CN109190669A - 一种智能推荐方法、电子设备和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种智能推荐方法、电子设备和计算机可读存储介质。该方法的步骤包括：获取用户的信息；使用预先构建的不同渠道的打分规则对该用户的信息进行打分，得到针对不同渠道的分值；根据所述分值为用户进行流量分发；其中所述打分规则通过如下步骤构建：获取渠道预定数量的样本用户；调取所述样本用户的信息；根据所述样本用户的信息建模获得该渠道的打分规则。本发明提供的智能推荐方法使用一种自动建模的方法为友商进行建模，克服了现有技术中存在的字段可变前提下数字建模困难问题；提高了推荐的有效性，避免了流量的浪费。

Description

一种智能推荐方法、电子设备和计算机可读存储介质

技术领域

本发明涉及互联网领域。更具体地，涉及一种智能推荐方法、电子设备和计算机可读存储介质。

背景技术

在互联网金融领域，尤其是信贷领域，流量平台现有的推荐算法大多是基于人为确定的某一项或者多项数据标准，如芝麻分为720+的用户向渠道A推送。

这种做法由于渠道准入标准(或者转化标准)大同小异，经常同一套指标(约3-5个指标)下可以向用户推送多家渠道，但是多家友商的内核标准是极度多样化的，通常存在上千个指标。这样就导致了推送的用户并不匹配友商的特征，造成了用户的流失。

中国专利文献CN107945008A中公开了一种信贷方法，具体为借款方在信贷平台提出借款请求，并根据提示补充自己的信用信息，包括必选信息：基本身份信息和联系方式，可选信息：财产信息和借贷记录；然后信贷平台根据借款方提供的信用信息的完整性确定其借款额度，例如，信贷平台要求提供的信用信息(包括必需信息和可选信息)共有50项；当借款方补充的信用信息的项数少于10项时，其信用额度为10，信贷平台为借款方的设置的借款额度上限为10万；当借款方补充的信用信息不少于10项、且少于30项时，其信用额度为30，信贷平台为借款方的设置的借款额度上限为30万；当借款方补充的信用信息不少30项时，其信用额度为50，信贷平台为借款方的设置的借款额度无上限。换而言之，借款方提供的信用信息越多越完整，信贷平台将认为借款方的身份越真实越可信，可为其提供的借款额度上限就越高。然后，根据确定的信用额度在贷款产品库中查询对应的推荐产品信息，并向借款方返回所述推荐产品信息。该专利中向借款方推荐产品的依据是其提供填写的信用信息，其信息来源非常受限，并且可靠度不高，借款方很可能为了获得更高的额度而虚假填报信息。而该专利中的审核步骤在借款方选择了产品之后，由产品提供方进行风控审核；这就有可能造成非常高比例的贷款不成功，浪费了借贷双方的时间、资源，造成用户的流失。

也有极少流量平台采用人工数字建模的手段为某个友商单独构建模型，这样虽然能解决流量浪费的问题，但由于是人工进行数字建模，且数字建模工程量较大，导致能够进行建模的平台数量稀少。而这些平台能够建模的数量也是特别稀少的。

发明内容

基于以上背景技术，本发明提供一种智能推荐方法、电子设备和计算机可读存储介质。该方法使用一种自动建模的方法为不同友商进行建模，克服了现有技术中存在的字段可变前提下数字建模困难问题；提高了推荐的有效性，避免了流量浪费。

