设置，在用户采用预先注册的登录帐号登陆基金交易系统时，触发基金交易系统即可获取产品推荐指令，以使其显示界面显示目标基金产品。

本实施例所提供的基金产品推荐方法中，基于当前用户画像数据和用户数据类型，确定目标风险评估值，并利用目标风险评估值确定对应的目标基金产品，以使推荐给目标用户的目标基金产品对用户自身投资条件和基金产品进行准确定位，有助于目标用户提高投资收益率。

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。

实施例2

图6示出与实施例1中基金产品推荐方法一一对应的基金产品推荐装置的原理框图。如图6所示，该基金产品推荐装置装置包括当前用户画像数据获取模块10、用户数据模型获取模块20、目标聚类类簇确定模块30和目标基金产品确定模块40。其中，当前用户画像数据获取模块10、用户数据模型调用模块20、目标聚类类簇确定模块30和目标基金产品确定模块40的实现功能与实施例1中基金产品推荐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。

当前用户画像数据获取模块10，用于获取当前用户画像数据，当前用户画像数据包括至少一个当前特征数据。

用户数据模型获取模块20，用于获取用户数据模型，用户数据模型包括至少两个聚类类簇，每一聚类类簇对应一风险评估值。

目标聚类类簇确定模块30，用于基于当前用户画像数据，从至少两个聚类类簇中获取与至少一个当前特征数据相对应的目标聚类类簇。

目标基金产品确定模块40，用于基于目标聚类类簇对应的风险评估值，确定目标基金产品。

优选地，基金产品推荐装置还包括用户数据模型训练模块50和用户数据模型存储模块60。

用户数据模型训练模块50，用于基于训练用户画像数据训练用户数据模型，训练用户画像数据包括至少一个训练特征数据。

用户数据模型存储模块60，用于将用户数据模型存储在数据库中。

用户数据模型获取模块20，用于从数据库中获取用户数据模型。

优选地，用户数据模型训练模块50包括标准化处理单元51、聚类类簇获取单元52、风险评估值获取单元53和数据模型获取单元54。

标准化处理单元51，用于对训练用户画像数据中的至少一个标准特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据；

聚类类簇获取单元52，用于采用K-means聚类算法对训练用户画像数据中至少一个标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据。

风险评估值获取单元53，用于采用加权运算算法对质心用户画像数据进行加权处理，确定质心用户画像数据对应一风险评估值；加权运算算法为P_i＝∑V_i·W_i，其中，∑W_i＝1，Pi为质心用户的风险评估值，Vi为质心用户画像数据中每一标准特征数据的值，Wi是每一种标准特征数据的权重。

数据模型获取单元54，用于基于聚类类簇和风险评估值，获取用户数据模型。

优选地，目标聚类类簇确定模块30包括欧氏距离获取单元31和目标聚类类簇选取单元32。

欧氏距离获取单元31，用于将当前用户画像数据分别与用户数据模型中至少两个聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离。

目标聚类类簇选取单元32，用于选取至少两个欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个当前特征数据相对应的目标聚类类簇。

优选地，目标基金产品确定模块40包括基金类型确定单元41、评估指标获取单元42和目标基金产品确定单元43。

基金类型确定单元41，用于基于目标风险评估值，确定与目标风险评估值对应的目标基金类型。

评估指标获取单元42，用于根据基金类型，获取与基金类型相对应的待荐基金产品和基金评价指标。

目标基金产品确定单元43，用于依据基金评价指标，采用快速排序算法对待荐基金产品进行排序，确定目标基金产品。

实施例3

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1中基金产品推荐方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现实施例2中基金产品推荐装置中各模块/单元的功能，为避免重复，这里不再赘述。

实施例4

图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备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，处理器71执行计算机程序73时实现实施例1中基金产品推荐方法的各个步骤，例如图1所示的步骤S10、S20、S30和S40。或者，处理器71执行计算机程序73时实现实施例2中基金产品推荐装置各模块/单元的功能，如图6所示当前用户画像数据获取模块10、用户数据模型获取模块20、目标聚类类簇确定模块30和目标基金产品确定模块40的功能。

