CN109934721A - 理财产品推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及计算机技术领域，提供了一种理财产品推荐方法、装置、设备及存储介质，所述理财产品推荐方法包括：从获取到的历史访问网页中，提取用户的偏好特征信息；从预设的产品标签库中，获取偏好特征信息对应的偏好产品标签；获取用户的消费行为数据；获取消费行为数据对应的购买能力信息；从预设的产品标签库中，获取购买能力信息对应的购买产品标签；获取偏好产品标签和购买产品标签之间的交集，并将交集中的产品标签作为目标产品标签，向用户推送该目标产品标签对应的理财产品资讯信息。本发明能够提高获取适合用户的理财产品资讯信息的准确率和效率。

Description

理财产品推荐方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种理财产品推荐方法、装置、设备及存储介质。

背景技术

随着人们生活水平的不断提高，金融产品也成为广大群众的主要消费产品之一，而众多金融行业的业务部门为了满足广大用户需求，往往会在自己的站点上发布符合不同用户需求的海量信息，但这也使得网络信息变得庞杂，使得用户每次都需要花费大量时间去寻找想要购买的金融产品或者频繁使用搜索工具搜索资料和感兴趣的产品，影响了用户的使用效率，导致获取适合用户的理财产品资讯信息的效率不高。或是，一些金融行业的业务部门根据自己产品上的特色，向用户推送了一些业务产品资讯，但现有推送业务产品资讯方式的智能化水平较低，不具有针对性，对不需要这些业务产品资讯的用户来说，这些业务资讯是冗余信息，导致获取适合用户的理财产品资讯信息的准确率降低。

发明内容

基于此，有必要针对上述技术问题，提供一种理财产品推荐方法、装置、设备及存储介质，以解决传统理财产品推荐方法获取适合用户的理财产品资讯信息的准确率低和效率不高的问题。

一种基于理财产品推荐方法，包括：

若接收到客户端发送的对理财产品网站的页面访问请求，则获取所述页面访问请求中的用户在所述理财产品网站中对应的历史访问网页；

从获取到的所述历史访问网页中，提取所述用户的偏好特征信息；

从预设的产品标签库中，获取所述偏好特征信息对应的偏好产品标签；

获取所述用户的消费行为数据；

计算所述消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取所述理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算所述消费行为数据中购买的理财产品的产品分数，并将所述基础购买分数和所述产品分数作为所述消费行为数据对应的购买能力信息；

从所述预设的产品标签库中，获取所述购买能力信息对应的购买产品标签；

获取所述偏好产品标签和所述购买产品标签之间的交集，并将所述交集中的产品标签作为目标产品标签，向所述用户推送该目标产品标签对应的理财产品资讯信息。

一种理财产品推荐装置，包括：

请求接收模块，用于若接收到客户端发送的对理财产品网站的页面访问请求，则获取所述页面访问请求中的用户在所述理财产品网站中对应的历史访问网页；

特征提取模块，用于从获取到的所述历史访问网页中，提取所述用户的偏好特征信息；

标签获取模块，用于从预设的产品标签库中，获取所述偏好特征信息对应的偏好产品标签；

数据获取模块，用于获取所述用户的消费行为数据；

数据分析模块，用于计算所述消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取所述理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算所述消费行为数据中购买的理财产品的产品分数，并将所述基础购买分数和所述产品分数作为所述消费行为数据对应的购买能力信息；

标签查找模块，用于从所述预设的产品标签库中，获取所述购买能力信息对应的购买产品标签；

信息推送模块，用于获取所述偏好产品标签和所述购买产品标签之间的交集，并将所述交集中的产品标签作为目标产品标签，向所述用户推送该目标产品标签对应的理财产品资讯信息。

一种计算机设备，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上述理财产品推荐方法。

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上述理财产品推荐方法。

上述理财产品推荐方法、装置、设备及存储介质，通过获取理财产品网站的历史访问网页，从获取到的历史访问网页中，提取用户的偏好特征信息，并从预设的产品标签库中，获取偏好特征信息对应的偏好产品标签，能够通过获取到的偏好特征信息直观准确地反映出用户的感兴趣的理财产品和有针对性地获取个人喜好的关键信息，然后，在获取到的历史访问网页中的数据的基础上，能够通过获取用户的消费行为数据，按照预设的指标，对获取到的消费行为数据进行分析，得到消费行为数据对应的购买能力信息，并从预设的产品标签库中，获取购买能力信息对应的购买产品标签，能够准确分析出用户有能力购买且关注度较高的产品信息，进而获取偏好产品标签和购买产品标签的交集，并将交集中的产品标签作为目标产品标签，向用户推送该目标产品标签对应的理财产品资讯信息，这种先分别对历史行为数据和消费行为数据，两种维度的数据进行分析处理，能够有针对性的分析出每个用户的个人喜好和感兴趣的理财产品的关键信息，以及准确分析出用户有能力购买且关注度较高的产品信息，能够保证对数据分析的全面性和完整性，从而提高获取适合用户的理财产品资讯信息的准确率，然后，通过获取两种维度下的产品标签的交集，并将交集中的产品标签作为目标产品标签，将该目标产品标签对应的理财产品资讯信息并推荐给用户，能够更加准确地锁定适合用户和用户感兴趣的理财产品，且该方法操作简便，运算量小，能够提高对历史行为数据和消费行为数据的分析处理效率，从而提高获取适合用户的理财产品资讯信息的效率。

