CN109359812A - 理财产品推荐方法、服务器及计算机可读存储介质 - Google Patents
理财产品推荐方法、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109359812A CN109359812A CN201811024273.4A CN201811024273A CN109359812A CN 109359812 A CN109359812 A CN 109359812A CN 201811024273 A CN201811024273 A CN 201811024273A CN 109359812 A CN109359812 A CN 109359812A
- Authority
- CN
- China
- Prior art keywords
- user
- classification
- result
- risks
- finance product
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 32
- 238000003066 decision tree Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000007774 longterm Effects 0.000 description 9
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种理财产品推荐方法，该方法包括：收集用户的用户资料，所述用户资料包括行为数据、用户属性；根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果；根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果；获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。本发明还提供一种服务器及计算机可读存储介质。本发明提供的理财产品推荐方法、服务器及计算机可读存储介质能够结合用户的风险承受能力以及对资金流动性的需求，为用户提供最佳的理财产品以实现收益最大化。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种理财产品推荐方法、服务器及计算机可读存储介质。
背景技术
我国个人理财行业仍处于快速发展的阶段，大多数用户都通过填写问卷调查来判断自己的风险承受能力，再查找对应的理财产品。因此，存在以下缺点：一方面，用户在填写问卷调查时可能会受到个人心理等因素的影响，因此仅以问卷调查结果并不能准确的描述该用户的风险承受能力，存在极大的不确定性或者不准确度；另一方面，不同用户对于流动性(反映了资金回笼的时间及规模特点，包括：子弹型、阶梯型、期限性和哑铃型，资金的)和收益的需求不同，动态平衡两者间关系比较困难，在众多理财产品中，从风险承受、流动性到收益，如何甄别最合适的产品，对没有投资经验的用户来说比较困难。目前市面上还没有类似产品，根据用户的资产配比以及投资路径，进行资产配比规划。
发明内容
有鉴于此，本发明提出一种理财产品推荐方法、服务器及计算机可读存储介质，以解决用户在面对众多理财产品时的选择问题。
首先，为实现上述目的，本发明提出一种理财产品推荐方法，该方法包括步骤：
收集用户的用户资料；
基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果；
根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果；及
获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。
可选地，所述根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果的步骤具体包括：
(a)根据有效用户资料建立样本集；
(b)从所述样本集中通过重采样的方式产生n个特征样本，每个特征样本中特征分量的个数为a，决策树的个数为m，每个决策树的决策特征的个数为k；
(c)使用Bagging算法对n个特征样本取样m次，得到m个特征集合；
(d)对每一个随机树随机选取一个特征集合，并对该决策树进行评估及误差分析，对于树中的每一个节点，随机选择k个基于此点的特征分量，并针对不同类别的特征样本，赋予不同的权值以寻找最佳的分割方式；
(e)根据分类效果最好的特征节点将节点划分为两个分支，再递归调用步骤(d)直到这棵树能够准确分类训练样本集，或所有属性都已经被使用过；
(f)重复所述步骤(c)-(e)，直到建立了全部m棵决策树，以生成随机森林；
(g)将获取的所述用户资料作为自变量输入所述随机森林模型；
(h)采用多数投票的方法来综合决定多个决策树的分类结果，即得到了基于随机森林模型的风险分类结果。具体的，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率。
可选地，在基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果后，还可以包括步骤：
将所述风险分类结果转换为连续性分数。
可选地，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率，所述将所述风险分类结果转换为连续性分数的步骤具体包括：
获取所述森林模型的每一分类结果及每一分类结果对应的分类结果概率；
设置所述森林模型的风险分类结果与映射分数的映射关系；
在映射分数基础上结合分类结果概率得到所述连续性分数。
可选地，所述根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果的步骤具体包括：