示例性的，计算机程序73可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器72中，并由处理器71执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序73在终端设备70中的执行过程。例如，计算机程序73可以被分割成当前用户画像数据获取模块10、用户数据模型获取模块20、目标聚类类簇确定模块30、目标基金产品确定模块40、用户数据模型训练模块50和用户数据模型存储模块60，其功能如下：

当前用户画像数据获取模块10，用于获取当前用户画像数据，当前用户画像数据包括至少一个当前特征数据。

用户数据模型获取模块20，用于获取用户数据模型，用户数据模型包括至少两个聚类类簇，每一聚类类簇对应一风险评估值。

目标聚类类簇确定模块30，用于基于当前用户画像数据，从至少两个聚类类簇中获取与至少一个当前特征数据相对应的目标聚类类簇。

目标基金产品确定模块40，用于基于目标聚类类簇对应的风险评估值，确定目标基金产品。

优选地，基金产品推荐装置还包括用户数据模型训练模块50和用户数据模型存储模块60。

用户数据模型训练模块50，用于基于训练用户画像数据训练用户数据模型，训练用户画像数据包括至少一个训练特征数据。

用户数据模型存储模块60，用于将用户数据模型存储在数据库中。

用户数据模型获取模块20，用于从数据库中获取用户数据模型。

优选地，用户数据模型训练模块50包括标准化处理单元51、聚类类簇获取单元52、风险评估值获取单元53和数据模型获取单元54。

标准化处理单元51，用于对训练用户画像数据中的至少一个标准特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据；

聚类类簇获取单元52，用于采用K-means聚类算法对训练用户画像数据中至少一个标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据。

风险评估值获取单元53，用于采用加权运算算法对质心用户画像数据进行加权处理，确定质心用户画像数据对应一风险评估值；加权运算算法为P_i＝∑V_i·W_i，其中，∑W_i＝1，Pi为质心用户的风险评估值，Vi为质心用户画像数据中每一标准特征数据的值，Wi是每一种标准特征数据的权重。

数据模型获取单元54，用于基于聚类类簇和风险评估值，获取用户数据模型。

优选地，目标聚类类簇确定模块30包括欧氏距离获取单元31和目标聚类类簇选取单元32。

欧氏距离获取单元31，用于将当前用户画像数据分别与用户数据模型中至少两个聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离。

目标聚类类簇选取单元32，用于选取至少两个欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个当前特征数据相对应的目标聚类类簇。

优选地，目标基金产品确定模块40包括基金类型确定单元41、评估指标获取单元42和目标基金产品确定单元43。

基金类型确定单元41，用于基于目标风险评估值，确定与目标风险评估值对应的目标基金类型。

评估指标获取单元42，用于根据基金类型，获取与基金类型相对应的待荐基金产品和基金评价指标。

目标基金产品确定单元43，用于依据基金评价指标，采用快速排序算法对待荐基金产品进行排序，确定目标基金产品。

该终端设备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。终端设备可包括，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7仅仅终端设备70的示例，并不构成对终端设备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，例如终端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(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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可以是终端设备70的内部存储单元，例如终端设备70的硬盘或内存。存储器72也可以是终端设备70的外部存储设备，例如终端设备70上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器72还可以既包括终端设备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终端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，即将所述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。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述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。

Claims (6)

1.一种基金产品推荐方法，其特征在于，包括：

基于训练用户画像数据训练用户数据模型，所述训练用户画像数据包括至少一个训练特征数据，将所述用户数据模型存储在数据库中；

获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；

从所述数据库中获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；

基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇，所述目标聚类类簇具体是指与至少一个当前特征数据所形成的当前用户画像数据距离最近的质心用户画像数据对应的聚类类簇；

基于所述目标聚类类簇对应的风险评估值，确定目标基金产品；

其中，基于训练用户画像数据训练用户数据模型，包括：

对所述训练用户画像数据中的至少一个所述训练特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据；

采用K-means聚类算法对所述训练用户画像数据中至少一个所述标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据；

