CN109447728A - 金融产品推荐方法、装置、计算机设备及存储介质 - Google Patents
金融产品推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109447728A CN109447728A CN201811044293.8A CN201811044293A CN109447728A CN 109447728 A CN109447728 A CN 109447728A CN 201811044293 A CN201811044293 A CN 201811044293A CN 109447728 A CN109447728 A CN 109447728A
- Authority
- CN
- China
- Prior art keywords
- client
- financial product
- matching degree
- customer
- classification
- 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 37
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000007630 basic procedure Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种金融产品推荐的方法、装置、计算机设备及存储介质，包括下述步骤：通过将客户信息与各类客户特征进行相似度比对，确定客户属于相似度最大的客户类别，计算金融产品与各类客户之间的匹配度，当匹配度大于预设阈值时，将所述金融产品推荐给所述客户。其中金融产品与各类客户之间匹配度，通过经过历史投资记录训练后的BP神经网络模型来计算。投资机构在开发一种新的金融产品后，可以快速投放与之匹配的客户群。客户在进行投资理财时，投资机构也可以有针对性的向客户推荐合适的金融产品。客户分类及金融产品与客户之间的匹配度均基于历史数据的分析，使这种推荐方式更精准更智能。
Description
技术领域
本发明涉及金融投资领域。尤其涉及一种金融产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网和大数据的兴趣，金融业也蓬勃发展，涌现出很多新的投、融资平台，金融投资产品也越来越丰富，人们通过互联网购买金融投资产品也越来越方便。但是，金融投资产品的投资标的、投资周期、投资额度、预期收益率、风险等级等属性各不相同。客户的自身的投资金额、风险承受能力、投资偏好、收益预期等属性也各不相同。客户在投资理财时，由于金融投资产品和客户之间缺少高效匹配的手段，客户很难高效的从众多的金融产品中挑选满足自己要求的产品。发售金融投资产品的机构也不能高效的识别目标客户群。
发明内容
为解决金融产品与客户高效匹配的问题，本发明提出一种金融产品推荐方法。
包括如下步骤：
获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；
将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；
将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
可选地，所述获取客户所属的客户类别的步骤还包括：
获取客户信息；
将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别。
可选地，所述将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别的步骤还包括：
获取各客户类别的特征；
依次计算所述客户信息与各客户类别特征之间的相似度；
确认所述相似度最大值对应的客户类别为所述客户所属的客户类别。
可选地，所述获取各客户类别的特征步骤还包括：
获取历史客户信息集；
将所述历史客户信息集输入到预设的聚类特征提取模型中，确定所述各客户类别的特征。
可选地，所述聚类特征提取模型包括准则函数，所述聚类特征提取模型的准则函数特征描述为：
其中，E是所述历史客户信息集的平方误差的总和，p是所述历史客户信息集的点，mi是所述客户类别Ci的平均值，当E小于预设的阈值时，对应的mi为所述各客户类别的特征。
可选地，所述将所述客户类别输入到预设的第一匹配度模型中，确定金融产品与所述客户类别的匹配度的步骤之前还包括：
获取金融产品信息；
将所述金融产品信息输入到第二匹配度模型中，确定所述金融产品与各客户类别的匹配度。
可选地，所述第二匹配度模型采用的BP神经网络模型。
为解决上述问题，本发明还提供一种金融产品推荐装置，包括：
获取模块，用于获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；
处理模块，用于将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；
执行模块，用于将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
可选地，所述金融产品推荐装置还包括：
第一获取子模块，用于获取客户信息；
第一处理子模块，用于将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别；
可选地，所述金融产品推荐装置还包括：
第二获取子模块，用于获取各客户类别的特征；
第二处理子模块，用于依次计算所述客户信息与各客户类别特征之间的相似度
第一确认子模块，用于确认所述相似度最大值对应的客户类别为所述客户所属的客户类别。
可选地，所述金融产品推荐装置还包括：
第三获取子模块，用于获取历史客户信息集；
第三处理子模块，用于将所述历史客户信息集输入到预设的聚类特征提取模型中，确定所述各客户类别的特征。
可选地，所述预设的聚类特征提取模型包括准则函数，所述聚类特征提取模型的准则函数特征描述为：
其中，E是所述历史客户信息集的平方误差的总和，p是所述历史客户信息集的点，mi是所述客户类别Ci的平均值，当E小于预设的阈值时，对应的mi为所述各客户类别的特征。
可选地，所述金融产品推荐装置还包括：
第四获取子模块，获取金融产品信息；
第四处理子模块，将所述金融产品信息输入到第二匹配度模型中，确定所述金融产品与各客户类别的匹配度。
可选地，所述第二匹配度模型采用BP神经网络模型。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述金融产品推荐方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述金融产品推荐方法的步骤。