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是本发明一实施例中理财产品推荐方法的一应用环境示意图；

图2是本发明一实施例中理财产品推荐方法的一流程图；

图3是本发明一实施例中理财产品推荐方法中步骤S2的实现流程图；

图4是本发明一实施例中理财产品推荐方法中步骤S22的实现流程图；

图5是本发明一实施例中理财产品推荐方法中步骤S222的实现流程图；

图6是本发明一实施例中理财产品推荐方法中步骤S223的实现流程图；

图7是本发明一实施例中理财产品推荐装置的一示意图；

图8是本发明一实施例中计算机设备的一示意图。

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。

图1示出了本发明实施例提供的应用环境，该应用环境包括服务端和客户端，其中，服务端和客户端之间通过网络进行连接，客户端用于获取用户的行为数据，并将获取到的用户的行为数据发送到服务端，客户端具体可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；服务端用于处理用户的行为数据，服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。本发明实施例提供的理财产品推荐方法应用于服务端。

请参阅图2，图2示出本实施例提供的理财产品推荐方法的实现流程。详述如下：

S1：若接收到客户端发送的对理财产品网站的页面访问请求，则获取页面访问请求中的用户在理财产品网站中对应的历史访问网页。

在本实施例中，接收到客户端发送的用户对理财产品网站的页面访问请求，该访问请求包括请求来源和请求目标，其中，请求来源为客户端的IP(Internet Protocol，网络协议)地址，请求目标为URL(Uniform Resource Location，统一资源定位符)地址，URL地址是从互联网上获取用户在理财产品网站中对应的历史访问网页的位置，互联网上的每个文件都有一个唯一的URL。

具体地，解析接收到的客户端发送的用户对理财产品网站的页面访问请求中的URL地址，从互联网上获取客户端的IP地址在该URL地址中对应的内容，即用户在理财产品网站中对应的历史访问网页，然后，将获取到的历史访问网页反馈给客户端的IP地址，以显示在客户端相应的显示设备上。

S2：从获取到的历史访问网页中，提取用户的偏好特征信息。

具体地，由于用户的偏好特征信息定义为用户在考量产品或者服务的时候所做出的理性的具有倾向性的选择，是用户认知、心理感受及理性的经济学权衡的综合结果，因此可以通过提取用户的偏好特征信息，并根据用户的偏好特征信息有针对性地为用户推荐适合的理财产品资讯，从而提高获取适合用户的理财产品资讯信息的准确率，本实施例中提取用户的偏好特征信息具体可以是通过用户在历史访问网页中的小型文本文件(cookie)信息，直接读取用户浏览或收藏的感兴趣的理财产品的文本信息，从而获取用户的偏好特征信息，还可以采用其他方式提取用户的偏好特征信息，此处不做限制。

其中，cookie信息是指当用户使用的电脑通过浏览器进行访问网页的时候，服务器就会生成一个证书并返回给用户的浏览器并写入本地数据库中。这个证书就是cookie信息，一般来说cookie信息是保存了用户在对应的历史访问网页中产生的历史行为数据的纯文本文件，便于对用户的偏好特征信息进行提取。

S3：从预设的产品标签库中，获取偏好特征信息对应的偏好产品标签。

具体地，根据步骤S2中提取到的用户的偏好信息中，在预设的产品标签库中进行遍历，查找到与用户的偏好信息有相同或者词义相同的产品标签，作为偏好特征信息对应的偏好产品标签。

需要说明的是，为了能够快速精确地从预设的产品标签库中查找到与偏好特征信息对应的偏好产品标签，还可以是根据提取到的偏好特征信息，设置用于获取与用户的偏好信息相匹配的产品标签的正则表达式，能够在预设的产品标签库中快速匹配到偏好特征信息对应的产品标签作为偏好产品标签，还可以采用其他获取偏好产品标签的方式，此处不做限制。

S4：获取用户的消费行为数据。

具体地，本实施例是在从历史访问网页中获取到用户的历史行为数据的基础上，对用户的消费行为数据进行获取的，其中，获取用户的消费行为数据具体可以通过自动定时从第三方数据库中爬取，通过网络爬取(Web Crawler)，依次爬取金融数据平台中每个金融业务网站，来获取所有金融业务网站中用户的消费行为数据，具体可以是获取用户最近三个月、半年或是一年的消费行为数据，具体可以根据实际应用需求进行设定。

其中，网络爬取是指爬行对象从一些种子URL(Uniform Resource Locator，统一资源定位符)扩充到整个Web(World Wide Web，全球广域网)，主要为门户站点搜索引擎和大型Web服务提供商采集数据。网络爬取的爬行范围和数量巨大，对于爬行速度和存储空间要求较高，对于爬行页面的顺序要求相对较低，同时由于待刷新的页面太多，通常采用并行工作方式，网络爬取的结构大致可以分为页面爬行模块、页面分析模块、链接过滤模块、页面数据库、URL队列、初始URL集合几个部分。为提高工作效率，通用网络爬取会采取一定的爬行策略。常用的爬行策略有：深度优先策略、广度优先策略。