根据所述用户资料，获取所述用户的历史购买记录；
分析所述历史购买记录，以得到每一订单的产品期限信息；
根据所述每一订单的产品期限信息，确定所述用户的流动性定位结果。
此外，为实现上述目的，本发明还提供一种服务器，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的理财产品推荐系统，所述理财产品推荐系统被所述处理器执行时实现如上述的理财产品推荐方法的步骤。
进一步地，为实现上述目的，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存储有理财产品推荐系统，所述理财产品推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的理财产品推荐方法的步骤。
相较于现有技术，本发明所提出的理财产品推荐方法、服务器及计算机可读存储介质，可以通过收集用户的行为数据、用户属性，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果，然后根据所述用户的历史购买记录对所述用户进行流动性定位，得到所述用户的流动性定位结果并将所述风险分类结果转换为连续性分数，最后获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。本发明将用户的风险承受能力以及对资金流动性的需求相结合，利用了国际广泛认可的证券投资策论理论以及业内首创的流动性偏好模型，根据用户的投资历史将用户划分为不同的理财类型，并针对各类型的用户制定了一套专属的理财规划建议，这份建议根据用户现有的理财结构进行“空缺补足”,从而帮助用户实现风险、流动性及收益的共赢最大化。
附图说明
图1是本发明服务器一可选的硬件架构的示意图；
图2是本发明理财产品推荐系统第一实施例的程序模块示意图；
图3是本发明理财产品推荐系统第二实施例的程序模块示意图；
图4是本发明理财产品推荐方法第一实施例的流程示意图；
图5是本发明理财产品推荐方法第二实施例的流程示意图；
图6是本发明理财产品推荐方法第三实施例的流程示意图；
图7是本发明理财产品推荐方法第四实施例的流程示意图。
附图标记：
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
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明服务器2一可选的硬件架构的示意图。
本实施例中，所述服务器2可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-13的服务器2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述服务器2的内部存储单元，例如该服务器2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述服务器2的外部存储设备，例如该服务器2上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述服务器2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述服务器2的操作系统和各类应用软件，例如理财产品推荐系统200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述服务器2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述的理财产品推荐系统200等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述服务器2与其他电子设备之间建立通信连接。
至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。
首先，本发明提出一种理财产品推荐系统200。
参阅图2所示，是本发明理财产品推荐系统200第一实施例的程序模块图。
本实施例中，所述理财产品推荐系统200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的理财产品推荐操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，理财产品推荐系统200可以被划分为一个或多个模块。例如，在图2中，所述理财产品推荐系统200可以被分割成收集模块201、风险分类模块202、流动性定位模块203及推荐模块204。其中：
所述收集模块201，用于收集用户的用户资料，所述用户资料包括行为数据、用户属性。
在一实施例中，所述收集模块201可以从应用软件中获取所述用户资料。所述应用软件可以为一账通APP。
具体地，所述用户属性包括性别、年龄、消费水平、收入水平、投资经验、注册天数。
所述行为数据包括用户在移动终端上的操作记录，具体的，包括用户在一账通APP上的用户操作记录，所述操作记录可以包括点击操作，浏览操作，消费记录。
所述风险分类模块202，用于根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果。
具体地，所述风险分类结果可以包括保守型、稳健型、平衡型、成长型及激进型。
所述有效用户资料为已收集的多组用户的用户资料及对应的风险分类结果，其中，所述用户资料中包括性别、年龄、消费水平、收入水平、投资经验、注册天数、点击操作，浏览操作，消费记录等特征作为样本集的自变量，所述风险分类结果作为样本集的因变量。
进一步的，所述风险分类模块202对所述用户进行风险能力分类以得到所述用户的风险分类结果的步骤包括：