本发明实施例的有益效果为：通过将客户信息与各类客户特征进行相似度比对，确定客户属于相似度最大的客户类别，其中，各类客户的特征通过对历史数据进行聚类特征提取得到，计算金融产品与各类客户之间的匹配度，当匹配度大于预设阈值时，将所述金融产品推荐给所述客户。其中金融产品与各类客户之间匹配度，通过经过历史投资记录训练后的BP神经网络模型来计算。投资机构在开发一种新的金融产品后，可以快速投放与之匹配的客户群。客户在进行投资理财时，投资机构也可以有针对性的向客户推荐合适的金融产品。客户分类及金融产品与客户之间的匹配度均基于历史数据的分析，使这种推荐方式更精准更智能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例金融产品推荐方法基本流程示意图；
图2为本发明实施例确定客户所属客户类别流程示意图；
图3为本发明实施例客户信息收集示意图；
图4为本发明实施例根据相似度判断所属客户类别流程示意图；
图5为本发明实施例各客户类别特征提取流程示意图；
图6为本发明实施例金融产品与客户类别匹配度计算流程示意图；
图7为本发明实施例金融产品推荐装置基本结构框图；
图8为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅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
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本实施方式中的客户终端即为上述的终端。
具体地，请参阅图1，图1为本实施例金融产品推荐方法的基本流程示意图。
如图1所示，金融产品推荐方法包括以下步骤：
S1100、获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；
本发明实施例的客户指的是通过金融投资机构提供的渠道购买金融投资机构发行或者代理的金融产品，进行投资理财的个人。客户类别是金融投资机构对其已有客户和潜在客户，根据客户的属性进行的客户类别的划分，主要的目的是能有针对性的向某类客户推荐金融产品。金融产品，指各种具有经济价值，可进行公开交易或兑现的非实物资产，也叫有价证券。这些金融产品就是金融市场的买卖对象，供求双方通过市场竞争原则形成金融产品价格，如利率或收益率，最终完成交易，达到融通资金的目的。这里金融产品的客户指通过买卖金融产品达成投资理财目的的个人。客户的属性这里通常指影响客户投资决策的因素，包括客户的年龄、收入、预期收益、投资经历、风险偏好等。由于影响客户投资决策的因素是多方面的，而且各因素对投资决策的影响也不是简单的线性关系，所以有必要基于客户多方面的属性对客户进行归类。
S1200、将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；
第一匹配度模型中，每一款金融产品对应每一类客户均能得出匹配度。将客户类别输入到第一匹配度模型中，输出为各金融产品与该客户类别的匹配度，匹配度越高，说明此类客户购买该金融产品的概率越高，该金融产品越值得向该客户推荐。具体地，第一匹配度模型是一个m*n的二维的矩阵，m表示m款金融产品，n表示n类客户，矩阵中的元素则是每款金融产品对应每类客户的匹配度，输入客户类别，则将该类别对应列的元素提取出来，就是该类别客户与各金融产品匹配度。匹配度是指某款金融产品购买人群中，各类客户人数占该类客户总人数的百分比。例如金融产品a，在所有购买了金融产品a的客户中，A类客户中有70％的人购买了该产品，B类客户中有20％的人购买了该产品，C类客户中有30％的人购买了该产品，则金融产品a与A类客户的匹配度是0.7，与B类客户的匹配度是0.2，与C类客户的匹配度是0.3。
第一匹配度模型根据服务器中的历史数据计算得到，分别统计每款金融产品的购买人数中，各类客户的购买率，该购买率就是该款金融产品与该类客户的匹配度。其中各类客户的购买率指各类客户中购买了该款金融产品的人数与该类客户总数的比值。
对于新开发的金融产品，通过第二匹配度模型，计算新开发的金融产品与各类客户的匹配度。本发明实施例中第二匹配度模型采用BP神经网络，训练样本是各金融产品的历史投资记录。其中输入是金融产品的各属性，期望输出是各类客户的匹配度。金融产品的各属性包括：募集资金的规模、投资门槛、投资周期、投资标的、风险等级、预期收益。
S1300、将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
对于匹配度，设定阈值，匹配度大于阈值，则向该客户推荐此金融产品，匹配度小于阈值，则向该用客户屏蔽此金融产品。具体地，阈值的设定根据业务需要，对推荐精准度要求更高的，可以适当将阈值设高。希望推荐的金融产品越多时，可以适当将阈值调小。具体地，每款金融产品记录有相对于每类客户的匹配度，每款金融产品通过一个页面承载。客户端向服务器请求加载满足阈值要求的金融产品时，服务器端对加载条件进行解析，生成一个满足阈值要求的金融产品清单返回给客户端，这个金融产品清单包含满足阈值要求金融产品的链接，用户通过链接可以访问推荐的金融产品的页面，并能进行查看详情、购买等操作。满足匹配度阈值要求的金融产品清单可以按照匹配度从高到低的顺序排序，使用户能方便地找出与他最匹配的金融产品。
如图2所示，在步骤S1100之前，还包括步骤：
S1110、获取客户信息；
本发明实施例的客户信息包括客户的年龄、职业、投资金额、投资经历、教育经历、预期收益等。收集客户信息目的在于收集可能对投资决策产生影响的因素。具体地，如图3，通过《个人投资风险承受能力评估表》的形式对客户进行信息收集，收集信息的表格可以是客户端上可以与用户进行交互的网页，在一些实施方式中，也可以是纸质文件。为避免可能侵犯个人隐私，以及后续数据处理的方便，收集信息时，针对提问预设几种答案，用户只能选择其中之一。例如，收集客户年龄信息，请问您的年龄：A.30岁以下；B、30岁～45岁之间；C、45岁～60岁之间；D、60岁以上。收集到的信息通过客户端上传到服务器，保存在数据库中。本发明实施例中，客户信息的收集还包括客户的姓名和手机号，客户姓名和手机号作为识别客户身份的标志，客户登录时，首先输入姓名和手机号进行身份识别，姓名和手机号上传到服务器与数据库中的信息进行比对，如果数据库中保持与该姓名和手机号对应客户的信息，则提取该客户的信息用于确定客户所属的客户分类。如果数据库中查找不到该姓名和手机号的记录，提示客户填写《个人投资风险承受能力评估表》，用于收集客户信息，确定该客户所属的客户类别，用于金融产品的推荐。
S1120、将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别。
