CN110020917A - 一种基于协同过滤的在线理财产品推荐方法 - Google Patents

一种基于协同过滤的在线理财产品推荐方法 Download PDF

Info

Publication number
CN110020917A
CN110020917A CN201910197094.9A CN201910197094A CN110020917A CN 110020917 A CN110020917 A CN 110020917A CN 201910197094 A CN201910197094 A CN 201910197094A CN 110020917 A CN110020917 A CN 110020917A
Authority
CN
China
Prior art keywords
product
product information
line financing
user
line
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
Application number
CN201910197094.9A
Other languages
English (en)
Inventor
张玉
王小刚
李鑫垚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201910197094.9A priority Critical patent/CN110020917A/zh
Publication of CN110020917A publication Critical patent/CN110020917A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于协同过滤的在线理财产品推荐方法，包括如下步骤：获取未使用在线理财产品信息；将未使用在线理财产品信息输入预置产品价值评价矩阵得到未使用在线理财产品信息评级数据；获取已使用在线理财产品信息评级数据，并结合未使用在线理财产品信息评级数据形成用户‑理财产品的二维评级矩阵；基于用户的协同过滤算法和基于项的协同过滤算法排序已使用在线理财产品信息和未使用在线理财产品信息并推送预设排序阈值内的在线理财产品信息。本发明通过协同过滤算法和关联规则分析方法在金融产品推荐中的应用，充分利用了用户群体的智慧，基于的前提是兴趣相近的用户对同样的产品感兴趣。

Description

一种基于协同过滤的在线理财产品推荐方法
技术领域
本发明涉及互联网领域，具体而言，本发明涉及一种基于协同过滤的在线理财产品推荐方法。
背景技术
产品推荐在实际市场中应用场景非常广泛，比如亚马逊商城、淘宝、京东等电商物品投放或者今日头条等新闻站点相关题材内容资讯展示。企业通过使用产品推荐,可提升用户体验满意度、实现更好的交叉销售、提高营业额度。用户每天都面临着大量事件的选择，在没有有效辅助决策信息之前，从其他用户反馈信息中了解某事物的特性，可以加快我们选择的过程。如，我们在没有买产品之前,选择是否购买该产品以及相关物，可以通过企业产品推荐系统提供的信息来获得较好的参考依据。
虽然协同过滤作为一种推荐机制有其广泛的应用，但协同过滤仍有许多的问题需要解决。当前，最典型的问题有稀疏性问题、新用户问题以及推荐系统中的作弊。
具体的，协同过滤的精度主要取决于用户数据的多少。如果一个系统有很多用户的历史数据，他就能更好的对用户的喜好做出预测。所以，目前推荐系统做得最好都是那些有着大量用户数据的公司，比如谷歌。但是，即使拥有很多数据，数据还是不够多，因为推荐系统的历史还不够长，还没有积累足够的数据。新用户问题是指如何对新用户做出推荐。系统开始时推荐质量较差，这个问题和数据稀疏问题有一些相似性。当一个新用户进入一个网络时，我们对他的兴趣爱好还一无所知，这时如何做出推荐是一个很重要的问题。一般在这个时候，我们只是向用户推荐那些普遍反映较好的物品，也就是说，推荐完全是基于物品的。此外，新用户问题还有一个变种就是长尾问题，也就是说不是所有的用户都给出了评分，这些用户就处在一个长尾中，因此如何处理那些不太表露自己兴趣的用户，也是推荐方法面临的一个主要问题。最后是推荐系统中的作弊，只要涉及到经济利益，就有人作弊。搜索引擎作弊是一个被研究了很久的问题，因为在搜索引擎中，自己的网站排名越高，就能获得越多的经济利益。在推荐系统中也是如此，比如在淘宝中，如果一个卖家的物品经常被推荐给用户，他就可能获得很多经济利益。因此，很多电子商务的推荐系统都遭受到了作弊的干扰，一些人通过一些技术手段，对自己卖的物品给出非常高的评分，这就是一种作弊行为。
