CN108665355A - 金融产品推荐方法、装置、设备和计算机存储介质 - Google Patents

Abstract

本发明公开了一种金融产品推荐方法，包括以下步骤：接收金融产品发布请求，获取发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。本发明还公开了一种金融产品推荐装置、设备和计算机存储介质。本发明提高了金融产品营销的准确率。

Description

金融产品推荐方法、装置、设备和计算机存储介质

技术领域

本发明涉及数据处理领域，尤其涉及金融产品推荐方法、装置、设备和计算机存储介质。

背景技术

随着金融产品的种类和数量的快速更新，不同的公司采用不同的营销策略。

现有的金融产品的营销主要有两种方式，方式一：对客户、产品、交易等数据进行统计分析，再结合业务规则筛选出一批客户，然后通过电话或短信来推销银行指定的某个产品；这样的金融产品的营销方法，需要对影响金融产品的销售因素进行分析，进而为用户推荐金融产品，导致数据的分析处理量较大，同时需要人工建立庞大而复杂的规则库，费时费力，且成功率不高。方式二：通过传统的分析统计方法结合业务规则筛选客户进行产品批量营销，没有根据客户的特征、喜好、交易行为进行在线的深入分析和挖掘，无法对客户进个性化精准营销；如何在保证数据处理量的前提下，实现准确地、高效地进行金融产品的营销成为了目前亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供金融产品推荐方法、装置、设备和计算机存储介质，旨在提高金融产品推荐的准确率。

为实现上述目的，本发明提供一种金融产品推荐方法，所述金融产品推荐方法包括以下步骤：

接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

可选地，所述接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品的步骤之前，包括：

获取用户行为样本集，将用户行为样本集中的用户行为样本按属性进行分类；

以预设比例在所述用户行为样本集的各类用户行为样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点；

根据样本特征点的位置和对应的样本属性对预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数；

以所述预设比例在所述用户行为样本集的各类用户行为样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点；

通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得用户行为模型。

可选地，所述将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签的步骤，包括：

获取各用户的产品行为数据，并将各用户的产品行为数据输入至预设坐标系中绘制所述各用户的产品行为数据对应的产品特征点；

根据产品特征点与最近分隔函数的关系确定产品行为数据的行为属性，并根据行为属性得到各用户对金融产品的购买意向结论。

可选地，所述将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户的步骤，包括：

获取各用户的金融产品标签中对金融产品的购买意向结论，将购买意向结论中的购买意向值与预设推送规则中的购买阈值进行比较；

若产品购买意向值超过预设推送规则中的购买阈值，则将金融产品标签对应用户作为目标用户，并将所述金融产品信息推送至目标用户。

可选地，所述金融产品推荐方法还包括以下步骤：

若接收金融产品的查询请求，确定触发查询请求的账户，并获取所述账户关联的金融行为数据；

将金融行为数据输入至预存用户行为模型进行用户行为分析，得到用户行为属性，并根据用户行为属性定义用户金融标签；

获取账户关联的用户基础数据，将用户基础数据与用户金融标签结合，形成所述账户对应用户的用户画像；

获取符合用户画像的目标金融产品，并将所述目标金融产品推送至所述账户。

可选地，所述将金融行为数据输入至预存用户行为模型进行用户行为分析，得到账户金融标签的步骤，包括：

获取账户的金融行为数据，并将金融行为数据输入至预设坐标系中绘制所述金融行为数据对应的特征点；

根据特征点与最近分隔函数的关系确定所述金融行为数据的行为属性，并根据行为属性得到用户金融标签。

可选地，所述获取符合用户画像的目标金融产品，并将所述目标金融产品推送至所述账户的步骤，包括：

将用户画像中的用户基础数据与预设等级表进行比对确定用户信用等级；

获取用户画像中的用户金融标签中的金融产品信息，将金融产品信息与用户基础数据输入预设购买公式，计算得到用户对各金融产品的产品购买力；

根据用户信用等级与用户购买力确定推荐指标，将所述推荐指标与预设标准指标进行比对；

将推荐指标高于标准指标的金融产品作为目标金融产品，并将所述目标金融产品推送至所述账户。

此外，为实现上述目的，本发明还提供金融产品推荐装置，所述金融产品推荐装置包括：

接收获取模块，用于接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取分类模块，用于获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