收集到的客户信息用于客户的分类，通过客户分类模型进行客户的分类。由于收集的客户信息是多方面，所以客户分类模型使用的分类规则也可以是基于不同维度的。例如，从职业维度划分客户类型，公共事业从业人员、金融投资从业人员、IT互联网从业人员、机械制造业从业人员、其他，通过客户输入的信息，客户分类模型判断所述客户所述其中的一类。或者从风险偏好维度划分客户类型，保守型投资人、谨慎型投资人、平衡型投资人、激进型投资人。划分客户类别的可以从单一维度进行类别的划分，也可以多维度综合考量进行类别的划分。具体地，客户分类模型部署在服务器上，客户通过客户终端输入客户信息，客户终端将客户信息输入到客户分类模型，通过客户分类模型，将客户信息与每个客户类别的特征相比对，输出该客户所属的客户类别。
如图4所示，步骤S1120还包括下述步骤：
S1121、获取各客户类别的特征；
本发明实施例在进行客户类别划分前，先要获取各客户类别的特征。各客户类别的特征也就是能将该客户与其他类别客户区别开来的最显著的属性。例如，假设客户分类模型基于年龄，分类规则是年龄小于30岁是1类，30岁～45岁是2类，45岁～60岁是3类，大于60岁是4类，对应的各类客户的特征通过年龄属性来描述，分别为：1类客户年龄小于30岁；2类客户年龄大于等于30，小于45；3类客户的年龄大于等于45，小于60；4类客户的年龄大于60。影响客户投资决策的因素通常不只一个，所以在一些实施方式中，依据客户的多个属性对客户进行分类。例如，假设客户分类模型基于客户的可接受的投资周期和投资经历因素，分为低风险长线投资人、低风险短线投资人、高风险长线投资人、低风险短线投资人。各类别的特征分别为；投资经历主要为低风险的债券、银行理财产品，投资周期超过3年；投资经历主要为低风险的债券、银行理财产品，投资周期不超过3年；投资经历主要为股票、期货、外汇等高风险产品，投资周期超过3年；资经历主要为股票、期货、外汇等高风险产品，投资周期不超过3年。在一些实施方式中，综合多个因素对客户进行分类，为了处理的方便，将各因素进行数据化，每个客户的信息通过一个数组表示。数组中的元素代表客户各方面的属性。每个数组可以看做多维空间中的点，通过聚类算法，计算出每个类别的聚类中心点，那么该聚类中心点的值就是该类别客户的特征。
S1122、依次计算所述客户信息与各客户类别特征之间的相似度；
本发明实施例中，同样对各客户类别的特征进行数据化，计算客户信息与各客户类别特征之间的相似度。具体地，表示客户信息和客户类别特征两个数组也可以看做是多维空间中的两个向量，计算两个向量之间的余弦相似度。两个向量之间夹角的余弦值取值范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近，两个向量越相似；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交。针对某个客户的信息，需要依次计算与各客户类别特征之间的相似度，即分别将表示客户信息和客户类别特征的两个向量进行余弦相似度计算，用于判断该客户所属的客户类别。
在一些实施方式中，也可以通过计算两个点的欧氏距离来判断客户所属的客户类别。欧氏距离指在多维空间中两个点之间的真实距离，将客户信息和某类别客户的特征看做是多维空间中的点，计算两个点之间的欧氏距离，当距离越小，该客户属于该客户类别的可能性越高，也就是说该客户与该客户类别的相似度越高；反之，当距离越大，该客户属于该客户类别的可能性越小，该客户与该客户类别的相似度越低。
S1123、确认所述相似度最大值对应的客户类别为所述客户所属的客户类别。
将根据步骤S1122中计算的多个相似度进行比对，与某一客户类别特征相似度最大，所述客户就属于该客户类别。
如图5所示，步骤S1121还包括下述步骤：
S1124、获取历史客户信息集；
本发明实施例中，客户类别特征通过收集和分析历史客户信息来获取。历史客户信息包含前述年龄、职业、投资金额、投资经历、教育经历、预期收益等，历史客户信息同样需要进行数据化。
S1125、将所述历史客户信息集输入到预设的聚类特征提取模型中，确定所述各客户类别的特征。
数据化后的历史客户信息集可以看做是一个数组的集合，每个数组又可以看做是n维空间中的点，本发明实施例采用K-means聚类算法，对集合中的数组进行聚类。K-means是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。即
其中，E是所述历史客户信息集的平方误差的总和，p是所述历史客户信息集的点，mi是所述客户类别Ci的平均值，当E小于预设的阈值时，对应的mi为所述各客户类别的特征。
k-means算法的基本过程是首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值)；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
在一些实施方式中，基于历史客户信息对客户进行分类然后计算每类客户的特征也可以采用支持向量机的算法。
如图6所示，步骤S1200之前还包括下述步骤：
S1210、获取金融产品信息；
金融产品的信息即描述金融产品的属性信息，包括金融产品募集资金的规模、投资门槛、投资周期、投资标的、风险等级、预期收益。其中投资门槛一般指认购该产品的最低金额，例如，金融产品a的投资门槛为5万起，则认购该产品最低金额为5万。投资标的指的是该金融产品募集的资金用于投资的项目，例如，金融产品b作为一款新能源汽车基金，募集的资金主要用来购买与新能源汽车行业相关的股票。风险等级，现在的金融产品一般分为5个等级，谨慎型产品(R1)、稳健型产品(R2)、平衡型产品(R3)、进取型产品(R4)、激进型产品(R5)。金融产品的属性信息在开发时，是已经设定好的，保存于数据库中。
S1220、将所述金融产品信息输入到第二匹配度模型中，确定所述金融产品与各客户类别的匹配度。
将金融产品信息数据化后输入到第二匹配度模型中，第二匹配度模型用来计算所述金融产品与各客户类别的匹配度。
本发明实施例的第二匹配度模型采用BP神经网络，训练样本是各金融产品的历史投资记录。其中输入是金融产品的各属性，期望输出是各类客户的匹配度。
BP神经网络算法，单个样本有m个输入，有n个输出，在输入层和输出层之间有隐含层。一个三层的BP网络就可以完成任意的m维到n维的映射。即这三层分别是输入层(I)，隐含层(H)，输出层(O)。应用学习规则，通过改变神经元之间的连接权值来减少系统实际输出和期望输出的误差。
应用了神经网络的第二匹配度模型，输入是金融产品的属性信息，输出是各客户类别与该款产品的匹配度。对于新开发的金融产品，通过第二匹配度模型，可以预测该产品与各类客户的匹配度，从而可以快速锁定目标客户群。
在一些实施方式中，通过建立金融产品投资记录表的方式来构建第二匹配模型，即对于每一款金融产品根据历史投资记录，统计投资了该产品的某类别客户数占该类别客户总数的比例，金融产品投资记录表保持动态更新，即不断接收新的投资记录，根据更新了的投资记录重新统计投资了某产品的某类别客户数占该类别客户总数的比例，保证了匹配度计算的准确性。
为解决上述技术问题本发明实施例还提供一种推荐金融产品的装置。具体请参阅图7，图7为本实施例推荐金融产品装置的基本结构框图。