其中，深度优先策略的基本方法是按照深度由低到高的顺序，依次访问下一级网页链接，直到不能再深入为止。爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。当所有链接遍历完后，爬行任务结束。

其中，广度优先策略是按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。这种策略能够有效控制页面的爬行深度，避免遇到一个无穷深层分支时无法结束爬行的问题，实现方便，无需存储大量中间节点。

优选地，本实施例采用的爬行策略为广度优先策略。

具体地，通过网络爬取，依次爬取金融数据平台中每个金融业务网站，来获取所有金融业务网站中用户的消费行为数据具体可以是先获取预设的待爬取的网站域名，然后使用用于网站解析工具，如Python(面向对象的解释型)程序中的BeautifulSoup工具，对待爬取的网站域名对应的内容进行解析，若在解析出的内容中包含根据用户的历史行为数据中的用户信息的消费行为数据对应的关键字，就获取这个url的内容并保存为用户的消费行为数据。

S5：计算消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算消费行为数据中购买的理财产品的产品分数，并将基础购买分数和产品分数作为消费行为数据对应的购买能力信息。

在本实施例中，用户的消费行为数据包括用户的基本收入数据和理财产品的购买数据，其中，用户的理财产品数据包括用户购买的金融产品的每笔订单、用户购买的金融产品的每笔订单中包含的金融产品、用户购买的金融产品的每笔订单对应的价格，以及用户购买的金融产品的每笔订单对应的购买时间。

具体地，对消费行为数据进行分析的实现方式具体可以是：

a)按照用户的消费行为数据中的用户购买的金融产品的每笔订单对应的购买时间的先后顺序，将获取到的金融产品的购买数据进行排序；

b)根据预设的理财产品的名称，提取金融产品的购买数据中的理财产品的购买数据；

c)根据提取到的理财产品的购买数据，将每月订单中购买理财产品的消费金额除以用户的基本收入数据中的月收入，得到的商作为用户每个月的理财产品购买率；

d)根据预设的购买阈值范围和购买分数的对应关系，获取用户每个月的理财产品购买率属于的购买阈值范围对应的购买分数；

e)根据提取到的理财产品的购买数据，按照理财产品的产品类型，统计每月订单中用户购买的理财产品的种类，以及每种理财产品的购买数量和购买金额；

f)按照每种理财产品的产品类型预设的产品权重值，将产品权重值乘以每种理财产品的购买数量，并乘以每种理财产品的购买金额，得到的乘积，作为每月订单中用户购买的每种理财产品的产品分数；

g)将每个月用户的理财产品的购买分数和购买每种理财产品的产品分数，作为用户购买的理财产品的每个月的购买能力信息。

S6：从预设的产品标签库中，获取购买能力信息对应的购买产品标签。

具体地，根据预设的购买产品的阈值范围和购买产品标签的对应关系，可以确定在步骤S5中获取到的用户每个月的购买能力信息中每个月用户的理财产品的购买分数属于的购买产品的第一阈值范围，然后获取该第一阈值范围对应的第一购买产品标签，同理，可以确定用户购买每种理财产品的产品分数属于的购买产品的第二阈值范围，并获取该第二阈值范围对应的第二购买产品标签，然后，将获取到第一购买产品标签和第二购买产品标签进行汇总，得到的标签集合中的标签为用户每个月的购买能力信息对应的目标购买产品标签。

S7：获取偏好产品标签和购买产品标签之间的交集，并将交集中的产品标签作为目标产品标签，向用户推送该目标产品标签对应的理财产品资讯信息。

具体地，将在步骤S3中获取到的用户的偏好产品标签和在步骤S6中获取到的用户的目标购买产品标签进行求交集，即将相同的标签进行提取，并得到的交集集合中的产品标签作为目标产品标签，然后，可以根据产品标签和理财产品资讯信息之间的对应关系，获取该目标产品标签对应的理财产品资讯信息，并向用户推送该理财产品资讯信息。

在本实施例中，通过获取理财产品网站的历史访问网页，从获取到的历史访问网页中，提取用户的偏好特征信息，并从预设的产品标签库中，获取偏好特征信息对应的偏好产品标签，能够通过获取到的偏好特征信息直观准确地反映出用户的感兴趣的理财产品和有针对性地获取个人喜好的关键信息，然后，在获取到的历史访问网页中的数据的基础上，能够通过获取用户的消费行为数据，按照预设的指标，对获取到的消费行为数据进行分析，得到消费行为数据对应的购买能力信息，并从预设的产品标签库中，获取购买能力信息对应的购买产品标签，能够准确分析出用户有能力购买且关注度较高的产品信息，进而获取偏好产品标签和购买产品标签的交集，并将交集中的产品标签作为目标产品标签，向用户推送该目标产品标签对应的理财产品资讯信息，这种先分别对历史行为数据和消费行为数据，两种维度的数据进行分析处理，能够有针对性的分析出每个用户的个人喜好和感兴趣的理财产品的关键信息，以及准确分析出用户有能力购买且关注度较高的产品信息，能够保证对数据分析的全面性和完整性，从而提高获取适合用户的理财产品资讯信息的准确率，然后，通过获取两种维度下的产品标签的交集，并将交集中的产品标签作为目标产品标签，将该目标产品标签对应的理财产品资讯信息并推荐给用户，能够更加准确地锁定适合用户和用户感兴趣的理财产品，且该方法操作简便，运算量小，能够提高对历史行为数据和消费行为数据的分析处理效率，从而提高获取适合用户的理财产品资讯信息的效率。