行为分析模块，用于将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

产品推送模块，用于将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

此外，为实现上述目的，本发明还提供一种金融产品推荐设备；

所述金融产品推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的金融产品推荐程序，其中：

所述金融产品推荐程序被所述处理器执行时实现如上述的金融产品推荐方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质；

所述计算机存储介质上存储有金融产品推荐程序，所述金融产品推荐程序被处理器执行时实现如上述的金融产品推荐方法的步骤。

本发明实施例提出的一种金融产品推荐方法、装置、设备和计算机存储介质，通过接收金融产品发布请求时，需要将金融产品信息发送至对金融产品有兴趣的用户，服务器获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；即，服务器根据待发布的金融产品的此信息，确定待发布金融产品与哪些产品有关联，使得服务器可以关联产品的信息确定目标用户，具体地，获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。本申请中将金融产品与关联产品结合，确定目标用户在保证小的数据处理量的同时，实现准确地营销。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；

图2为本发明金融产品推荐方法第一实施例的流程示意图；

图3为本发明金融产品推荐方法第一实施例步骤S10之前的流程示意图；

图4为本发明金融产品推荐方法第二实施例的流程示意图；

图5为图4中金融产品推荐方法的步骤S80的细化流程示意图；

图6为本发明金融产品推荐方法第二实施例中构建用户画像的一具体场景程示意图；

图7为本发明金融产品推荐方法第二实施例中构建用户画像的另一具体场景程示意图；

图8为本发明金融产品推荐装置一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

由于现有技术中在金融产品营销时通常需要人工建立庞大而复杂的规则库，将用户全部行为数据进行分析，数据处理量较大，此外针对无效数据的处理不仅浪费时间，还可能对最终结果产生不好的影响。

本发明提供一种解决方案，将营销产品与相关的产品进行结合，例如，将理财，信贷和保险这三款业务之间建立关联性，可以通过用户的理财习惯的变化，信贷的记录，以及购买保险的信息记录，通过大量数据分析，推断出不同人群不同时刻的理财，信贷和保险的需求点，并准确推送相应的理财产品，信贷信息和保险产品，可以大大加强销售的成功率和准确率。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。

本发明实施例服务器指一个管理资源并为用户提供服务的计算机，通常分为文件服务器、数据库服务器和应用程序服务器。运行以上软件的计算机或计算机系统也被称为服务器。相对于普通PC来说，服务器在稳定性、安全性、性能等方面都要求较高；如图1所示，该服务器可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002、芯片组、磁盘系统、网络等硬件等。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，服务器还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块；输入单元，比显示屏，触摸屏；网络接口可选除无线接口中除WiFi外，蓝牙、探针、3G/4G/5G联网基站设备等等。本领域技术人员可以理解，图1中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，该计算机软件产品存储在一个存储介质(存储介质：又叫计算机存储介质、计算机介质、可读介质、可读存储介质、计算机可读存储介质或者直接叫介质等，如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及金融产品推荐应用程序。

在图1所示的服务器中，网络接口1004主要用于连接后台数据库，与后台数据库进行数据通信；用户接口1003主要用于连接客户端(客户端，又叫用户端或终端，本发明实施例终端可以固定终端，也可以是移动终端，其中，固定终端如“物联网设备”、带联网功能的智能空调、智能电灯、智能电源等等；移动终端，如带联网功能的AR/VR设备，智能音箱、自动驾驶汽车、PC，智能手机、平板电脑、电子书阅读器、便携计算机等具有显示功能的终端设备，终端中包含传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的金融产品推荐应用程序，并执行本发明以下实施例提供的金融产品推荐方法中的步骤。