随机森林模型训练过程：
(a)根据有效用户资料建立样本集；
(b)从所述样本集中通过重采样的方式产生n个特征样本，每个特征样本中特征分量的个数为a，决策树的个数为m，每个决策树的决策特征的个数为k；
(c)使用Bagging算法对n个特征样本取样m次，得到m个特征集合；
(d)对每一个随机树随机选取一个特征集合，并对该决策树进行评估及误差分析，对于树中的每一个节点，随机选择k个基于此点的特征分量，并针对不同类别的特征样本，赋予不同的权值以寻找最佳的分割方式；
(e)根据分类效果最好的特征节点将节点划分为两个分支，再递归调用步骤(d)直到这棵树能够准确分类训练样本集，或所有属性都已经被使用过；
(f)重复步骤(c)-(e)，直到建立了全部m棵决策树，以生成随机森林模型。
随机森林模型的预测过程：
(g)将获取的所述用户资料(包括性别、年龄、消费水平、收入水平、投资经验、注册天数、点击操作，浏览操作，消费记录)作为自变量输入所述随机森林模型；
(h)采用多数投票的方法来综合决定多个决策树的分类结果，即得到了基于随机森林模型的风险分类结果。具体的，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率。
在一具体实施例中，所述风险包括：所述用户为第一分类结果(保守型)的概率为a，所述用户为第二分类结果(稳健型)的概率为b，所述用户为第三分类结果(平衡型)的概率为c，所述用户为第四分类结果(成长型)的概率为d，所述用户为第五分类结果(激进型)的概率为e。
所述流动性定位模块203，用于根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果。
具体地，所述流动性定位结果包括子弹型、阶梯型、期限性和哑铃型。其中，所述哑铃型用于表示重点投资于期限较短的理财产品和期限较长的理财产品，弱化中期债的投资的用户类型；所述子弹型用于表示偿还期限高度集中于收益率曲线上的某一点的用户类型；所述阶梯型用于表示长期、中期、短期理财产品所占的比重基本一致的用户类型；所述期限型用于表示只偏好于长期、中期、短期理财产品中其中一种的用户类型。
在一实施例中，所述对所述用户进行流动性定位的步骤进一步包括：
根据所述用户的用户资料，获取所述用户的历史购买记录。其中，所述用户资料可以包括所述用户的用户名、注册邮箱、注册手机号及身份证号。所述历史购买记录为金融产品的购买订单，所述购买订单可以通过所述用户的用户名、注册邮箱、注册手机号及身份证号在各个金融系统中查找相关订单。在一实施例中，当所述用户的购买订单的订单数少于1笔时，提示用户对自己的流动性进行自我评价，通过交互界面获取用户的流动性自我评价信息并作为流动性定位结果。
分析所述历史购买记录，以得到每一订单的产品期限信息。所述产品期限信息包括到期日、起息日及期限长短(短期产品、中期产品、长期产品)。
根据所述每一订单的产品期限信息，确定所述用户的流动性定位结果。在一实施例中，当所述每一订单的到期日集中在30天内且起息日不集中在30天内时，确定所述用户的流动性定位结果为子弹型；当所述用户的多个订单中包含长期和短期产品但不包含中期产品时，确定所述用户的流动性定位结果为哑铃型；当所述用户的多个订单中只包含短期产品时，确定所述用户的流动性定位结果为期限型(偏好短期)；当所述用户的多个订单中只包含中期产品时，确定所述用户的流动性定位结果为期限型(偏好中期)；当所述用户的多个订单中只包含长期产品时，确定所述用户的流动性定位结果为期限型(偏好长期)；当不满足上述判断逻辑时，确定所述用户的流动性定位结果为阶梯型。
所述推荐模块204用于获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。
所述起投额可以通过用户资料得到，即通过获取用户的收入水平、消费水平及消费记录计算得到。在另一实施例中，可以通过用户在APP上的交互输入得到。
在一实施例中，根据所述风险分类结果与所述流动性定位结果为所述用户提供连续6个月的理财建议。
在一具体实施例中，若现在有一用户B，性别男，年龄50，收入水平年薪10-24万，月均消费水平5000-1万，偏好投资期限为0-3个月，投资经验为1-3年，主要投资有保本有收益的理财，平均每天会在一账通APP上活跃一次，持仓天数为180天，偏好活期产品，不偏好定期产品，通过随机森林模型预测出，用户B的风险承受能力为平衡型，适合购买风险度中等的理财产品。根据用户B历史的交易记录看出，用户B大部分资金用于投资短期理财产品，少部分资金用于投资定期理财产品，推测出用户B为哑铃型用户。根据用户B当前持有的理财产品配置，结合用户B当前可用于投资的金额为2万元，建议用户B投资风险程度中等的短期理财产品。
参阅图3所示，是本发明理财产品推荐系统200第二实施例的程序模块图。本实施例中，所述的理财产品推荐系统200除了包括第一实施例中的收集模块201、风险分类模块202、流动性定位模块203、推荐模块204之外，还包括转换模块205。
所述转换模块205用于将所述风险分类结果转换为连续性分数。所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率。
具体的，所述将所述风险分类结果转换为连续性分数的步骤具体包括：
(1)获取所述森林模型的每一分类结果及每一分类结果对应的分类结果概率，风险分类结果可以包括保守型(概率为a)、稳健型(概率为b)、平衡型(概率为c)、成长型(概率为d)及激进型(概率为e)。
(2)设置所述森林模型的风险分类结果与映射分数的映射关系；
(3)在映射分数基础上结合分类结果概率得到所述连续性分数。
具体的，所述连续性分数P的计算方式如下：
其中，将每一分类结果中概率最大的分类结果作为当前分类结果，ave_left_pro为当前分类结果左边各级的平均概率，ave_right_pro为当前分类结果右侧各级的平均概率，cur_pro为当前分类结果的概率。