如图7所示，一种推荐金融产品的装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块2100，用于获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；处理模块2200，用于将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；执行模块2300，用于将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
本发明实施例推荐金融产品的装置，通过将客户信息与各类客户特征进行相似度比对，确定客户属于相似度最大的客户类别，其中，各类客户的特征通过对历史数据进行聚类特征提取得到，计算金融产品与各类客户之间的匹配度，当匹配度大于预设阈值时，将所述金融产品推荐给所述客户。其中金融产品与各类客户之间匹配度，通过经过历史投资记录训练后的BP神经网络模型来计算。投资机构在开发一种新的金融产品后，可以快速投放与之匹配的客户群。客户在进行投资理财时，投资机构也可以有针对性的向客户推荐合适的金融产品。客户分类及金融产品与客户之间的匹配度均基于历史数据的分析，使这种推荐方式更精准更智能。
在一些实施方式中，所述的推荐金融产品的装置还包括：第一获取子模块、第一处理子模块。其中第一获取子模块，用于获取客户信息；第一处理子模块，用于将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别。
在一些实施方式中，所述金融产品推荐装置还包括：第二获取子模块、第二处理子模块和第一确认子模块。其中，第二获取子模块，用于获取各客户类别的特征；第二处理子模块，用于依次计算所述客户信息与各客户类别特征之间的相似度；第一确认子模块，用于确认所述相似度最大值对应的客户类别为所述客户所属的客户类别。
在一些实施方式中，所述金融产品推荐装置还包括：第三获取子模块和第三处理子模块。其中，第三获取子模块，用于获取历史客户信息集；第三处理子模块，用于将所述历史客户信息集输入到预设的聚类特征提取模型中，确定所述各客户类别的特征。
在一些实施方式中，所述预设的聚类特征提取模型包括准则函数，所述聚类特征提取模型的准则函数特征描述为：
其中，E是所述历史客户信息集的平方误差的总和，p是所述历史客户信息集的点，mi是所述客户类别Ci的平均值，当E小于预设的阈值时，对应的mi为所述各客户类别的特征。
在一些实施方式中，所述金融产品推荐装置还包括：第四获取子模块和第四处理子模块。其中，第四获取子模块，获取金融产品信息；第四处理子模块，将所述金融产品信息输入到第二匹配度模型中，确定所述金融产品与各客户类别的匹配度。
在一些实施方式中，所述第二匹配度模型采用BP神经网络模型。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
如图8所示，计算机设备的内部结构示意图。如图8所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种金融产品推荐的方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种金融产品推荐的方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图7中获取模块2100、处理模块2200和执行模块2300的具体内容，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有金融产品推荐方法中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过将客户信息与各类客户特征进行相似度比对，确定客户属于相似度最大的客户类别，其中，各类客户的特征通过对历史数据进行聚类特征提取得到，计算金融产品与各类客户之间的匹配度，当匹配度大于预设阈值时，将所述金融产品推荐给所述客户。其中金融产品与各类客户之间匹配度，通过经过历史投资记录训练后的BP神经网络模型来计算。投资机构在开发一种新的金融产品后，可以快速投放与之匹配的客户群。客户在进行投资理财时，投资机构也可以有针对性的向客户推荐合适的金融产品。客户分类及金融产品与客户之间的匹配度均基于历史数据的分析，使这种推荐方式更精准更智能。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述金融产品推荐方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种金融产品推荐方法，其特征在于，包括下述步骤：
获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；
将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；
将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
2.根据权利要求1所述的金融产品推荐方法，其特征在于，所述获取客户所属的客户类别的步骤还包括：
获取客户信息；
将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别。
3.根据权利要求2所述的金融产品推荐方法，其特征在于，所述将所述客户信息输入到预设的客户分类模型中，确定所述客户所属的客户类别的步骤还包括：
获取各客户类别的特征；
依次计算所述客户信息与各客户类别特征之间的相似度；
确认所述相似度最大值对应的客户类别为所述客户所属的客户类别。
4.根据权利要求3所述的金融产品推荐方法，其特征在于，所述获取各客户类别的特征步骤还包括：
获取历史客户信息集；
将所述历史客户信息集输入到预设的聚类特征提取模型中，确定所述各客户类别的特征。
5.根据权利要求4所述的金融产品推荐方法，其特征在于，所述聚类特征提取模型包括准则函数，所述聚类特征提取模型的准则函数特征描述为：
其中，E是所述历史客户信息集的平方误差的总和，p是所述历史客户信息集的点，mi是所述客户类别Ci的平均值，当E小于预设的阈值时，对应的mi为所述各客户类别的特征。
6.根据权利要求1所述的金融产品推荐方法，其特征在于，所述将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度的步骤之前还包括：
获取金融产品信息；
将所述金融产品信息输入到第二匹配度模型中，确定所述金融产品与各客户类别的匹配度。
7.根据权利要求6所述的金融产品推荐方法，其特征在于，所述第二匹配度模型采用的BP神经网络模型。
8.一种金融产品推荐装置，包括：
获取模块，用于获取客户所属的客户类别，所述客户为按预设要求提供了投资理财信息的客户；
处理模块，用于将所述客户类别输入到预设的第一匹配度模型中，确定各金融产品与所述客户的匹配度；