采用加权运算算法对所述质心用户画像数据进行加权处理，确定所述质心用户画像数据对应一风险评估值，所述加权运算算法为P_i＝∑V_i·W_i，其中，∑W_i＝1，P_i 为质心用户的风险评估值，V_i 为质心用户画像数据中每一标准特征数据的值，W_i 是每一种标准特征数据的权重，每一标准特征数据的权重是预先采用多变量线性回归模型对各训练用户画像数据的标准特征数据进行统计处理后获取的值，所述多变量线性回归模型为h_θ(x)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n，h_θ(x)为假设函数，各个θ为输入值间的夹角向量，各个x为对应的特征；

基于所述聚类类簇和所述风险评估值，获取所述用户数据模型；

其中，所述基于所述目标聚类类簇对应的风险评估值，确定目标基金产品，包括：

基于所述目标聚类类簇对应的风险评估值，确定对应的目标基金类型；

根据所述目标基金类型，获取与所述目标基金类型相对应的待荐基金产品和基金评价指标；

依据所述基金评价指标，采用快速排序算法对所述待荐基金产品进行排序，确定所述目标基金产品。

2.如权利要求1所述的基金产品推荐方法，其特征在于，所述基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇，包括：

将所述当前用户画像数据分别与所述用户数据模型中至少两个所述聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离；

选取至少两个所述欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个所述当前特征数据相对应的所述目标聚类类簇。

3.一种基金产品推荐装置，其特征在于，包括：

用户数据模型训练模块，用于基于训练用户画像数据训练用户数据模型，所述训练用户画像数据包括至少一个训练特征数据；

用户数据模型存储模块，用于将所述用户数据模型存储在数据库中；

当前用户画像数据获取模块，用于获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；

用户数据模型获取模块，用于从数据库中获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；

目标聚类类簇确定模块，用于基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇，所述目标聚类类簇具体是指与至少一个当前特征数据所形成的当前用户画像数据距离最近的质心用户画像数据对应的聚类类簇；

目标基金产品确定模块，用于基于所述目标聚类类簇对应的风险评估值，确定目标基金产品；

其中，所述用户数据模型训练模块包括：

标准化处理单元，用于对所述训练用户画像数据中的至少一个所述训练特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据；

聚类类簇获取单元，用于采用K-means聚类算法对所述训练用户画像数据中至少一个所述标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据；

风险评估值获取单元，用于采用加权运算算法对所述质心用户画像数据进行加权处理，确定所述质心用户画像数据对应一风险评估值，所述加权运算算法为P_i＝∑V_i·W_i，其中，∑W_i＝1，P_i 为质心用户的风险评估值，V_i 为质心用户画像数据中每一标准特征数据的值，W_i 是每一种标准特征数据的权重，每一标准特征数据的权重是预先采用多变量线性回归模型对各训练用户画像数据的标准特征数据进行统计处理后获取的值，所述多变量线性回归模型为h_θ(x)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n，h_θ(x)为假设函数，各个θ为输入值间的夹角向量，各个x为对应的特征；

数据模型获取单元，用于基于所述聚类类簇和所述风险评估值，获取所述用户数据模型；

其中，所述目标基金产品确定模块包括：

基金类型确定单元，用于基于所述目标风险评估值，确定与所述目标风险评估值相对应的目标基金类型；

评估指标获取单元，用于根据所述目标基金类型，获取与所述目标基金类型相对应的待荐基金产品和基金评价指标；

目标基金产品确定单元，用于依据所述基金评价指标对所述待荐基金产品采用快速排序算法进行排序，确定所述目标基金产品。

4.如权利要求3所述的基金产品推荐装置，其特征在于，所述目标聚类类簇确定模块包括：

欧氏距离获取单元，用于将所述当前用户画像数据分别与所述用户数据模型中至少两个所述聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离；

目标聚类类簇选取单元，用于选取至少两个所述欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个所述当前特征数据相对应的所述目标聚类类簇。

5.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述基金产品推荐方法的步骤。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述基金产品推荐方法的步骤。

Images