在一实施例中，某用户随机森林输出结果为3级，映射到的分数p＝5，模型预测各级概率为a＝0.1，b＝0.1，c＝0.4，d＝0.2，e＝0.2，预测级别左侧概率均值ave_left_pro＝(a+b)/2＝0.1，右侧概率均值ave_right_pro＝(d+e)/2＝0.2，该用户的连续性分数为：
在进一步的实施例中，当所述用户的风险分类结果为5级，且在该等级的分类结果概率e≥0.5时，所述用户的连续性分数P按照下表得到：
| 分类结果概率e | [0.5,0.6) | [0.6,0.7) | [0.7,0.8) | [0.8,1] |
| 连续性分数P | 9.2 | 9.5 | 9.8 | 10 |
此外，本发明还提出一种理财产品推荐方法。
参阅图4所示，是本发明理财产品推荐方法第一实施例的流程示意图。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S400，收集用户的用户资料，所述用户资料包括行为数据、用户属性。
在一实施例中，所述收集模块201可以从应用软件中获取所述用户资料。所述应用软件可以为一账通APP。
具体地，所述用户属性包括性别、年龄、消费水平、收入水平、投资经验、注册天数。
所述行为数据包括用户在移动终端上的操作记录，具体的，包括用户在一账通APP上的用户操作记录，所述操作记录可以包括点击操作，浏览操作，消费记录。
步骤S402，根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果。
具体地，所述风险分类结果可以包括保守型、稳健型、平衡型、成长型及激进型。
所述有效用户资料为已收集的多组用户的用户资料及对应的风险分类结果，其中，所述用户资料中包括性别、年龄、消费水平、收入水平、投资经验、注册天数、点击操作，浏览操作，消费记录等特征作为样本集的自变量，所述风险分类结果作为样本集的因变量。
进一步的，所述对所述用户进行风险能力分类以得到所述用户的风险分类结果的具体步骤将在本发明理财产品推荐方法的第二实施例(图5)进行详述。
步骤S404，根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果
具体地，所述流动性定位结果包括子弹型、阶梯型、期限性和哑铃型。其中，所述哑铃型用于表示重点投资于期限较短的理财产品和期限较长的理财产品，弱化中期债的投资的用户类型；所述子弹型用于表示偿还期限高度集中于收益率曲线上的某一点的用户类型；所述阶梯型用于表示长期、中期、短期理财产品所占的比重基本一致的用户类型；所述期限型用于表示只偏好于长期、中期、短期理财产品中其中一种的用户类型。
进一步的，所述对所述用户进行流动性定位的具体步骤将在本发明理财产品推荐方法的第三实施例(图6)进行详述。
步骤S406，获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。
所述起投额可以通过用户资料得到，即通过获取用户的收入水平、消费水平及消费记录计算得到。在另一实施例中，可以通过用户在APP上的交互输入得到。
在一实施例中，根据所述风险分类结果与所述流动性定位结果为所述用户提供连续6个月的理财建议。
在一具体实施例中，若现在有一用户B，性别男，年龄50，收入水平年薪10-24万，月均消费水平5000-1万，偏好投资期限为0-3个月，投资经验为1-3年，主要投资有保本有收益的理财，平均每天会在一账通APP上活跃一次，持仓天数为180天，偏好活期产品，不偏好定期产品，通过随机森林模型预测出，用户B的风险承受能力为平衡型，适合购买风险度中等的理财产品。根据用户B历史的交易记录看出，用户B大部分资金用于投资短期理财产品，少部分资金用于投资定期理财产品，推测出用户B为哑铃型用户。根据用户B当前持有的理财产品配置，结合用户B当前可用于投资的金额为2万元，建议用户B投资风险程度中等的短期理财产品。
如图5所示，是本发明理财产品推荐方法的第二实施例的流程示意图。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
在本实施例中，所述对所述用户进行风险能力分类以得到所述用户的风险分类结果的步骤，具体包括：
随机森林模型训练过程：S500、根据有效用户资料建立样本集；
S502、从所述样本集中通过重采样的方式产生n个特征样本，每个特征样本中特征分量的个数为a，决策树的个数为m，每个决策树的决策特征的个数为k；
S504、使用Bagging算法对n个特征样本取样m次，得到m个特征集合；
S506、对每一个随机树随机选取一个特征集合，并对该决策树进行评估及误差分析，对于树中的每一个节点，随机选择k个基于此点的特征分量，并针对不同类别的特征样本，赋予不同的权值以寻找最佳的分割方式；
S508、根据分类效果最好的特征节点将节点划分为两个分支，再递归调用S506直到这棵树能够准确分类训练样本集，或所有属性都已经被使用过；
S510、重复S504-S508，直到建立了全部m棵决策树，以生成随机森林模型；
随机森林模型的预测过程：
S512、将获取的所述用户资料(包括性别、年龄、消费水平、收入水平、投资经验、注册天数、点击操作，浏览操作，消费记录)作为自变量输入所述随机森林模型。
S514、采用多数投票的方法来综合决定多个决策树的分类结果，即得到了基于随机森林模型的风险分类结果。具体的，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率。
在一具体实施例中，所述风险包括：所述用户为第一分类结果(保守型)的概率为a，所述用户为第二分类结果(稳健型)的概率为b，所述用户为第三分类结果(平衡型)的概率为c，所述用户为第四分类结果(成长型)的概率为d，所述用户为第五分类结果(激进型)的概率为e。