在一实施例中，如图3所示，步骤S2中，即从获取到的历史访问网页中，提取用户的偏好特征信息具体包括如下步骤：

S21：从历史访问网页中，获取用户的历史行为数据。

具体地，获取用户的历史行为数据具体可以是从历史访问网页中获取记录用户历史行为的日志信息，通过对日志信息进行解析，得到用户的历史行为数据。

其中，用户历史行为是指用户在登录网站平台后在历史访问网页中的全部操作行为，该操作行为被记录在服务器后台数据库的日志信息中。

历史行为数据包括但不限于：历史搜索记录、历史点击记录、历史浏览记录。

历史搜索记录包括但不限于：用户信息、搜索时间和检索关键词。用户信息包括用户的基本信息，如姓名、性别、年龄等，搜索时间是指检测到检索操作的具体时间，检索关键词是指检索时间输入并进行查询的关键词。

例如，在一具体实施例中，假设历史搜索记录为“(李四，男，24)，2018年1月15日14:36:50，股票”，其中，“李四，男，24”为用户信息，“2018年1月15日14:36:50”为搜索时间，“股票”为搜索关键字。

历史点击记录包括但不限于：用户信息、点击时间和点击超链接的身份识别符(Identification，ID)，点击时间是指检测到点击操作的具体时间，点击超链接的ID是指点击操作的对象的ID，进一步地，点击历史记录中还记录了用户浏览的产品的信息是在搜索结果中点击的还是推荐结果中点击的。

例如，在一具体实施例中，假设历史点击记录为：“(李四，男，24)，2018-01-15 14:33:25，67234，A”，其中，“67234”为后台数据库中对应的一上市公司的股票的具体介绍的页面的超链接的ID，“A”为该所点击的超链接的ID为根据搜索的方式得到的超链接的ID。

历史浏览记录包括但不限于：用户信息、浏览时间和浏览数据，其中，浏览是用户在浏览产品信息的产生的浏览记录，一次点击查看的页面会记录多条浏览数据，该数据是采样数据。

S22：按照预设的分析模型，对历史行为数据进行分析，得到用户关键字，以及用户关键字对应的用户标签。

具体地，由于对历史行为数据进行分析，可以让更加详细、清楚地了解用户的行为习惯和对理财产品的兴趣爱好，更加有针对性地获取到符合用户的行为习惯和满足的兴趣爱好的理财产品信息，从而提高获取适合用户的理财产品资讯信息的准确率，因此，按照预设的分析模型，对历史行为数据进行分析具体可以是将获取到的历史行为数据按照预设维度属性进行分类，然后，针对每种维度属性类别中的数据，在预设的分析模型中进行分析，得到用户关键字，以及用户关键字对应的用户标签，其中，预设维度属性具体可以是网页日志、搜索引擎日志、用户浏览日志、用户主体数据和外界环境数据等，具体可以根据实际应用需求进行设置，此处不做限制。

其中，网页日志是指用户在访问某个历史访问网页时，网站记录的用户相关行为信息；搜索引擎日志是指搜索引擎日志系统所记录的用户在搜索引擎上的相关行为信息；用户浏览日志是指通过特定的工具和途径记录用户所记录的用户在该搜索引擎上的相关行为信息；用户主体数据是指如用户群的年龄、受教育程度、兴趣爱好等；外界环境数据是指如移动互联网流量、手机上网用户增长、自费套餐等。

需要说明的是，预设的分析模型具体可以是分布式系统基础架构(Hadoop)模型，该模型是一个涵盖数据存储、管理和分析功能的较为完整的大数据生态系统，是大数据存储与处理领域地位中最重要、应用最广泛的开源框架，能够实现对海量数据的批量分析，具备有高可靠性、高扩展性和高容错性等优秀性能，能够提高对历史行为数据的处理能力，从而提高获取适合用户的理财产品资讯信息的效率。

S23：按照预设的分类方式，对用户标签进行分类，得到原始用户标签组。

具体地，按照预设的分类方式，对用户标签进行分类具体可以是使用聚类算法对用户标签进行聚合，将聚合度高的用户标签放入同一个分类，得到不同的分类属于的类别，这些类别即为原始用户标签组。

其中，对用户标签进行分类的聚类算法具体可以是基于密度的聚类(DBSCAN)算法、满足方差最小标准的k个聚类(K-means)算法，或者DBSCAN和K-means混合算法。

优选地，本实施例使用K-means算法对用户标签进行分类，其中，K-means算法是基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

S24：根据历史行为数据中记录的时间顺序，对原始用户标签组进行排序，得到目标用户标签组。

具体地，由步骤S21可知，用户的历史行为数据包含该历史行为发生的时间，因此能够按照历史行为数据发生的时间顺序，对历史行为数据对应的用户标签进行排序，进而根据该标签排序结果对原始用户标签组进行排序，得到排序后的目标用户标签组。