执行模块，用于将所述各金融产品与所述客户的匹配度与预设的第一阈值比对，将匹配度大于第一阈值的金融产品推荐给所述客户。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述金融产品推荐方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述金融产品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811044293.8A CN109447728A (zh) | 2018-09-07 | 2018-09-07 | 金融产品推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811044293.8A CN109447728A (zh) | 2018-09-07 | 2018-09-07 | 金融产品推荐方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447728A true CN109447728A (zh) | 2019-03-08 |
Family
ID=65530499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811044293.8A Pending CN109447728A (zh) | 2018-09-07 | 2018-09-07 | 金融产品推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447728A (zh) |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934704A (zh) * | 2019-03-22 | 2019-06-25 | 深圳乐信软件技术有限公司 | 信息推荐方法、装置、设备和存储介质 |
| CN110110231A (zh) * | 2019-04-30 | 2019-08-09 | 翟红鹰 | 大数据技术的智能投资推荐方法、系统、终端及存储介质 |
| CN110189191A (zh) * | 2019-05-05 | 2019-08-30 | 苏宁易购集团股份有限公司 | 一种基于实时模型的金融产品推荐方法及系统 |
| CN110245687A (zh) * | 2019-05-17 | 2019-09-17 | 腾讯科技（上海）有限公司 | 用户分类方法以及装置 |
| CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
| CN110349011A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 金融产品匹配方法和装置 |
| CN110489641A (zh) * | 2019-07-16 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种信息推荐数据处理方法及装置 |
| CN110533453A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于用户匹配的产品推荐方法、装置、计算机设备 |
| CN110557447A (zh) * | 2019-08-26 | 2019-12-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN110930259A (zh) * | 2019-11-15 | 2020-03-27 | 安徽海汇金融投资集团有限公司 | 一种基于混合策略的债权推荐方法及系统 |
| CN111046111A (zh) * | 2019-11-07 | 2020-04-21 | 上海琢学科技有限公司 | 一种数据处理方法及终端设备 |
| CN111222993A (zh) * | 2020-01-03 | 2020-06-02 | 中国工商银行股份有限公司 | 基金推荐方法及装置 |
| CN111353881A (zh) * | 2020-03-31 | 2020-06-30 | 中国建设银行股份有限公司 | 银行权益数据生成方法及装置 |
| CN111583019A (zh) * | 2020-04-21 | 2020-08-25 | 徐晓龙 | 一种便于实现客户贷款的运营方法 |
| CN111768259A (zh) * | 2019-08-19 | 2020-10-13 | 洲际传媒信息技术(辽宁)有限公司 | 一种订单匹配方法、装置和订单交易平台 |
| CN112001761A (zh) * | 2020-08-31 | 2020-11-27 | 上海博泰悦臻电子设备制造有限公司 | 用户分类方法及相关装置 |
| CN112150291A (zh) * | 2020-09-08 | 2020-12-29 | 广元量知汇科技有限公司 | 智慧金融产品推荐系统 |
| CN112150290A (zh) * | 2020-09-08 | 2020-12-29 | 广元量知汇科技有限公司 | 用于智慧金融的产品推送方法 |
| CN112330411A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 团体产品推荐方法、装置、计算机设备及存储介质 |
| CN112418989A (zh) * | 2020-11-20 | 2021-02-26 | 中国建设银行股份有限公司 | 权益产品推荐方法及装置 |
| CN112434216A (zh) * | 2020-11-13 | 2021-03-02 | 北京创业光荣信息科技有限责任公司 | 一种投资项目的智能推介方法、装置、存储介质和计算机设备 |
| CN113052689A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
| CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
| CN113393301A (zh) * | 2021-06-30 | 2021-09-14 | 中国工商银行股份有限公司 | 产品推送方法及装置 |
| CN113516561A (zh) * | 2021-05-20 | 2021-10-19 | 中国银行股份有限公司 | 保险业务的处理方法及装置 |
| CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
| CN114021631A (zh) * | 2021-10-28 | 2022-02-08 | 中国银行股份有限公司 | 银行客户分类方法及装置 |