发明内容
为了寻找更为有效的在线理财产品的实现方案，本发明提供了一种基于协同过滤的在线理财产品推荐方法，该基于协同过滤的在线理财产品推荐方法包括如下步骤：
获取未使用在线理财产品信息；
将所述未使用在线理财产品信息输入预置产品价值评价矩阵得到未使用在线理财产品信息评级数据，其中，所述预置产品价值评价矩阵基于使用关联矩阵法建立用户对所述在线理财产品的评价模型得到，所述产品价值评价矩阵的X轴为单项评价值，所述产品价值评价矩阵的Y轴为评价指标的权重值，所述评价指标包括涨幅率、盈利率和用户评分；
获取已使用在线理财产品信息评级数据，并结合所述未使用在线理财产品信息评级数据形成用户-理财产品的二维评级矩阵；
基于用户的协同过滤算法和基于项的协同过滤算法排序已使用在线理财产品信息和未使用在线理财产品信息并推送预设排序阈值内的在线理财产品信息。
优选地，所述获取未使用在线理财产品信息包括如下步骤：
采用网络爬虫方式获取未使用在线理财产品信息。
优选地，所述评价指标包括一级指标和二级指标，所述一级指标为涨幅率、盈利率和用户评分；所述二级指标为所述一级指标以年、六个月、三个月、一个月或一周为时间单元进行统计得到的涨幅率、盈利率和用户评分数据。
优选地，所述产品价值评价矩阵的Y轴为评价指标的权重值基于古林算法确定。
优选地，所述产品价值评价矩阵的Y轴为评价指标的权重值如下：所述涨幅率的权重值为30％，所述盈利率的权重值为30％，所述用户评分的权重值为40％。
与现有技术相比，本发明一种基于协同过滤的在线理财产品推荐方法具有如下有益效果：
本发明一种基于协同过滤的在线理财产品推荐方法通过协同过滤算法和关联规则分析方法在金融产品推荐中的应用，充分利用了用户群体的智慧,基于的前提是兴趣相近的用户对同样的产品感兴趣。或者用户比较偏爱与其已购买产品类似的产品。这样极大地促进了金融产品推荐的主观性，更多地从统计学意义上去发掘产品销售规律,为有需求的用户提供强有力决策支持。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一种基于协同过滤的在线理财产品推荐方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
请参阅图1，本发明实施例基于协同过滤的在线理财产品推荐方法，其包括步骤S101～S107，具体地：
步骤S101：获取未使用在线理财产品信息。
在一些实施方式中，获取未使用在线理财产品信息为采用网络爬虫方式获取未使用在线理财产品信息。
示例地，首先选取一部分与金融产品有关的统一资源定位符(Uniform ResourceLocations，简称URL)，例如：http：//www.eastmoney.com/(东方财富网)，接着将这些有价值的URL放入待抓取URL队列；然后向服务器发起请求，通过超文本传输协议向目标站点发起请求，等待服务器的响应。
待获得获取响应内容，其类型可能有HTML、JSON、二进制文件(如图片、视频等类型)，分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。
值得注意的是，得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是JSON，可以直接转成JSON对象进行解析，可能是二进制数据，可以保存或者进一步处理。保存形式多样，可以保存成文本，也可以保存至数据库，或者保存成特定格式的文件，对保密性要求高的信息可以采取加密方式转成密文然后保存至高安全性云端。
步骤S103：将所述未使用在线理财产品信息输入预置产品价值评价矩阵得到未使用在线理财产品信息评级数据，其中，所述预置产品价值评价矩阵基于使用关联矩阵法建立用户对所述在线理财产品的评价模型得到，所述产品价值评价矩阵的X轴为单项评价值，所述产品价值评价矩阵的Y轴为评价指标的权重值，所述评价指标包括涨幅率、盈利率和用户评分。