本发明金融产品推荐方法的第一实施例中，所述金融产品推荐方法包括：

接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

在本实施例执行之前，需要预先构建用户行为模型，构建用户行为模型的目的在于将对用户(客户)、产品、交易等数据进行统计分析，在实施例中利用构建的用户行为模型与金融产品结合，在金融产品推荐时，可以结合金融产品信息筛选出对金融产品有需求的目标用户，使得金融产品营销人员可以对目标用户进行金融产品的重点营销。

具体地，参照图3，构建用户行为模型的步骤包括：

步骤S01，获取用户行为样本集，将用户行为样本集中的用户行为样本按属性进行分类；

在服务器上建立用于训练模型的用户行为样本集，该样本集中包括有历史不同用户的基础行为数据，基础行为数据包括用户的网络行为数据(网络行为数据，例如，用户的社交数据)，金融产品行为数据(金融产品行为数据，例如，用户对贷款产品的访问记录)，用户偏好数据(用户收藏、评价、访问数据)，和用户交易数据(例如用户购买情况、回头率)等，服务器根据基础行为数据的实际数据信息进行了标记；例如，基础行为数据中，用户浏览金融理财产品10次以上的用户都购买了金融理财产品，服务器使用该用户行为样本集中的数据对初始机器学习模型进行训练，获得用户行为模型。其中，对于该机器学习的过程，可以是通过神经网络、遗传算法、支持向量机等多种方式实现。

本实施例中，考虑到用户行为数据量庞大，若要获取到各种类型的用户行为样本数据用于进行模型训练，则会增大工作量，因此本案可采用linear-svm(线性-支持向量机)的方式进行建模。linear-svm是一种有监督的线性分类算法，属于判别模型的一种(不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类)；linear-svm基于几何间隔最大化原理，认为存在最大几何间隔的分类面为最优分类面，因此是考虑分类面上(局部边界线附近)的点，即linear-svm不直接依赖于数据分布，从而可在一定限度上用户行为样本数据不足对模型准确率的不利影响。

本实施例中用户行为模型可通过机器学习的方式来构建模型。首先建立用于训练模型的用户样本集，获取该样本集中包括有历史的用户行为数据，同时还结合用户的购买情况对用户行为数据进行了标记，然后使用该用户行为样本集中的数据对初始机器学习模型进行训练，获得用户行为模型，为训练用户行为模型，先要获取到用户行为样本集；考虑到在实际使用过程中是对用户行为的进行判断，因此该用户行为样本集中的样本数据可以包括正例样本和负例样本。即，根据识别要求定义样本属性，例如，本实施例中对于用户行为模型的识别要求为二分，即判断每个样本用户行为的含义是购买还是不购买，则每个样本的属性需要为确定的一个结果(购买或不购买)。值得说明的是，考虑到产品类型不同、用户思想不同，同一个用户行为在不同人的身上可能会有不同的含义，同时可能会存在某种难以判断的情况，因此对于该用户行为模型也还可以是多分的分类器，例如，该样本属性包括购买、不购买和有意向购买(有意向购买的意向指数)，然后通过该多分样本训练得到多分的用户行为模型。本实施例中，为了描述的方便，以二分为例(购买或不购买)进行说明，其中，购买样本可称为正例样本，不购买样本可称为负例样本。

步骤S02，以预设比例在所述用户行为样本集的各类用户行为样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点。

在定义了用户行为样本的二分属性后，即，将用户行为样本分成了两大类。此时，可在样本数据中随机抽取若干比例正例样本和负例样本(例如，40％正例样本和50％负例样本)作为一次训练样本，利用该这些一次训练样本对初始模型进行训练：在预设坐标系中绘制出各一次训练样本对应的一次特征点。