| WO2022089190A1 (zh) * | 2020-11-02 | 2022-05-05 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
| JP2022535636A (ja) * | 2019-06-06 | 2022-08-10 | テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド | 金融商品推薦方法、装置、電子機器及びプログラム |
| CN114936942A (zh) * | 2022-07-21 | 2022-08-23 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
| CN115222523A (zh) * | 2022-09-15 | 2022-10-21 | 四川博源科技有限责任公司 | 一种基于图像处理的银行业务多模式自生成方法 |
| CN115239442A (zh) * | 2022-09-22 | 2022-10-25 | 湖南快乐通宝小额贷款有限公司 | 一种互联网金融产品推广的方法及系统和存储介质 |
| CN115408589A (zh) * | 2022-08-31 | 2022-11-29 | 智城动力(深圳)科技有限公司 | 一种客户类型匹配方法及系统 |
| CN115730966A (zh) * | 2022-11-15 | 2023-03-03 | 东方微银科技股份有限公司 | 基于客户需求的产品智能优选方法及系统 |
| CN116542443A (zh) * | 2023-03-29 | 2023-08-04 | 浙江中兴慧农信息科技有限公司 | 一种基于双边匹配模型的资源分配方法及设备 |
| CN117011019A (zh) * | 2023-09-28 | 2023-11-07 | 无锡锡商银行股份有限公司 | 一种基于大数据的银行架构自适应分析管理系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334880A (zh) * | 2007-06-28 | 2008-12-31 | 神乎科技股份有限公司 | 一种证券信息服务系统与方法 |
| CN106097044A (zh) * | 2016-06-01 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 一种数据推荐处理方法以及装置 |
| CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
| CN106991598A (zh) * | 2017-04-07 | 2017-07-28 | 北京百分点信息科技有限公司 | 数据推送方法及其系统 |
| CN107194754A (zh) * | 2017-04-11 | 2017-09-22 | 美林数据技术股份有限公司 | 基于混合协同过滤的券商产品推荐方法 |
| CN107657500A (zh) * | 2016-12-03 | 2018-02-02 | 平安证券股份有限公司 | 股票推荐方法及服务器 |
| CN107679946A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN107688988A (zh) * | 2017-09-02 | 2018-02-13 | 广东奡风科技股份有限公司 | 一种金融产品实时推荐方法 |
| CN108399565A (zh) * | 2017-10-09 | 2018-08-14 | 平安科技（深圳）有限公司 | 金融产品推荐装置、方法及计算机可读存储介质 |
| CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技（深圳）有限公司 | 产品推荐方法、装置及存储介质 |
-
2018
- 2018-09-07 CN CN201811044293.8A patent/CN109447728A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334880A (zh) * | 2007-06-28 | 2008-12-31 | 神乎科技股份有限公司 | 一种证券信息服务系统与方法 |
| CN106097044A (zh) * | 2016-06-01 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 一种数据推荐处理方法以及装置 |
| CN107657500A (zh) * | 2016-12-03 | 2018-02-02 | 平安证券股份有限公司 | 股票推荐方法及服务器 |
| CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
| CN106991598A (zh) * | 2017-04-07 | 2017-07-28 | 北京百分点信息科技有限公司 | 数据推送方法及其系统 |
| CN107194754A (zh) * | 2017-04-11 | 2017-09-22 | 美林数据技术股份有限公司 | 基于混合协同过滤的券商产品推荐方法 |
| CN107688988A (zh) * | 2017-09-02 | 2018-02-13 | 广东奡风科技股份有限公司 | 一种金融产品实时推荐方法 |
| CN107679946A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN108399565A (zh) * | 2017-10-09 | 2018-08-14 | 平安科技（深圳）有限公司 | 金融产品推荐装置、方法及计算机可读存储介质 |
| CN108492194A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技（深圳）有限公司 | 产品推荐方法、装置及存储介质 |
Cited By (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934704A (zh) * | 2019-03-22 | 2019-06-25 | 深圳乐信软件技术有限公司 | 信息推荐方法、装置、设备和存储介质 |
| CN110110231A (zh) * | 2019-04-30 | 2019-08-09 | 翟红鹰 | 大数据技术的智能投资推荐方法、系统、终端及存储介质 |
| CN110189191A (zh) * | 2019-05-05 | 2019-08-30 | 苏宁易购集团股份有限公司 | 一种基于实时模型的金融产品推荐方法及系统 |
| CN110245687B (zh) * | 2019-05-17 | 2021-06-04 | 腾讯科技（上海）有限公司 | 用户分类方法以及装置 |