为了实现以上目的，本发明采用以下技术方案：

本发明第一个方面提供一种智能推荐方法，该方法的步骤包括：

获取用户的信息；

使用预先构建的不同渠道的打分规则对该用户的信息进行打分，得到针对不同渠道的分值；

根据所述分值为用户进行流量分发；

其中所述打分规则通过如下步骤构建：

获取渠道预定数量的样本用户；

调取所述样本用户的信息；

根据所述样本用户的信息建模获得该渠道的打分规则。

优选地，所述调取所述样本用户的信息的步骤之后还包括：

根据所述样本用户的信息筛选有效样本用户；

根据所述有效样本用户的信息建模获得该渠道的打分规则。

优选地，根据所述样本用户的信息筛选有效样本用户的步骤包括：

当样本用户的信息项数大于第一阈值时为有效样本用户。

优选地，根据所述有效样本用户的信息建模获得该渠道的打分规则的步骤包括：

将所述有效样本用户分为训练集和测试集；

根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型；

根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整得到所述打分规则。

优选地，所述根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型的步骤包括：

筛选训练集样本用户的信息中的有效信息；

对所述有效信息进行聚类分组；

将各组信息进行组内聚类，并设定对应分值；

对各组信息进行权重，获得该贷款渠道的打分规则模型。

优选地，所述根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整得到所述打分规则的步骤包括：

将测试集样本用户的信息通过所述打分规则模型进行打分；

校验该模型的KS值；

当KS值小于第二阈值时，对所述打分规则模型中的各组信息的权重进行调整，直至满足KS值大于等于所述第二阈值，得到最终的打分规则。

优选地，所述筛选训练集样本用户的信息中的有效信息的步骤包括：

训练集样本用户中具有某一项信息的用户比例低于第三阈值时，则该项信息为无效信息；否则该项信息为有效信息。

优选地，所述对所述有效信息进行聚类分组的步骤包括：

对所述有效信息进行关联性分析；

将有关联的信息分为一组。

本发明第二个方面还提供一种电子设备，包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的程序，其中所述程序被所述处理器执行时，实现以上智能推荐方法的步骤。

本发明第三个方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，其中所述程序被处理器执行时，实现以上智能推荐方法的步骤。

本发明的有益效果如下：

本发明提供的智能推荐方法使用一种自动建模的方法为友商进行建模，克服了现有技术中存在的字段可变前提下数字建模困难问题；提高了推荐的有效性，避免了流量的浪费。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为本发明实施例设计的终端硬件运行环境的终端结构示意图。

图2为本发明智能推荐方法的流程示意图。

图3为本发明一个实施例中建模方法的示意图。

图4为图3中调取所述样本用户的信息的步骤的细化流程示意图。

图5为图4中根据所述有效样本用户的信息建模获得该渠道的打分规则的步骤的细化流程示意图。

图6为图5中根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型的步骤的细化流程示意图。

图7为图6中所述筛选步骤的细化流程示意图。

图8为KS校验的具体流程示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

本发明的设计思路在于，流量平台在接收到用户的触发信息后，调取获得该用户的信息，然后通过不同渠道各自的打分规则对用户信息进行打分，得到针对不同渠道的分值；最后根据所述分值为用户进行流量分发。本方案的关键之处在于针对不同渠道进行自动建模，得到各自不同的打分规则，而在建模的过程中，由渠道方提供自己的预定数量的样本用户，通过样本用户的信息进行建模，获得针对渠道方各自偏好的用户信息打分规则。在得到了不同渠道的打分规则后，再为用户推荐渠道时就能够更加匹配，避免了流量浪费。

本发明的智能推荐方法实施例的实现终端可以为手机、笔记本电脑、平板等常规的交互平台。

如图1所示，为本发明实施例方案设计到的终端硬件运行环境的终端结构示意图。

本发明实施例中，该终端可以包括处理器、通信总线、用户接口、网络接口、存储器。其中，通信总线用于实现这些组件之间的连接通信；用户接口可以包括显示屏、输入单元比如键盘；网络接口可选的可以包括标准的有线接口、无线接口；存储器可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器，存储器可选的还可以是独立于前述处理器的存储装置。

本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，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。