S25：根据目标用户标签组，获取用户的偏好特征信息。

具体地，根据预设的理财产品资讯信息的推送产品种类，从在步骤S24中获取到的目标用户标签组中提取包含该推送产品种类的基础用户标签组，然后，按照标签组的先后顺序，获取预设的前k个基础用户标签组作为标准用户标签组，其中，k为正整数，小于基础用户标签组的总个数，进而将获取到的标准用户标签组中的每个标准用户标签对应的标准用户关键字，作为用户偏好特征信息。

例如，在一具体实施方式中，预设的理财产品资讯信息推送种类为不超过三类，即最多获取三类用户兴趣偏好，按照目标用户标签组的排序，按顺序选取前三组目标用户标签组对应的三组用户关键字，并将该三组用户关键字作为当前用户的偏好特征信息。

在本实施例中，由于能够根据用户的历史行为数据分析出用户在考量理财产品的时候所做出的理性的具有倾向性的选择，因此通过从历史访问网页中，获取用户的历史行为数据，并按照预设的分析模型，对历史行为数据进行分析，得到用户关键字，以及用户关键字对应的用户标签，然后，按照预设的分类方式，对用户标签进行分类，得到原始用户标签组，能够精确获取每个原始用户标签组的类别，进而根据历史行为数据中记录的时间顺序，对原始用户标签组进行排序，得到目标用户标签组，并根据目标用户标签组，获取用户的偏好特征信息，能够直观地反映出用户的偏好特征信息中的优先喜好，能够更加有针对性地为用户推荐适合理财产品信息，从而提高获取适合用户的理财产品资讯信息的准确率。

在一实施例中，如图4所示，步骤S22中，即按照预设的分析模型，对历史行为数据进行分析，得到用户关键字，以及用户关键字对应的用户标签具体包括如下步骤：

S221：对历史行为数据进行关键信息的提取分析，得到用户初始关键字。

具体地，对历史行为数据进行关键信息的提取分析具体可以是通过对步骤S21中获取到的历史行为数据中的搜索关键字、点击超链接的ID所对应的页面信息和浏览的页面信息进行关键信息提取分析，从而获取用户初始关键字。

其中，点击超链接的ID所对应的页面信息是指点击操作的对象的ID在后台数据库中对应的页面信息。

例如，在一具体实施例中，假设用户选择了点击超链接ID为“NS_5423”的超链接后，能够在后台数据库中查询获知超链接ID为“NS_5423”的超链接所对应的页面为“https://qy.compass.xxxxxx.com/#1472018”，进而提取该页面的产品标题，产品基本信息等，作为用户初始关键字，如“安全理财可网贷，踏实巧取高收益”。

S222：按照预设的分析模型，对用户初始关键字进行干扰词汇过滤，得到用户关键字。

具体地，按照预设的分析模型，对用户初始关键字进行干扰词汇过滤，具体可以是通过采用自然语言处理技术中的向量空间模型，对在步骤S221中获取到的用户初始关键字进行干扰词汇过滤，删除用户初始关键字中冗余的信息，得到能够准确反映用户偏好的关键信息的用户关键字，从而提高获取适合用户的理财产品资讯信息的准确率。

S223：计算用户关键字对应的词频向量，并根据计算结果确定用户关键字对应的用户标签。

具体地，由于在人工智能中，语言表示主要指语言的形式化或数学的描述，以便在计算机中表示语言，并能让计算机程序自动处理，因此计算用户关键字对应的词频向量，能够实现提高对用户关键字的处理效率，从而提高获取适合用户的理财产品资讯信息的效率，其中，用户关键字对应的词频向量是指用向量的形式来表示用户关键字，计算用户关键字对应的词频向量具体可以是通过统计每种用户关键字出现的次数，并将每种用户关键字出现的次数作为词频向量中的分量，分量的集合即用户关键字对应的词频向量，还可以是其他计算方式，此处不做限制，然后，将分量的数值大于或等于预设的分量阈值对应的关键字，确定为用户标签。

在本实施例中，通过对历史行为数据进行关键信息的提取分析，得到用户初始关键字，并按照预设的分析模型，对用户初始关键字进行干扰词汇过滤，得到用户关键字，得到能够准确反映用户偏好的关键信息的用户关键字，从而提高获取适合用户的理财产品资讯信息的准确率，然后，计算用户关键字对应的词频向量，并根据计算结果确定用户关键字对应的用户标签，能够实现提高对用户关键字的处理效率，从而提高获取适合用户的理财产品资讯信息的效率。

在一实施例中，如图5所示，在步骤S222中，即按照预设的分析模型，对用户初始关键字进行干扰词汇过滤，得到用户关键字具体包括如下步骤：

S2221：在预设的分析模型中，采用预设的分词算法，对用户初始关键字进行分词处理，得到用户初始关键字对应的分词。

具体地，在预设的分析模型中，采用预设的分词算法，对用户初始关键字进行分词处理，具体可以是将在步骤S221中获取的用户初始关键字输入预设的向量空间模型中，采用向量空间模型中的IK分词算法，即正向迭代最细粒度切分算法，对用户初始关键字进行分词处理，得到用户初始关键字对应的若干个分词，实现对用户初始关键字的细致划分，从而提高获取适合用户的理财产品资讯信息的准确率。