| CN110245687A (zh) * | 2019-05-17 | 2019-09-17 | 腾讯科技（上海）有限公司 | 用户分类方法以及装置 |
| JP2022535636A (ja) * | 2019-06-06 | 2022-08-10 | テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド | 金融商品推薦方法、装置、電子機器及びプログラム |
| CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
| CN110349011A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 金融产品匹配方法和装置 |
| CN110489641A (zh) * | 2019-07-16 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种信息推荐数据处理方法及装置 |
| CN110533453A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于用户匹配的产品推荐方法、装置、计算机设备 |
| CN111768259A (zh) * | 2019-08-19 | 2020-10-13 | 洲际传媒信息技术(辽宁)有限公司 | 一种订单匹配方法、装置和订单交易平台 |
| CN110557447A (zh) * | 2019-08-26 | 2019-12-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN110557447B (zh) * | 2019-08-26 | 2022-06-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN111046111A (zh) * | 2019-11-07 | 2020-04-21 | 上海琢学科技有限公司 | 一种数据处理方法及终端设备 |
| CN110930259A (zh) * | 2019-11-15 | 2020-03-27 | 安徽海汇金融投资集团有限公司 | 一种基于混合策略的债权推荐方法及系统 |
| CN111222993A (zh) * | 2020-01-03 | 2020-06-02 | 中国工商银行股份有限公司 | 基金推荐方法及装置 |
| CN111353881A (zh) * | 2020-03-31 | 2020-06-30 | 中国建设银行股份有限公司 | 银行权益数据生成方法及装置 |
| CN111583019A (zh) * | 2020-04-21 | 2020-08-25 | 徐晓龙 | 一种便于实现客户贷款的运营方法 |
| CN113256904B (zh) * | 2020-06-08 | 2024-04-02 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
| CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
| CN112001761A (zh) * | 2020-08-31 | 2020-11-27 | 上海博泰悦臻电子设备制造有限公司 | 用户分类方法及相关装置 |
| CN112150291A (zh) * | 2020-09-08 | 2020-12-29 | 广元量知汇科技有限公司 | 智慧金融产品推荐系统 |
| CN112150290A (zh) * | 2020-09-08 | 2020-12-29 | 广元量知汇科技有限公司 | 用于智慧金融的产品推送方法 |
| WO2022089190A1 (zh) * | 2020-11-02 | 2022-05-05 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
| CN112434216B (zh) * | 2020-11-13 | 2024-04-26 | 海创汇科技创业发展股份有限公司 | 一种投资项目的智能推介方法、装置、存储介质和计算机设备 |
| CN112434216A (zh) * | 2020-11-13 | 2021-03-02 | 北京创业光荣信息科技有限责任公司 | 一种投资项目的智能推介方法、装置、存储介质和计算机设备 |
| CN112330411A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 团体产品推荐方法、装置、计算机设备及存储介质 |
| CN112330411B (zh) * | 2020-11-17 | 2023-10-31 | 中国平安财产保险股份有限公司 | 团体产品推荐方法、装置、计算机设备及存储介质 |
| CN112418989A (zh) * | 2020-11-20 | 2021-02-26 | 中国建设银行股份有限公司 | 权益产品推荐方法及装置 |
| CN113052689A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
| CN113052689B (zh) * | 2021-04-30 | 2024-03-26 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
| CN113516561A (zh) * | 2021-05-20 | 2021-10-19 | 中国银行股份有限公司 | 保险业务的处理方法及装置 |
| CN113393301A (zh) * | 2021-06-30 | 2021-09-14 | 中国工商银行股份有限公司 | 产品推送方法及装置 |
| CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
| CN114021631A (zh) * | 2021-10-28 | 2022-02-08 | 中国银行股份有限公司 | 银行客户分类方法及装置 |
| CN114936942B (zh) * | 2022-07-21 | 2022-11-01 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
| CN114936942A (zh) * | 2022-07-21 | 2022-08-23 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
| CN115408589B (zh) * | 2022-08-31 | 2023-06-20 | 智城动力(深圳)科技有限公司 | 一种客户类型匹配方法及系统 |