继续参照图1，图1中作为一种计算机可读存储介质的存储器可以包括操作系统、网络通信模块以及程序。

在图1中，网络通信模块主要用于连接数据库，与数据库进行数据通信；而处理器可以调用存储器中存储的程序，并执行本发明的智能推荐方法。

本发明的智能推荐方法是用于各种流量分发平台，例如网络信贷平台、广告投放系统等。

在其应用于网络信贷平台时，其中的渠道即为各个放贷方，具体流程如图2所示：

S100、获取用户的信息。

本实施例中，为了方便借贷双方进行需求对接，构建了一个流量平台，即第三方信贷平台。贷款友商通过该第三方信贷平台推荐需要借款的用户，在经过第三方信贷平台的初步筛选匹配后获得可能用户，该用户则在该友商进行成功贷款的可能性增大，为友商节省了时间资源、避免了用户流失。同时，由于目前贷款机构以及产品众多，一般普通需要借款的用户无法快速辨别哪款产品或者那种贷款渠道更适合自己，其就可以通过该第三方信贷平台快速为自己匹配推荐合适的贷款渠道，快速方便，并且提高了成功贷款的机率。本发明中所述的用户为需要借款的个人用户或者企业用户，本实施例中以个人用户进行说明。本发明中所述的贷款渠道或者友商可以为银行，也可以为其他的可提供贷款业务的商业机构。

当有借款需求时，用户可登陆该第三方信贷平台，提出贷款请求，一般情况下第三方信贷平台在收到用户的贷款请求后，会进行征信授权，在得到用户的征信授权后，调取获得该用户的信息，包括多种信息来源获得的信息，包括该用户在网络上的各种可查询信息，例如：姓名、性别、年龄、学历、婚姻状况、信用卡信息、职业、所在地址、月收入、月支出、手机入网时间、网购商品种类偏好、网购平台的网购记录等等。另外，在征信授权过程中用户也可根据引导填写提供一些个人信息，伺候第三方信贷平台会根据用户所提供的个人信息进行查询调取用户的其他信息。

S200、使用预先构建的不同渠道即放贷方的打分规则对该用户的信息进行打分，得到针对不同渠道的分值。

本实施例中，第三方信贷平台获取用户的信息后，根据其预先保存的为各个友商建立的打分规则对所获得的用户信息进行打分，获得针对不同放贷方的分值，所得分值即可作为用户与各个放贷方的匹配度，分数越高，用户与友商越匹配，越容易完成交易，获取高额度的贷款，实现价值转化。对于友商来说，用户的分数越高代表了其价值越高。可选的，所述分值可设置为0、1、2、3、4、5、6、7、8、9十个整数。

本实施例中，为友商推荐用户的关键在于前期为友商根据其偏好建模构建的打分规则，该建模方法可适用于各种类型的友商，能自适应推荐产品的数据多样性，对每个渠道产出打分规则。在收到用户的借款请求后，可直接调取获得用户的各种信息，无需对用户信息进行分类筛选处理等，直接调用打分规则库中各个友商的打分规则，对用户信息进行打分。依据分值将用户推荐给合适的友商。

S300、根据所述分值为用户进行流量分发，即推荐放贷方。

该第三方信贷平台得到该用户针对不同贷款渠道的分值，该分值即可作为用户与各个贷款渠道的匹配度，根据该分值向合适的友商推荐该用户，相对应的也是为该用户推荐最为合适的贷款渠道。

进一步的，所述根据所述贷款通过率向用户推荐贷款渠道的步骤可以包括：将各个贷款渠道的链接信息和对应的分值推送给该用户。也可以直接向用户推送得分最高的贷款渠道的链接推送给用户；或者得分前三名的贷款渠道的链接按得分高低的顺序排列推送给用户，也可以附加上各自的得分。推送链接的同时也可以将得分分值转化为贷款通过率显示给用户，供其选择参考。例如：用户王嬷嬷的信息针对渠道A、B、C的得分为8，6，3；那么这名用户在这三家友商中价值转化的概率分别为：80％、60％、30％。

如图3所示，本实施例举例为A渠道进行打分规则建模进行说明，其它渠道相同，所述打分规则的构建步骤包括：

S10、获取A贷款渠道预定数量的样本用户。

在A友商进驻该第三方信贷平台时，平台会使用本发明的建模方法为A友商建模构建打分规则，得到符合A友商偏好的打分规则，从而能够更加有针对性、更加准确的为A友商推荐用户。

为了使得到的打分规则尽可能的满足A友商的偏好，需要A友商在进驻该第三方信贷平台的时候提供预定数量的样本用户，可以为一万个样本用户，以供该第三方信贷平台进行建模。

S20、调取所述样本用户的信息。

该第三方信贷平台根据友商提供的样本用户去调取所述样本用户的各类信息，所谓的各类信息即为在网络上可以查询到的各种信息，包括：姓名、性别、年龄、学历、婚姻状况、信用卡信息、职业、所在地址、月收入、月支出、手机入网时间、网购商品种类偏好、网购平台的网购记录等等。将获得的关于样本用户的各类信息作为建模的基础数据进行建模。