步骤S03，根据样本特征点的位置和对应的样本属性对预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数。

根据样本的属性(正例和负例)以及特征点所在的位置对预设坐标系进行区域，得到正例区域和负例区域；然后根据区域的划分情况可得出若干个分隔函数，然后可在这些分隔函数中确定一个最近分隔函数；其中，在一次训练中，该最近分隔函数可以是随机确定，或者通过某些约束条件进行确定。

步骤S04，以所述预设比例在所述用户行为样本集的各类用户行为样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点。

在进行了一次训练后，可再次从用户行为样本集中抽取相同比例样本作为迭代样本，并在该预设坐标系中绘制该迭代特征点，并利用这些迭代特征点对最近分隔函数不断进行调整，从而对用户行为模型不断进行迭代训练。

步骤S05，通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得用户行为模型。

服务器通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至其对样本的正确分隔率(识别成功率)达到预设阈值，即认为训练完成，获得用户行为模型。值得说明的是，该预设坐标系，可以是二维坐标系，此时最近分隔函数对应图像为一条直线；而由于用户行为的复杂性，该预设坐标系也可能是三维以上(此处“以上”包括本数)的坐标系，也就是说，对于二维坐标系下的特征点，可能需要通过核函数(例如径函数)将其投影至高维度坐标系中，再根据各高纬度特征点获取高纬度坐标系下的分隔超平面函数(即分隔函数对应图像为一个超平面)，即得到用户行为模型。

在本实施例中将用户行为集中的用户行为进行用户行为建模，与现有的用户行为模型相比，本实施例在保证用户行为模型的准确性的条件下，用于构建用户行为模型的数据量较小，服务器的数据处理量小，提高了用户行为数据的分析效率。

参照图3，在本发明的第一实施例中，金融产品推荐方法包括：

步骤S10，接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品。

金融产品开发者基于开发的金融产品(金融产品是指现金、汇票、股票、期货、债券、保单等)触发金融产品发布请求，服务器接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，例如，保险产品的信息包括产品名称、利率、期限和产品申购/赎回流程等，服务器根据金融产品信息确定关联产品，其中，关联产品是一类型的金融产品与其他类型金融产品的关联关系，在服务器上预设产品关联表，预设产品关联表中包含有各个产品的关联关系，即，服务器将金融产品的产品信息与预设产品关联表进行比对，确定该金融产品关联产品的产品，例如，预设产品关联表中记录有金融理财产品与产品为贷款产品和保险产品关联，服务器可以将金融理财产品的产品信息与预设产品关联表进行比对，则可以确定金融理财产品的关联产品为贷款产品和保险产品。

在本实施例中在进行一个金融产品分析时，根据金融产品的相关信息，获取与该金融产品相关的金融产品，以进行产品的结合分析，使得数据分析处理更具有目的性。

步骤S20，获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据。

服务器获取预设用户集中各用户的基础行为数据，其中，预设用户集是指服务器获取的到全部的用户集合，基础行为数据包括用户的网络行为数据(网络行为数据，例如，用户的社交数据)，金融产品行为数据(金融产品行为数据，例如，用户对贷款产品的访问记录)，用户偏好数据(用户收藏、评价、访问数据)，和用户交易数据(例如用户购买情况、回头率)等，即，服务器获取用户集合中各用户的基础行为数据，并将各用户的基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据。

以预设用户集中的一个用户数据为例进行说明，服务器获取该用户的基础行为数据，并将基础行为数据按关联产品的维度进行分类，其中，金融理财产品的关联产品为贷款产品和保险产品，则服务器将用户基础行为数据以金融理财产品、贷款产品和保险产品的维度进行分类，例如，用户浏览金融产品(金融理财产品、贷款产品、保险产品)查看42次，收藏7次、购买1；服务器将用户基础行为数据按关联产品的维度进行分类的数据作为金融产品相关的产品行为数据，即，金融理财产品的相关的产品行为数据为金融理财产品查看25次，收藏5次、购买1次；贷款产品查看2次，收藏0次、购买0次；保险产品查看15次，收藏2次、购买0次。