如图6所示，是本发明理财产品推荐方法的第三实施例的流程示意图。。在本实施例中，根据不同的需求，图6所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
在本实施例中，所述对所述用户进行流动性定位的步骤，具体包括：
S600、根据所述用户的用户资料，获取所述用户的历史购买记录。
其中，所述用户资料可以包括所述用户的用户名、注册邮箱、注册手机号及身份证号。所述历史购买记录为金融产品的购买订单，所述购买订单可以通过所述用户的用户名、注册邮箱、注册手机号及身份证号在各个金融系统中查找相关订单。在一实施例中，当所述用户的购买订单的订单数少于1笔时，提示用户对自己的流动性进行自我评价，通过交互界面获取用户的流动性自我评价信息并作为流动性定位结果。
S602、分析所述历史购买记录，以得到每一订单的产品期限信息。
所述产品期限信息包括到期日、起息日及期限长短(短期产品、中期产品、长期产品)。
S604、根据所述每一订单的产品期限信息，确定所述用户的流动性定位结果。
在一实施例中，当所述每一订单的到期日集中在30天内且起息日不集中在30天内时，确定所述用户的流动性定位结果为子弹型；当所述用户的多个订单中包含长期和短期产品但不包含中期产品时，确定所述用户的流动性定位结果为哑铃型；当所述用户的多个订单中只包含短期产品时，确定所述用户的流动性定位结果为期限型(偏好短期)；当所述用户的多个订单中只包含中期产品时，确定所述用户的流动性定位结果为期限型(偏好中期)；当所述用户的多个订单中只包含长期产品时，确定所述用户的流动性定位结果为期限型(偏好长期)；当不满足上述判断逻辑时，确定所述用户的流动性定位结果为阶梯型。
如图7所示，是本发明理财产品推荐方法的第四实施例的流程示意图。本实施例中，所述理财产品推荐方法的步骤S700-S702与第一实施例的步骤S400-S402相类似，区别在于该方法还包括步骤S704-S708。
所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率。
步骤S704、获取所述森林模型的每一分类结果及每一分类结果对应的分类结果概率，风险分类结果可以包括保守型(概率为a)、稳健型(概率为b)、平衡型(概率为c)、成长型(概率为d)及激进型(概率为e)；
步骤S706、设置所述森林模型的风险分类结果与映射分数的映射关系；
步骤S708、在映射分数基础上结合分类结果概率得到所述连续性分数。
具体的，所述连续性分数P的计算方式如下：
其中，将每一分类结果中概率最大的分类结果作为当前分类结果，ave_left_pro为当前分类结果左边各级的平均概率，ave_right_pro为当前分类结果右侧各级的平均概率，cur_pro为当前分类结果的概率。
在一实施例中，某用户随机森林输出结果为3级，映射到的分数p＝5，模型预测各级概率为a＝0.1，b＝0.1，c＝0.4，d＝0.2，e＝0.2，预测级别左侧概率均值ave_left_pro＝(a+b)/2＝0.1，右侧概率均值ave_right_pro＝(d+e)/2＝0.2，该用户的连续性分数为：
在进一步的实施例中，当所述用户的风险分类结果为5级，且在该等级的分类结果概率e≥0.5时，所述用户的连续性分数P按照下表得到：
| 分类结果概率e | [0.5,0.6) | [0.6,0.7) | [0.7,0.8) | [0.8,1] |
| 连续性分数P | 9.2 | 9.5 | 9.8 | 10 |
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)
1.一种理财产品推荐方法，应用于服务器，其特征在于，所述方法包括步骤：
收集用户的用户资料；
根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果；
根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果；及
获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。
2.如权利要求1所述的理财产品推荐方法，其特征在于，所述根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果的步骤具体包括：
(a)根据有效用户资料建立样本集，；
(b)从所述样本集中通过重采样的方式产生n个特征样本，每个特征样本中特征分量的个数为a，决策树的个数为m，每个决策树的决策特征的个数为k；
(c)使用Bagging算法对n个特征样本取样m次，得到m个特征集合；
(d)对每一个随机树随机选取一个特征集合，并对该决策树进行评估及误差分析，对于树中的每一个节点，随机选择k个基于此点的特征分量，并针对不同类别的特征样本，赋予不同的权值以寻找最佳的分割方式；
(e)根据分类效果最好的特征节点将节点划分为两个分支，再递归调用步骤(d)直到这棵树能够准确分类训练样本集，或所有属性都已经被使用过；
(f)重复所述步骤(c)-(e)，直到建立了全部m棵决策树，以生成随机森林；
(g)将获取的所述用户资料作为自变量输入所述随机森林模型；
(h)采用多数投票的方法来综合决定多个决策树的分类结果，即得到了基于随机森林模型的风险分类结果。
3.如权利要求1所述的理财产品推荐方法，其特征在于，在基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果后，还可以包括步骤：
将所述风险分类结果转换为连续性分数。
4.如权利要求3所述的理财产品推荐方法，其特征在于，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率，所述将所述风险分类结果转换为连续性分数的步骤具体包括：