S2222：将每个分词作为分量所组成的合集，确定为用户初始关键字的词汇向量。

具体地，将每个分词作为分量所组成的合集，确定为用户初始关键字的词汇向量具体可以是将在步骤S2221中获取到的若干个分词进行汇总，将每个分词按照分词处理时，输出分词的先后顺序，将这些分词作为用户初始关键字的词汇向量中的第i个分量，然后，将这些分量组成的分量集合，作为用户初始关键字的词汇向量，其中，i为正整数，小于等于分词的总个数。

S2223：将每个分词，按照分词的词义进行词语分类，得到包含相同词义的基础分词的类别集合。

具体地，将每个分词按照分词的词义进行词语分类，具体可以是获取预设的词义种类，然后，将在步骤S2221中获取到的各个分词划分到属于的词义种类中，得到多个有相同词义的分词，并将每种词义种类中的分词作为基础分词，实现对分词的词语分类，得到包含若干词义种类的类别集合，其中，例如，预设的词义种类具体可以是与理财产品相关的词汇或与理财产品无关的词汇，还可以是其他种类，具体可以根据实际应用需求进行设置，此处不做限制。

S2224：获取符合预设词义条件的类别集合中的基础分词作为用户关键字。

具体地，获取符合预设词义条件的类别集合中的基础分词作为用户关键字，具体可以是获取预设的词义条件，然后，在步骤S2223中获取到的类别集合中的基础分词中，将满足预设词义条件的基础分词提取出来作为用户关键字，其中，预设词义条件是根据实际应用需求进行设置的，如一预设词义条件为“+名词+理财产品名称-股票”，其中，预设词义条件中的“+”表示“是”，“-”表示“否或非”，预设词义条件是对基础分词进行进一步的限定，能够实现更加准确的提取出反映用户偏好特征信息的用户关键字，从而提高获取适合用户的理财产品资讯信息的准确率。

在本实施例中，通过在预设的分析模型中，采用预设的分词算法，对用户初始关键字进行分词处理，得到用户初始关键字对应的分词，能够实现对用户初始关键字的细致划分，从而提高获取适合用户的理财产品资讯信息的准确率，进而将每个分词作为分量所组成的合集，确定为用户初始关键字的词汇向量，将每个分词，按照分词的词义进行词语分类，得到包含相同词义的基础分词的类别集合，然后，获取符合预设词义条件的类别集合中的基础分词作为用户关键字，能够更加准确地获取到反映用户偏好的关键信息的用户关键字，进一步地提高获取适合用户的理财产品资讯信息的准确率。

在一实施例中，如图6所示，步骤S223中，即计算用户关键字对应的词频向量，并根据计算结果确定用户关键字对应的用户标签具体包括如下步骤：

S2231：计算用户关键字中的每个基础分词，在用户初始关键字的词汇向量中的出现的频率，得到用户关键字对应的词频向量。

具体地，计算用户关键字中的每个分词，在用户初始关键字的词汇向量中的出现的频率，得到用户关键字的词频向量，可以通过一具体实施例进行说明，例如，在一具体实施例中，假设在步骤S221中获取到的用户初始关键字为“安全理财可网贷，踏实巧取高收益”，然后在步骤S2221进行分词处理时，可将获取到的用户初始关键字“安全理财可网贷，踏实巧取高收益”分割为“安全”、“理财”、“可”、“网贷”、“踏实”、“巧取”、“高”、“收益”八个关键词汇，将这八个关键词汇作为词汇向量集合中的分量，可以得到用户初始关键字的词汇向量＝[安全，理财，可，网贷，踏实，巧取，高，收益]，然后，根据预设的词义种类，由于“安全”、“可”、“踏实”、“巧取”、“高”五个词均为词义与理财产品无关的词汇，可予剔除，“理财”、“网贷”和“收益”为能反应用户需求的产品特征的，且词义与理财产品有关的词汇，则能够得到的三个关键词为：“理财”、“网贷”和“收益”，并将这三个关键词作为用户关键字，而这三个关键词在初始用户关键字的词汇向量中的出现的频率为[0,1,0,1,0,0,0,1]。

S2232：计算每个用户关键字的词频向量和预设的基础词汇向量之间的相似度，并将满足阈值要求的相似度对应的基础词汇向量中的基础分词确定为用户标签。

具体地，计算每个用户关键字的词频向量和预设的基础词汇向量之间的相似度，并将满足阈值要求的相似度对应的基础词汇向量中的基础分词确定为用户标签，可以通过一具体实施例进行说明，例如，在一具体实施例中，可以根据预设语料库，构建与理财产品相关的词汇的基础词汇向量，进而针对每个用户关键字的词频向量，计算词频向量和预设的基础词汇向量之间的相似度，可以通过计算该词频向量与其他基础词向量之间的空间距离，作为相似度，即计算欧氏距离，还可以通过余弦相似度计算公式，计算每个用户关键字的词频向量和预设的基础词汇向量之间的相似度，此处不做限制，然后，获取每个用户关键字的词频向量的数值最小的相似度，作为最小相似度，进一步地，从若干个最小相似度中，获取小于或等于预设相似度阈值的目标相似度，并将该目标相似度对应的基础词向量作为用户标签，能够实现把对关键字的处理简化为向量空间中的向量运算，并且它以空间上的相似度表达语义的相似度，直观易懂，使得在生成用户标签的时候，过滤掉用户很少关注的用户关键字，进而可以更加准确地确定用户偏好，从而提高获取适合用户的理财产品资讯信息的准确率。