本实施例中从用户的基础行为数据中抽取与金融产品和金融产品关联产品的数据进行分析，使得数据数据处理量较小的情况下，保证的数据的处理的有效性，将用户不同的基础行为数据按照不同的产品维度进行划分，即可以根据不同产品的用户行为分析，得到准确的用户行为结论。

步骤S30，将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签。

服务器将各用户的产品行为数据输入至预存用户行为模型(预存用户行为模型是指通过机器学习的方式来构建模型)进行用户行为分析，即，服务器将各用户的产品行为数据输入至预存用户行为模型后，通过预存用户行为模型，以对用户的行为进行识别，服务器将用户行为识别，得到各用户对金融产品的购买意向结论，服务器将各用户对金融产品的购买意向结论添加到各用户的金融产品标签。

具体地，步骤S30中将产品行为数据输入至用户行为模型中确定用户购买意向的步骤包括:

步骤a1，获取各用户的产品行为数据，并将各用户的产品行为数据输入至预设坐标系中绘制所述各用户的产品行为数据对应的产品特征点；

步骤b1，根据产品特征点与最近分隔函数的关系确定产品行为数据的行为属性，并根据行为属性得到各用户对金融产品的购买意向结论。

服务器根据用户行为图像的特征在用户行为模型的坐标系中绘制对应的识别特征点；然后根据所述识别特征点和最近分隔函数的位置关系，确定该识别特征点所在的区域，从而根据识别特征点所在的区域确定该用户行为对金融产品的行为属性，并根据行为属性得到用户行为对金融产品的购买意向结论，例如是当识别特征点处于正例区域时，则该识别特征点的图像属性为购买，则用户行为对金融产品的购买意向结论为购买。而在具体实施中，从用户行为的多样行，而这些用户行为图像的属性也可以是不同的，此时可以是在用户行为模型中定义输出规则，以在图像属性不一致时给出一个识别结论，例如，该规则是当购买属性的用户行为图像在所有用户行为图像中的比例达到一个阈值(例如70％)时，则输出用户行为对金融产品的购买的结论。当然，还可以是其它的输出规则。

在本实施例中将各个用户的用户行为数据输入至用户行为模型中，对用户行为进行分期，确定各用户对金融产品的购买意向结论，使得用户行为分析更加准确。

步骤S40，将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

服务器将各用户的金融产品标签与预设推送规则(预设推送规则：预先设置的推送规则，例如预设推送规则中根据用户行为模型确定的金融产品的购买意向超过50％则进行金融产品推送)进行比较，即，服务器将金融产品标签中的信息与预设推送规则进行比较，其中，金融产品标签中包含有用户行为模型分析得到的结论，服务器确定金融产品标签中的信息与符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

步骤a2，获取各用户的金融产品标签中对金融产品的购买意向结论，将购买意向结论中的购买意向值与预设推送规则中的购买阈值进行比较；

步骤b2，若产品购买意向值超过预设推送规则中的购买阈值，则将金融产品标签对应用户作为目标用户，并将所述金融产品信息推送至目标用户。

服务器获取各用户的金融产品标签中对金融产品的购买意向结论，需要说明的是上述是实施例中为了简单描述购买意向结论只有购买或者不购买，实际的过程中用户行为模型并不仅仅采用二分法，而是采用多分的方法，例如，五分法将金融产品的购买意向分为：0-20％；金融产品的购买意向20％-40％；金融产品的购买意向60％-80％金融产品的购买意向80％-100％；服务器将购买意向结论中的产品购买意向值与预设推送规则中的购买阈值进行比较；若产品购买意向值超过预设推送规则中的购买阈值，则将金融产品标签对应用户作为目标用户，并将所述金融产品信息推送至目标用户，需要说明的是此处的目标用户可以是一个还可以是多个。