获取所述森林模型的每一分类结果及每一分类结果对应的分类结果概率；
设置所述森林模型的风险分类结果与映射分数的映射关系；
在映射分数基础上结合分类结果概率得到所述连续性分数。
5.如权利要求1所述的理财产品推荐方法，其特征在于，所述根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果的步骤具体包括：
根据所述用户资料，获取所述用户的历史购买记录；
分析所述历史购买记录，以得到每一订单的产品期限信息；
根据所述每一订单的产品期限信息，确定所述用户的流动性定位结果。
6.一种服务器，其特征在于，所述服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的理财产品推荐系统，所述理财产品推荐系统被所述处理器执行时实现如下步骤：
收集用户的用户资料；
根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果；
根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果；及
获取所述用户的起投额，结合所述风险分类结果与所述流动性定位结果，推荐适合用户的投资产品。
7.如权利要求6所述的服务器，其特征在于，所述根据有效用户资料建立样本集，基于随机森林模型对所述用户进行风险能力分类，得到所述用户的风险分类结果的步骤具体包括：
(a)根据根据有效用户资料建立样本集，资料建立样本集；
(b)从所述样本集中通过重采样的方式产生n个特征样本，每个特征样本中特征分量的个数为a，决策树的个数为m，每个决策树的决策特征的个数为k；
(c)使用Bagging算法对n个特征样本取样m次，得到m个特征集合；
(d)对每一个随机树随机选取一个特征集合，并对该决策树进行评估及误差分析，对于树中的每一个节点，随机选择k个基于此点的特征分量，并针对不同类别的特征样本，赋予不同的权值以寻找最佳的分割方式；
(e)根据分类效果最好的特征节点将节点划分为两个分支，再递归调用步骤(d)直到这棵树能够准确分类训练样本集，或所有属性都已经被使用过；
(f)重复所述步骤(c)-(e)，直到建立了全部m棵决策树，以生成随机森林；
(g)将获取的所述用户资料作为自变量输入所述随机森林模型；
(h)采用多数投票的方法来综合决定多个决策树的分类结果，即得到了基于随机森林模型的风险分类结果。
8.如权利要求6所述的服务器，其特征在于，所述风险分类结果包括每一分类结果及每一分类结果对应的分类结果概率，所述将所述风险分类结果转换为连续性分数的步骤具体包括：
获取所述森林模型的每一分类结果及每一分类结果对应的分类结果概率；
设置所述森林模型的风险分类结果与映射分数的映射关系；
在映射分数基础上结合分类结果概率得到所述连续性分数。
9.如权利要求6所述的服务器，其特征在于，所述根据所述用户资料对所述用户进行流动性定位，得到所述用户的流动性定位结果的步骤具体包括：
根据所述用户资料，获取所述用户的历史购买记录；
分析所述历史购买记录，以得到每一订单的产品期限信息；
根据所述每一订单的产品期限信息，确定所述用户的流动性定位结果。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有理财产品推荐系统，所述理财产品推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-5中任一项所述的理财产品推荐方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024273.4A CN109359812A (zh) | 2018-09-04 | 2018-09-04 | 理财产品推荐方法、服务器及计算机可读存储介质 |
| PCT/CN2018/123581 WO2020048051A1 (zh) | 2018-09-04 | 2018-12-25 | 理财产品推荐方法、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024273.4A CN109359812A (zh) | 2018-09-04 | 2018-09-04 | 理财产品推荐方法、服务器及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109359812A true CN109359812A (zh) | 2019-02-19 |
Family
ID=65350634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811024273.4A Pending CN109359812A (zh) | 2018-09-04 | 2018-09-04 | 理财产品推荐方法、服务器及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109359812A (zh) |
| WO (1) | WO2020048051A1 (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009503A (zh) * | 2019-04-03 | 2019-07-12 | 平安信托有限责任公司 | 理财产品推荐方法、装置、计算机设备及存储介质 |
| CN110070261A (zh) * | 2019-03-12 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 消费风险预警方法、装置及计算机可读存储介质 |
| CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN110134862A (zh) * | 2019-04-17 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品信息展示方法、装置、计算机设备和存储介质 |
| CN110502691A (zh) * | 2019-07-05 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于客户分类的产品推送方法、装置及可读存储介质 |
| CN111242723A (zh) * | 2020-01-02 | 2020-06-05 | 平安科技（深圳）有限公司 | 用户子女情况判断方法、服务器及计算机可读存储介质 |
| WO2020177477A1 (zh) * | 2019-03-07 | 2020-09-10 | 阿里巴巴集团控股有限公司 | 一种信用服务推荐方法、装置及设备 |
| CN112926909A (zh) * | 2019-12-05 | 2021-06-08 | 株式会社日立大厦系统 | 需求量计划系统和需求量计划方法 |
| CN113112343A (zh) * | 2021-04-16 | 2021-07-13 | 上海同态信息科技有限责任公司 | 基于Random Forest神经网络的金融风险评估方法 |
| CN113628748A (zh) * | 2021-08-16 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 用户风险承受倾向的评估方法、装置、设备及存储介质 |
| CN115511569A (zh) * | 2022-10-09 | 2022-12-23 | 湖南工商大学 | 一种金融风险监控装置和方法 |
| CN116091233A (zh) * | 2023-03-22 | 2023-05-09 | 大有期货有限公司 | 一种实时报价场外期权业务电子化管理系统 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179037B (zh) * | 2019-12-31 | 2023-07-25 | 中国银行股份有限公司 | 理财产品的推荐方法及装置 |
| CN111581516B (zh) * | 2020-05-11 | 2024-04-12 | 中国银行股份有限公司 | 投资产品的推荐方法及相关装置 |
| CN112017060B (zh) * | 2020-07-15 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 为目标用户进行资源分配的方法、装置及电子设备 |
| CN112053244B (zh) * | 2020-09-02 | 2023-09-08 | 中国银行股份有限公司 | 信息处理方法、装置以及服务器 |
| CN112200537B (zh) * | 2020-09-30 | 2024-02-02 | 中国银行股份有限公司 | 一种产品确认方法及系统 |
| CN113240472B (zh) * | 2021-05-19 | 2024-02-02 | 深圳索信达数据技术有限公司 | 理财产品推荐方法、电子设备及存储介质 |
| CN113554463A (zh) * | 2021-07-21 | 2021-10-26 | 中国农业银行股份有限公司南海分行 | 一种资金流向的分析方法及其分析系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358530A (zh) * | 2017-08-17 | 2017-11-17 | 杭州铜板街互联网金融信息服务有限公司 | 理财产品推荐方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030097292A1 (en) * | 1999-09-30 | 2003-05-22 | Christopher L Bernard | System and method for stability analysis of profitability of target markets for goods or services |
| CN105095588B (zh) * | 2015-08-05 | 2018-07-03 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
| CN107436866A (zh) * | 2016-05-25 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 理财产品的推荐方法及装置 |
| CN107871282A (zh) * | 2017-11-29 | 2018-04-03 | 上海壹账通金融科技有限公司 | 理财产品购买方法、装置、设备及可读存储介质 |
-
2018
- 2018-09-04 CN CN201811024273.4A patent/CN109359812A/zh active Pending
- 2018-12-25 WO PCT/CN2018/123581 patent/WO2020048051A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358530A (zh) * | 2017-08-17 | 2017-11-17 | 杭州铜板街互联网金融信息服务有限公司 | 理财产品推荐方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020177477A1 (zh) * | 2019-03-07 | 2020-09-10 | 阿里巴巴集团控股有限公司 | 一种信用服务推荐方法、装置及设备 |