在本实施例中，通过计算用户关键字中的每个基础分词，在用户初始关键字的词汇向量中的出现的频率，得到用户关键字对应的词频向量，然后，计算每个用户关键字的词频向量和预设的基础词汇向量之间的相似度，并将满足阈值要求的相似度对应的基础词汇向量中的基础分词确定为用户标签，能够实现把对关键字的处理简化为向量空间中的向量运算，减小运算量，从而提高获取适合用户的理财产品资讯信息的效率，并且它以空间上的相似度表达语义的相似度，直观准确地反映用户偏好的关键字，从而提高获取适合用户的理财产品资讯信息的准确率。

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。

在一实施例中，提供一种理财产品推荐装置，该理财产品推荐装置与上述实施例中理财产品推荐方法一一对应。如图7所示，该理财产品推荐装置包括请求接收模块71、特征提取模块72、标签获取模块73、数据获取模块74、数据分析模块75、标签查找模块76和信息推送模块77。各功能模块详细说明如下：

请求接收模块71，用于若接收到客户端发送的对理财产品网站的页面访问请求，则获取页面访问请求中的用户在理财产品网站中对应的历史访问网页；

特征提取模块72，用于从获取到的历史访问网页中，提取用户的偏好特征信息；

标签获取模块73，用于从预设的产品标签库中，获取偏好特征信息对应的偏好产品标签；

数据获取模块74，用于获取用户的消费行为数据；

数据分析模块75，用于计算消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算消费行为数据中购买的理财产品的产品分数，并将基础购买分数和产品分数作为消费行为数据对应的购买能力信息；

标签查找模块76，用于从预设的产品标签库中，获取购买能力信息对应的购买产品标签；

信息推送模块77，用于获取偏好产品标签和购买产品标签之间的交集，并将交集中的产品标签作为目标产品标签，向用户推送该目标产品标签对应的理财产品资讯信息。

进一步地，特征提取模块72包括：

数据提取子模块721，用于从历史访问网页中，获取用户的历史行为数据；

模型分析子模块722，用于按照预设的分析模型，对历史行为数据进行分析，得到用户关键字，以及用户关键字对应的用户标签；

标签分类子模块723，用于按照预设的分类方式，对用户标签进行分类，得到原始用户标签组；

标签排序子模块724，用于根据历史行为数据中记录的时间顺序，对原始用户标签组进行排序，得到目标用户标签组；

偏好获取子模块725，用于根据目标用户标签组，获取用户的偏好特征信息。

进一步地，模型分析子模块722包括：

行为分析单元7221，用于对历史行为数据进行关键信息的提取分析，得到用户初始关键字；

词汇过滤单元7222，用于按照预设的分析模型，对用户初始关键字进行干扰词汇过滤，得到用户关键字；

向量计算单元7223，用于计算用户关键字对应的词频向量，并根据计算结果确定用户关键字对应的用户标签。

进一步地，词汇过滤单元7222包括：

分词处理子单元72221，用于在预设的分析模型中，采用预设的分词算法，对用户初始关键字进行分词处理，得到用户初始关键字对应的分词；

向量确定子单元72222，用于将每个分词作为分量所组成的合集，确定为用户初始关键字的词汇向量；

词语分类子单元72223，用于将每个分词，按照分词的词义进行词语分类，得到包含相同词义的基础分词的类别集合；

集合获取子单元72224，用于获取符合预设词义条件的类别集合中的基础分词作为用户关键字。

进一步地，向量计算单元7223包括：

频率计算子单元72231，用于计算用户关键字中的每个基础分词，在用户初始关键字的词汇向量中的出现的频率，得到用户关键字对应的词频向量；

相似计算子单元72232，用于计算每个用户关键字的词频向量和预设的基础词汇向量之间的相似度，并将满足阈值要求的相似度对应的基础词汇向量中的基础分词确定为用户标签。

关于理财产品推荐装置的具体限定可以参见上文中对于理财产品推荐方法的限定，在此不再赘述。上述理财产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于保存用户的行为数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种理财产品推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例理财产品推荐方法的步骤，例如图2所示的步骤S1至步骤S7。或者，处理器执行计算机程序时实现上述实施例中理财产品推荐装置的各模块/单元的功能，例如图7所示模块71至模块77的功能。为避免重复，这里不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中文本处理方法，或者，该计算机程序被处理器执行时实现上述装置实施例中理财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。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

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的技术方案进行修改，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 (10)

1.一种理财产品推荐方法，其特征在于，所述理财产品推荐方法包括：

若接收到客户端发送的对理财产品网站的页面访问请求，则获取所述页面访问请求中的用户在所述理财产品网站中对应的历史访问网页；

从获取到的所述历史访问网页中，提取所述用户的偏好特征信息；

从预设的产品标签库中，获取所述偏好特征信息对应的偏好产品标签；

获取所述用户的消费行为数据；

计算所述消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取所述理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算所述消费行为数据中购买的理财产品的产品分数，并将所述基础购买分数和所述产品分数作为所述消费行为数据对应的购买能力信息；