在本实施例中获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。本申请中将金融产品与关联产品结合，确定目标用户在保证小的数据处理量的同时，实现准确地营销。

参照图4，在本发明第一实施例的基础上，进一步提出了本发明金融产品推荐方法的第二实施例。

第一实施例是利用用户行为模型，在金融产品发布时将金融产品推送至有购买意向的用户，与本发明第一实施例的区别在于，本实施例中基于用户行为数据为指定用户推荐符合指定用户需求的金融产品的具体实施步骤，本实施例与第一实施例是并列的技术方案，也依靠于预先建立的用户行为模型。

所述金融产品推荐方法包括：

步骤S50，若接收金融产品的查询请求，确定触发查询请求的账户，并获取所述账户关联的金融行为数据。

用户可以在终端上触发金融产品查询请求，服务器若接收金融产品的查询请求，确定触发查询请求的账户，服务器确定触发金融产品查询请求的账户信息，以使服务器根据账户的浏览记录并获取所述账户关联的金融行为数据。其中，金融行为数据是指用户对理财产品、信贷产品和保险产品的调研数据，以及用户对理财产品、信贷产品和保险产品的兴趣度数据、购买情况和浏览记录；并对属性信息、调研数据、兴趣度数据、购买情况和浏览记录进行规范化处理后的数据信息。

步骤S60，将金融行为数据输入至预存用户行为模型进行用户行为分析，得到用户行为属性，并根据用户行为属性定义用户金融标签。

服务器将金融行为数据输入至预存用户行为模型进行用户行为分析，得到用户行为属性，并根据用户行为属性定义用户金融标签，即服务器利用用户行为模型将用户的金融行为数据，输入至用户行为模型，并生成用户金融产品的操作行为结论，并生成用户金融标签，具体地。通过用户行为模型建立用户金融标签的步骤包括：

步骤a3，获取账户的金融行为数据，并将金融行为数据输入至预设坐标系中绘制所述金融行为数据对应的特征点；

步骤b3，根据特征点与最近分隔函数的关系确定所述金融行为数据的行为属性，并根据行为属性得到用户金融标签。

服务器根据用户行为图像的特征在用户行为模型的坐标系中绘制对应的识别特征点；然后根据所述识别特征点和最近分隔函数的位置关系，确定该识别特征点所在的区域，从而根据识别特征点所在的区域确定该用户行为对金融产品的行为属性，并根据行为属性得到用户行为对不同金融产品的需求，和不同金融产品的购买意向结论，例如是当识别特征点处于正例区域时，则该识别特征点的图像属性为购买，则用户行为对金融产品的购买意向结论为购买。服务器将确定的用户行为属性，以定义用户金融标签，例如，服务器通过对用户的个体消费能力、消费内容、消费品质、消费渠道的对用户行为模型的参数进行调整，确定用户行为属性，并根据行为属性得得到用户的金融标签。

步骤S70，获取账户关联的用户基础数据，将用户基础数据与用户金融标签结合，形成所述账户对应用户的用户画像。

服务器获取账户关联的用户基础数据，将用户基础数据与用户金融标签结合，形成所述账户对应用户的用户画像，其中，建立用户图像的步骤结合图6和图7，用户画像，又称人群画像，是根据用户人口统计学信息、社交关系、偏好习惯和消费行为等信息而抽象出来的标签化画像。构建用户画像的核心工作即是给用户贴“标签”，而标签中部分是根据用户的行为数据直接得到，部分是通过一系列算法或规则挖掘得到。用户基础数据(直接得到的数据)比如用户在网站或APP上主动填写和上传的数据，严格一些平台(比如电商平台)会要求用户上传身份证、学生证、驾驶证、银行卡等，这样的数据准确性就较高，用户金融标签(通过算法和数据挖掘得到)例如，一个用户最近开始购买基金理财产品(比如一段时间购买基金，一段时间购买保险)，那么可以根据用户购买的频次及数量，结合用户的年龄、性别推断对哪一类型的理财产品感兴趣。