| CN110070261A (zh) * | 2019-03-12 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 消费风险预警方法、装置及计算机可读存储介质 |
| CN110009503A (zh) * | 2019-04-03 | 2019-07-12 | 平安信托有限责任公司 | 理财产品推荐方法、装置、计算机设备及存储介质 |
| CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN110134862A (zh) * | 2019-04-17 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品信息展示方法、装置、计算机设备和存储介质 |
| CN110502691A (zh) * | 2019-07-05 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于客户分类的产品推送方法、装置及可读存储介质 |
| CN112926909A (zh) * | 2019-12-05 | 2021-06-08 | 株式会社日立大厦系统 | 需求量计划系统和需求量计划方法 |
| CN111242723A (zh) * | 2020-01-02 | 2020-06-05 | 平安科技（深圳）有限公司 | 用户子女情况判断方法、服务器及计算机可读存储介质 |
| CN111242723B (zh) * | 2020-01-02 | 2020-09-15 | 平安科技（深圳）有限公司 | 用户子女情况判断方法、服务器及计算机可读存储介质 |
| CN113112343A (zh) * | 2021-04-16 | 2021-07-13 | 上海同态信息科技有限责任公司 | 基于Random Forest神经网络的金融风险评估方法 |
| CN113628748A (zh) * | 2021-08-16 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 用户风险承受倾向的评估方法、装置、设备及存储介质 |
| CN115511569A (zh) * | 2022-10-09 | 2022-12-23 | 湖南工商大学 | 一种金融风险监控装置和方法 |
| CN116091233A (zh) * | 2023-03-22 | 2023-05-09 | 大有期货有限公司 | 一种实时报价场外期权业务电子化管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020048051A1 (zh) | 2020-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359812A (zh) | 理财产品推荐方法、服务器及计算机可读存储介质 | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
| CN103927615B (zh) | 将实体与类别相关联 | |
| CN106875206A (zh) | 信息获取、评估、问卷调查方法、装置及服务器 | |
| CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
| CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
| CN110162566A (zh) | 业务数据的关联分析方法、装置、计算机设备及存储介质 | |
| CN105744005A (zh) | 客户定位分析方法及服务器 | |
| CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN110310114A (zh) | 对象分类方法、装置、服务器及存储介质 | |
| CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
| CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
| CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
| CN108572988A (zh) | 一种房产评估数据生成方法和装置 | |
| US20230153845A1 (en) | System and method for generating custom data models for predictive forecasting | |
| CN114547475A (zh) | 一种资源推荐方法、装置及系统 | |
| CN108537635A (zh) | 一种产品的推荐方法及装置 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
| CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
| CN116402546A (zh) | 店铺风险归因方法及其装置、设备、介质、产品 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190219 |
|
| WD01 | Invention patent application deemed withdrawn after publication |