S30、根据所述样本用户的信息建模获得该贷款渠道的打分规则。

进一步的，如图4所示，S20、调取所述样本用户的信息的步骤之后还包括：S21、根据所述样本用户的信息筛选有效样本用户。之后，S30、根据所述有效样本用户的信息建模获得该渠道的打分规则。

在友商提供的样本用户中，由于某些样本用户的信息项数太少，不足以用来作为建模的基础，因此需要进行筛除。具体的，当样本用户的信息项数大于第一阈值时为有效样本用户。例如，当样本用户的信息项数小于五项时，即为无效用户进行剔除。比如只有姓名和性别两项。

进一步的，如图5所示，S30、根据所述有效样本用户的信息建模获得该渠道的打分规则的步骤包括：

S31、将所述有效样本用户分为训练集和测试集；

S32、根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型；

S33、根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整得到所述打分规则。

KS(Kolmogorov-Smirnov)值用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。

进一步的，如图6所示，S32、根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型的步骤包括：

S32-1、筛选训练集样本用户的信息中的有效信息。

在获取的众多信息中，由于信息庞杂，有可能其中一部分并不是A友商所关注的，这部分信息即为无效信息。这就需要将其进行分析并筛除掉无效信息，仅将有效信息作为建模的基础，这么做提高了模型的针对性，能够充分体现A友商的偏好。

进一步的，如图7所示，S32-1、筛选训练集样本用户的信息中的有效信息的步骤包括：

S32-1.1、所述样本用户的信息包括多项信息，判断具有某一项信息的样本用户比例是否高于第三阈值；

S32-1.2、是则筛选出该项信息为有效信息；

S32-1.3、否则该项信息为无效信息，进行筛除。

根据设定的第三阈值，如第三阈值为20％时，1000名用户样本中，具有月支出信息的用户数小于800的话，则月支出为此渠道的无效数据，具有学历信息的用户数大于800的话，则学历信息为此渠道的有效数据。

S32-2、对所述有效信息进行聚类分组。

具体的，所述对所述有效信息进行聚类分组的步骤包括：对所述有效信息进行关联性分析；将关联信息进行分组。如使用多元回归分析，将相关项分为一组。

S32-3、将各组信息进行组内聚类，并设定对应分值。如颗粒度小于100，颗粒度介于100-1000，颗粒度大于1000。再如月收入小于5000，月收入介于5000-10000，月收入大于10000，并对每个聚类段设定对应的分值。

S32-4、对各组信息进行权重，获得A贷款渠道的打分规则模型。

如月收入项的权重为2.0，学历项的权重为1.1，月消费项为1.5等等，最终获得A贷款渠道的打分规则模型。

进一步地，为了检验所构建的打分规则模型是否可靠，S33、根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整。具体如图8所示，包括以下步骤：

S33-1、将测试集样本用户的信息通过所述打分规则模型进行打分；

S33-2、校验该模型的KS值；判断KS值是否小于第二阈值。

S33-3、KS值小于第二阈值时，对所述打分规则模型中的各组信息的权重进行调整；调整后的打分规则模再次重复进行S33-1的步骤；

S33-4、KS值不小于所述第二阈值时，输出模型，得到最终的打分规则。

KS(Kolmogorov-Smirnov)：KS值用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。如A渠道KS的第二阈值为0.4，S42中进行判断时，模型的KS值不满足第二阈值时，即小于0.4时，对模型中的各项打分项权重进行调整进入S43。记录此次KS值如0.21，调整其中一项权重，如年龄，对年龄以步长0.1进行调整，如原来权重为1，现在调整权重为1.1。再次计算KS值，若KS值较现在值大则继续调整，较小则放弃本次调整，对下一有效数据项进行权重调整，直至经过调整后的模型的KS值满足第二阈值，即不小于0.4。