| CN115408589A (zh) * | 2022-08-31 | 2022-11-29 | 智城动力(深圳)科技有限公司 | 一种客户类型匹配方法及系统 |
| CN115222523A (zh) * | 2022-09-15 | 2022-10-21 | 四川博源科技有限责任公司 | 一种基于图像处理的银行业务多模式自生成方法 |
| CN115239442A (zh) * | 2022-09-22 | 2022-10-25 | 湖南快乐通宝小额贷款有限公司 | 一种互联网金融产品推广的方法及系统和存储介质 |
| CN115730966A (zh) * | 2022-11-15 | 2023-03-03 | 东方微银科技股份有限公司 | 基于客户需求的产品智能优选方法及系统 |
| CN116542443A (zh) * | 2023-03-29 | 2023-08-04 | 浙江中兴慧农信息科技有限公司 | 一种基于双边匹配模型的资源分配方法及设备 |
| CN116542443B (zh) * | 2023-03-29 | 2024-07-16 | 浙江中兴慧农信息科技有限公司 | 一种基于双边匹配模型的资源分配方法及设备 |
| CN117011019A (zh) * | 2023-09-28 | 2023-11-07 | 无锡锡商银行股份有限公司 | 一种基于大数据的银行架构自适应分析管理系统及方法 |
| CN117011019B (zh) * | 2023-09-28 | 2023-12-22 | 无锡锡商银行股份有限公司 | 一种基于大数据的银行架构自适应分析管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447728A (zh) | 金融产品推荐方法、装置、计算机设备及存储介质 | |
| CN107679946A (zh) | 基金产品推荐方法、装置、终端设备及存储介质 | |
| CN106600369A (zh) | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 | |
| CN108711107A (zh) | 智能融资服务推荐方法及其系统 | |
| US20070282728A1 (en) | Consolidation, sharing and analysis of investment information | |
| Tsinaslanidis et al. | Technical analysis for algorithmic pattern recognition | |
| Momeni et al. | Clustering stock market companies via k-means algorithm | |
| CN112116448A (zh) | 一种面向三农客户画像的精准营销构建方法 | |
| CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
| Lu et al. | Credit rating change modeling using news and financial ratios | |
| Cao et al. | Bond rating using support vector machine | |
| Hou et al. | An enriched time-series forecasting framework for long-short portfolio strategy | |
| Pritam et al. | A novel methodology for perception-based portfolio management | |
| Choi et al. | Network-based exploratory data analysis and explainable three-stage deep clustering for financial customer profiling | |
| CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
| Sapuan et al. | Predicting the performance and survival of islamic banks in malaysia to achieve growth sustainability | |
| Liu | Technical trading behaviour: Evidence from chinese rebar futures market | |
| O’Hagan et al. | Model-based and nonparametric approaches to clustering for data compression in actuarial applications | |
| Wang et al. | An Automated Startup Evaluation Pipeline: Startup Success Forecasting Framework (SSFF) | |
| Kumar et al. | Review and Analysis of Stock Market Data Prediction Using Data mining Techniques | |
| Vanderhaeghen | Selecting mutual funds using machine learning classifiers | |
| Gupta et al. | Machine Learning-Based Approach for Predicting the Altcoins Price Direction Change from a High-Frequency Data of Seven Years Based on Socio-Economic Factors, Bitcoin Prices, Twitter and News Sentiments | |
| Liu et al. | Lcyanalysis: An R package for technical analysis in stock markets | |
| CN118260347B (zh) | 基于人工智能的数据采集分析方法及系统 | |
| Serapinaitė et al. | Clustering of latvian pension funds using convolutional neural network extracted features |
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 |