步骤S80，获取符合用户画像的目标金融产品，并将所述目标金融产品推送至所述账户。

服务器获取符合用户画像的目标金融产品，即，根据用户画像，确定用户的兴趣偏好、行为偏好、社会工程属性、消费特征，并将当前全部的金融产品与用户的兴趣偏好、行为偏好、社会工程属性、消费特征进行比对，确定符合用户特征的金融产品，并将符合用户特征的金融产品作为目标金融产品推送至所述账户。

具体地，参照图5，步骤S80包括：

步骤S81，将用户画像中的用户基础数据与预设等级表进行比对确定用户信用等级。

服务器将用户画像中的用户基础数据与预设等级表(预设等级表是指用户预先设置的用户行为与等级关联的图表，例如，用户年金融产品交易量为20笔，用户信用为三等)进行比对确定用户信用等级，即，服务器根据用户画像对用户进行信用评估，例如，服务器将用户基础数据与预设等级表进行比对确定用户信用等级。

步骤S82，获取用户画像中的用户金融标签中的金融产品信息，将金融产品信息与用户基础数据输入预设购买公式，计算得到用户对各金融产品的产品购买力；

服务器获取用户画像中的用户金融标签中的金融产品信息，将金融产品信息与用户基础数据输入预设购买公式(其中，预设购买公式可以跟根据具体的场景设置)，服务器将用户基础数据输入计算得到用户对各个金融产品的产品购买力。

步骤S83，根据用户信用等级与产品购买力确定各金融产品的推荐指标，将所述推荐指标与预设标准指标进行比对。

服务器根据用户信用等级与产品购买力确定各金融产品的推荐指标，其中，根据用户信用等级与产品购买力确定各金融产品的推荐指标可以采用不同的形式，例如，服务器将用户信用等级与用户购买各设置为一定的权重，计算得到用户推荐指标；或者建立信用等级与产品购买力与推荐指标的关系，服务器可以通过信用等级与产品购买力查询标准表格确定对各个金融产品推荐指标，服务器将各个金融产品的推荐指标与预设标准指标(预设标准指标是根据具体场景设置的指标)进行比对。

步骤S84，将推荐指标高于标准指标的金融产品作为目标金融产品，并将所述目标金融产品推送至所述账户。

服务器将推荐指标高于标准指标的金融产品作为目标金融产品，并将所述目标金融产品推送至所述账户，例如，用户100w基金产品购买的推荐指标为10，1w保险产品购买的推荐指标为80，20w贷款产品的推荐指标为60，其中标准指标为50，则服务器将1w保险和20w贷款产品作为目标金融产品，并将所述目标金融产品推送至所述账户。

在本实施例中用户自动触发产品查询请求，根据用户的个人信息进行用户的个性化推荐，同时，针对用户的推荐更加合理。本实施例中集合用户画像准确评估用户对产品的需求或者潜在需求，为用户准确推荐金融产品。

此外，参照图8，本发明实施例还提出一种金融产品推荐装置，所述金融产品推荐装置包括：

接收获取模块10，用于接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取分类模块20，用于获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

行为分析模块30，用于将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

产品推送模块40，用于将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

其中，金融产品推荐装置的各个功能模块实现的步骤可参照本发明金融产品推荐方法的各个实施例，此处不再赘述。

此外，本发明实施例还提出一种计算机存储介质。

所述计算机存储介质上存储有金融产品推荐程序，所述金融产品推荐程序被处理器执行时实现上述实施例提供的金融产品推荐方法中的操作。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种金融产品推荐方法，其特征在于，所述金融产品推荐方法包括以下步骤：

接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

2.如权利要求1所述的金融产品推荐方法，其特征在于，所述接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品的步骤之前，包括：