本发明的建模方法能自适应推荐产品的数据多样性，对每个渠道产出推荐打分规则；对任何类型的样本数据都可以兼容，这样就对输入样本的数据的字段类型与数量不做任何的要求。同一个系统，可以直接复用到任何需要进行评估两类事物匹配度的。

再者，由于传统做法是根据具体明确的字段进行建立模型，导致模型很难进行复用，调整起来困难，成本高。本发明由于对字段类型没有要求，可以使得模型建立成本十分低廉，进而可以让任何的没有经过区分的或仅仅进行简单区分的流量得到最大价值的使用。

本方案不仅仅可以应用在信贷平台内，还可以应用在所有流量分发平台(如广告投放系统)，具体的在应用于广告投放系统时，基于用户的触发信息(可以为用户点击进入广告投放系统的网页等动作指令)，获得用户的信息，然后使用以上建模方法预先为各友商即广告投放方构建的打分模型为该用户的信息进行打分，获得的分值即为该用户在各个友商进行价值转化的一个概率体现，最终根据所得分值为该用户进行流量分发，即推送所推荐的广告。用户在看到推送后，可能会点击进入，此时就有可能进行注册、加购、下单等行为，实现价值转化。而此系列行为对应于不同的价值转换。

此外，为实现以上方法，本发明还提供一种电子设备，包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷程序，其中所述信贷程序被所述处理器执行时，实现以上智能推荐方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信贷程序，其中所述信贷程序被处理器执行时，实现以上智能推荐方法的步骤。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种智能推荐方法，其特征在于，该方法的步骤包括：

获取用户的信息；

使用预先构建的不同渠道的打分规则对该用户的信息进行打分，得到针对不同渠道的分值；

根据所述分值为用户进行流量分发；

其中所述打分规则通过如下步骤构建：

获取渠道预定数量的样本用户；

调取所述样本用户的信息；

根据所述样本用户的信息建模获得该渠道的打分规则。

2.根据权利要求1所述的智能推荐方法，其特征在于，所述调取所述样本用户的信息的步骤之后还包括：

根据所述样本用户的信息筛选有效样本用户；

根据所述有效样本用户的信息建模获得该渠道的打分规则。

3.根据权利要求2所述的智能推荐方法，其特征在于，根据所述样本用户的信息筛选有效样本用户的步骤包括：

当样本用户的信息项数大于第一阈值时为有效样本用户。

4.根据权利要求2所述的智能推荐方法，其特征在于，根据所述有效样本用户的信息建模获得该渠道的打分规则的步骤包括：

将所述有效样本用户分为训练集和测试集；

根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型；

根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整得到所述打分规则。

5.根据权利要求4所述的智能推荐方法，其特征在于，所述根据训练集样本用户的信息建模获得该贷款渠道的打分规则模型的步骤包括：

筛选训练集样本用户的信息中的有效信息；

对所述有效信息进行聚类分组；

将各组信息进行组内聚类，并设定对应分值；

对各组信息进行权重，获得该贷款渠道的打分规则模型。

6.根据权利要求4所述的智能推荐方法，其特征在于，所述根据测试集样本用户的信息对所述打分规则模型进行KS值校验，并对所述打分规则模型进行调整得到所述打分规则的步骤包括：

将测试集样本用户的信息通过所述打分规则模型进行打分；

校验该模型的KS值；

当KS值小于第二阈值时，对所述打分规则模型中的各组信息的权重进行调整，直至满足KS值大于等于所述第二阈值，得到最终的打分规则。

7.根据权利要求5所述的智能推荐方法，其特征在于，所述筛选训练集样本用户的信息中的有效信息的步骤包括：

训练集样本用户中具有某一项信息的用户比例低于第三阈值时，则该项信息为无效信息；否则该项信息为有效信息。

8.根据权利要求5所述的智能推荐方法，其特征在于，对所述有效信息进行聚类分组的步骤包括：

对所述有效信息进行关联性分析；

将有关联的信息分为一组。

9.一种电子设备，其特征在于，包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的程序，其中所述程序被所述处理器执行时，实现如权利要求1-8中任一项所述的智能推荐方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有程序，其中所述程序被处理器执行时，实现如权利要求1-8中任一项所述的智能推荐方法。