运用关联规则分析方法和协同过滤算法中得到的金融产品(包括基金、股票、货币、国债和期货等)之间的关联性高和相似特征多的产品构成一个产品集合；在关联规则分析法中，关联规则挖掘的第一阶段必须从收集的原始资料集合中，利用Apriori算法、基于划分的算法和FP-树频集算法找出所有理财产品组相对于所有记录而言支持度高于10％的金融理财产品。
详细地，首先，采用剪枝策略产生理财产品之间的频繁项集，具体如下：
①每个项都是候选1项集的集合C1的成员。算法扫描所有的事务，获得每个项，生成C1。然后对每个项进行计数。然后根据最小支持度从C1中删除不满足的项，从而获得频繁1项集L1。
②对L1的自身连接生成的集合执行剪枝策略产生候选2项集的集合C2，然后，扫描所有事务，对C2中每个项进行计数。同样的，根据最小支持度从C2中删除不满足的项，从而获得频繁2项集L2。
③对L2的自身连接生成的集合执行剪枝策略产生候选3项集的集合C3，然后，扫描所有事务，对C3每个项进行计数。同样的，根据最小支持度从C3中删除不满足的项，从而获得频繁3项集L3。
④以此类推，对Lk-1的自身连接生成的集合执行剪枝策略产生候选k项集Ck，然后，扫描所有事务，对Ck中的每个项进行计数。然后根据最小支持度从Ck中删除不满足的项，从而获得频繁k项集。
其次，在理财产品之间的频繁项集中产生规则，并从此频繁项集中提取所有高置信度的规则，并将这些高置信度规则的支持度进行降序排序。其中，选取出高置信度和高支持度的规则：
①对于每个频繁项集itemset，产生itemset的所有非空子集，根据Apriori算法；可知这些非空子集一定是频繁项集；
对于itemset的每个非空子集s，如果则输出其中min_conf是最小置信度阈值。
②若理财产品A、B有一定的关联性,则称A、B的支持度：最小支持度；并由此求出最小支持度。若一规则所求得的信赖度满足最小支持度，则称两个理财产品之间存在关联规则。
在这些产品集中，一个满足最小支持度的k-itemset，则称为高频k-项目组，表示为Large k或Frequent k。然后，利用关联规则分析法从Large k的项目组中再产生Large k+1，随着高频项目组数量逐渐增大,其支持度会逐渐减小为监测支持度的变化趋势，在每产生一个高频项目组时对支持度进行计算并与上一支持度进行比较，当支持度开始减小时，说明产品之间的关联性开始下降，直到下降至最小支持度，此时停止寻找更长的高频项目组。
在一些实施方式中，金融产品信息包括基金收益类产品、股票类产品、货币类产品、国债类产品、期货类产品。运用关联规则分析方法和协同过滤算法之前还包括对初始数据库进行输入特征提取，输入特征包括但不限于以下：收益率(年、月、日)、涨幅率(年、月、日)、咨询次数、购买次数、满意度指数、是否会购买同类产品等。
在一些实施方式中，对产品集合进行筛选包括：针对每个用户，梳理其已经购买的产品，为其推荐未购买的产品集合中的产品以及推荐值。
值得注意的是，考虑到在目前处理稀疏数据的算法中，软性SVD是一种最好的方法。因此，建立新产品的数据库，该数据库包括用户新购买的金融产品信息及用户购买相关金融产品记录及售后数据；根据新产品的数据库中新产品信息提取输入特征形成分析数据,并对该分析数进行奇异值SVD降维分解,获取达到总能量阈值比例的前几个元素及数据。对处理后的数据采用编辑距离算法计算相似度，具体如下：
(1)定义n为源字符串str1的长度，定义m为目标字符串str2的长度。
如果n等于0，返回m并退出。
如果m等于0，返回n并退出。
构造一个矩阵d[m+1,n+1]含有m行和n列。
(2)初始化矩阵第一行0～n；初始化矩阵第一列0～m。
(3)检查str1(i from 1to n)中的每个字符。
(4)检查str2(j from1to m)中的每个字符。
(5)如果s[i]等于t[j]，则编辑代价cost为0，如果s[i]不等于t[j]，则编辑代价cost为1。
(6)设置矩阵单元格d[i,j]的值为下而的最小值:
a.正上方单元格的值1:d[i-1,j]+1.
b.左边单元格的值加1:d[i,j-1]+1.
c.对角线单元格的值加上编辑代价cost的值:d[i-1,j-1]+cost.