从所述预设的产品标签库中，获取所述购买能力信息对应的购买产品标签；

获取所述偏好产品标签和所述购买产品标签之间的交集，并将所述交集中的产品标签作为目标产品标签，向所述用户推送该目标产品标签对应的理财产品资讯信息。

2.如权利要求1所述的理财产品推荐方法，其特征在于，所述从获取到的所述历史访问网页中，提取所述用户的偏好特征信息包括：

从所述历史访问网页中，获取所述用户的历史行为数据；

按照预设的分析模型，对所述历史行为数据进行分析，得到用户关键字，以及所述用户关键字对应的用户标签；

按照预设的分类方式，对所述用户标签进行分类，得到原始用户标签组；

根据所述历史行为数据中记录的时间顺序，对所述原始用户标签组进行排序，得到目标用户标签组；

根据所述目标用户标签组，获取所述用户的偏好特征信息。

3.如权利要求2所述的理财产品推荐方法，其特征在于，所述按照预设的分析模型，对所述历史行为数据进行分析，得到用户关键字，以及所述用户关键字对应的用户标签包括：

对所述历史行为数据进行关键信息的提取分析，得到用户初始关键字；

按照预设的分析模型，对所述用户初始关键字进行干扰词汇过滤，得到用户关键字；

计算所述用户关键字对应的词频向量，并根据计算结果确定所述用户关键字对应的用户标签。

4.如权利要求3所述的理财产品推荐方法，其特征在于，所述按照预设的分析模型，对所述用户初始关键字进行干扰词汇过滤，得到用户关键字包括：

在所述预设的分析模型中，采用预设的分词算法，对所述用户初始关键字进行分词处理，得到所述用户初始关键字对应的分词；

将每个所述分词作为分量所组成的合集，确定为所述用户初始关键字的词汇向量；

将每个所述分词，按照所述分词的词义进行词语分类，得到包含相同词义的基础分词的类别集合；

获取符合预设词义条件的所述类别集合中的所述基础分词作为用户关键字。

5.如权利要求3所述的理财产品推荐方法，其特征在于，所述计算所述用户关键字对应的词频向量，并根据计算结果确定所述用户关键字对应的用户标签包括：

计算所述用户关键字中的每个所述基础分词，在所述用户初始关键字的词汇向量中的出现的频率，得到所述用户关键字对应的词频向量；

计算每个所述用户关键字的词频向量和预设的基础词汇向量之间的相似度，并将满足阈值要求的相似度对应的基础词汇向量中的基础分词确定为所述用户标签。

6.一种理财产品推荐装置，其特征在于，所述理财产品推荐装置包括：

请求接收模块，用于若接收到客户端发送的对理财产品网站的页面访问请求，则获取所述页面访问请求中的用户在所述理财产品网站中对应的历史访问网页；

特征提取模块，用于从获取到的所述历史访问网页中，提取所述用户的偏好特征信息；

标签获取模块，用于从预设的产品标签库中，获取所述偏好特征信息对应的偏好产品标签；

数据获取模块，用于获取所述用户的消费行为数据；

数据分析模块，用于计算所述消费行为数据中的理财产品购买率，根据预设的购买阈值范围和购买分数的对应关系，获取所述理财产品购买率对应的基础购买分数，以及根据预设的产品权重值计算所述消费行为数据中购买的理财产品的产品分数，并将所述基础购买分数和所述产品分数作为所述消费行为数据对应的购买能力信息；

标签查找模块，用于从所述预设的产品标签库中，获取所述购买能力信息对应的购买产品标签；

信息推送模块，用于获取所述偏好产品标签和所述购买产品标签之间的交集，并将所述交集中的产品标签作为目标产品标签，向所述用户推送该目标产品标签对应的理财产品资讯信息。

7.如权利要求6所述的理财产品推荐装置，其特征在于，所述特征提取模块包括：

数据提取子模块，用于从所述历史访问网页中，获取所述用户的历史行为数据；

模型分析子模块，用于按照预设的分析模型，对所述历史行为数据进行分析，得到用户关键字，以及所述用户关键字对应的用户标签；

标签分类子模块，用于按照预设的分类方式，对所述用户标签进行分类，得到原始用户标签组；

标签排序子模块，用于根据所述历史行为数据中记录的时间顺序，对所述原始用户标签组进行排序，得到目标用户标签组；

偏好获取子模块，用于根据所述目标用户标签组，获取所述用户的偏好特征信息。

8.如权利要求7所述的理财产品推荐装置，其特征在于，所述模型分析子模块包括：

行为分析单元，用于对所述历史行为数据进行关键信息的提取分析，得到用户初始关键字；

词汇过滤单元，用于按照预设的分析模型，对所述用户初始关键字进行干扰词汇过滤，得到用户关键字；

向量计算单元，用于计算所述用户关键字对应的词频向量，并根据计算结果确定所述用户关键字对应的用户标签。

9.一种计算机设备，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5任一项所述理财产品推荐方法的步骤。

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5任一项所述理财产品推荐方法的步骤。