获取用户行为样本集，将用户行为样本集中的用户行为样本按属性进行分类；

以预设比例在所述用户行为样本集的各类用户行为样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点；

根据样本特征点的位置和对应的样本属性对预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数；

以所述预设比例在所述用户行为样本集的各类用户行为样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点；

通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得用户行为模型。

3.如权利要求2所述的金融产品推荐方法，其特征在于，所述将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签的步骤，包括：

获取各用户的产品行为数据，并将各用户的产品行为数据输入至预设坐标系中绘制所述各用户的产品行为数据对应的产品特征点；

根据产品特征点与最近分隔函数的关系确定产品行为数据的行为属性，并根据行为属性得到各用户对金融产品的购买意向结论。

4.如权利要求1所述的金融产品推荐方法，其特征在于，所述将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户的步骤，包括：

获取各用户的金融产品标签中对金融产品的购买意向结论，将购买意向结论中的购买意向值与预设推送规则中的购买阈值进行比较；

若产品购买意向值超过预设推送规则中的购买阈值，则将金融产品标签对应用户作为目标用户，并将所述金融产品信息推送至目标用户。

5.如权利要求2所述的金融产品推荐方法，其特征在于，所述金融产品推荐方法还包括以下步骤：

若接收金融产品的查询请求，确定触发查询请求的账户，并获取所述账户关联的金融行为数据；

将金融行为数据输入至预存用户行为模型进行用户行为分析，得到用户行为属性，并根据用户行为属性定义用户金融标签；

获取账户关联的用户基础数据，将用户基础数据与用户金融标签结合，形成所述账户对应用户的用户画像；

获取符合用户画像的目标金融产品，并将所述目标金融产品推送至所述账户。

6.如权利要求5所述的金融产品推荐方法，其特征在于，所述将金融行为数据输入至预存用户行为模型进行用户行为分析，得到账户金融标签的步骤，包括：

获取账户的金融行为数据，并将金融行为数据输入至预设坐标系中绘制所述金融行为数据对应的特征点；

根据特征点与最近分隔函数的关系确定所述金融行为数据的行为属性，并根据行为属性得到用户金融标签。

7.如权利要求5所述的金融产品推荐方法，其特征在于，所述获取符合用户画像的目标金融产品，并将所述目标金融产品推送至所述账户的步骤，包括：

将用户画像中的用户基础数据与预设等级表进行比对确定用户信用等级；

获取用户画像中的用户金融标签中的金融产品信息，将金融产品信息与用户基础数据输入预设购买公式，计算得到用户对各金融产品的产品购买力；

根据用户信用等级与用户购买力确定推荐指标，将所述推荐指标与预设标准指标进行比对；

将推荐指标高于标准指标的金融产品作为目标金融产品，并将所述目标金融产品推送至所述账户。

8.一种金融产品推荐装置，其特征在于，所述金融产品推荐装置包括：

接收获取模块，用于接收金融产品发布请求，获取金融产品发布请求中包含的金融产品信息，并根据金融产品信息确定关联产品；

获取分类模块，用于获取预设用户集中各用户的基础行为数据，将基础行为数据按关联产品的维度进行分类，得到金融产品相关的产品行为数据；

行为分析模块，用于将各用户的产品行为数据输入至预存用户行为模型进行用户行为分析，得到各用户对金融产品的购买意向结论，并将购买意向结论添加至金融产品标签；

产品推送模块，用于将各用户的金融产品标签与预设推送规则进行比较，确定符合推送规则的目标用户，并将所述金融产品信息推送至目标用户。

9.一种金融产品推荐设备，其特征在于，所述金融产品推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的金融产品推荐程序，其中：

所述金融产品推荐程序被所述处理器执行时实现如权利要求1至7中任一项所述的金融产品推荐方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有金融产品推荐程序，所述金融产品推荐程序被处理器执行时实现如权利要求1至7中任一项所述的金融产品推荐方法的步骤。