(7)在完成步骤(3)、(4)、(5)、(6)的迭代之后，d[m,n]便是编辑距离的值。d[m,n]越小，说明用户之间的相似度越大，找出所有相似度大的用户群体放入同一集合，合并上述新产品信息和用户信息获取的相似的用户群体构成用户集合,将此用户集合推给对新产品感兴趣的用户，最终由此用户集合导出收益最大、风险最小的产品，并将导出的结果推荐给用户。
在一些实施方式中，评价指标包括一级指标和二级指标，一级指标为涨幅率、盈利率和用户评分；二级指标为一级指标以年、六个月、三个月、一个月或一周为时间单元进行统计得到的涨幅率、盈利率和用户评分数据。
在一些实施方式中，产品价值评价矩阵的Y轴为评价指标的权重值如下：涨幅率的权重值为30％，盈利率的权重值为30％，用户评分的权重值为40％。
在一些实施方式中，产品价值评价矩阵的Y轴为评价指标的权重值基于古林算法确定。
单项评价值是对获得的产品的多个方面进行单项评价，单项评价的人由在该产品上已获利的用户和专家，由专家、已获利用户打分，去掉最低分和最高分，取算术平均值。专家的知识和长期积累的经验毕竟有偏差，为减轻权威的影响，同时注重使用德尔菲函询法、关联规则分析法，实现以数据方式来解释理财产品的优良性，而不是道听途说，从而达到降低用户潜在风险性的目的，最终导出单项评价值。在坐标系中以单项评价值作为X轴，以评价指标的权重值作为Y轴，建立坐标系，以切线斜率代表综合评价值，评价值越高越好。
步骤S105：获取已使用在线理财产品信息评级数据，并结合所述未使用在线理财产品信息评级数据形成用户-理财产品的二维评级矩阵。
步骤S107：基于用户的协同过滤算法和基于项的协同过滤算法排序已使用在线理财产品信息和未使用在线理财产品信息并推送预设排序阈值内的在线理财产品信息。
具体地，根据得到的已使用在线理财产品的评级数据，加上未使用的理财产品评级数据形成用户与各类理财产品的二维评级矩阵；然后，基于用户的协同过滤算法和基于项的协同过滤算法实现对在线理财产品的自动排名及推荐。
在一些实施方式中，推荐根据用户需求包括用于日常推荐的常规化每日推荐和满足用户个性化需求的个性化及时推荐，具体如下：
常规化每日推荐：。
在用户所有未评价的产品中计算与用户已评价产品计算Pearson相关系数，并加权求和，导出Pearson系数排名前三且收益率最大、风险最小的金融产品并推荐给用户。
个性化及时推荐：
通过逆转用户-评分二维矩阵，找出与该用户相似度最高的三位用户的理财、投资产品，并根据目标用户需求挑选其未评分的产品推荐。
与现有技术相比，本发明实施例一种基于协同过滤的在线理财产品推荐方法具有如下有益效果：
本本发明实施例一种基于协同过滤的在线理财产品推荐方法通过协同过滤算法和关联规则分析方法在金融产品推荐中的应用，充分利用了用户群体的智慧,基于的前提是兴趣相近的用户对同样的产品感兴趣。或者用户比较偏爱与其已购买产品类似的产品。这样极大地促进了金融产品推荐的主观性，更多地从统计学意义上去发掘产品销售规律,为有需求的用户提供强有力决策支持。
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 (5)

1.一种基于协同过滤的在线理财产品推荐方法，其特征在于，所述基于协同过滤的在线理财产品推荐方法包括如下步骤：
获取未使用在线理财产品信息；
将所述未使用在线理财产品信息输入预置产品价值评价矩阵得到未使用在线理财产品信息评级数据，其中，所述预置产品价值评价矩阵基于使用关联矩阵法建立用户对所述在线理财产品的评价模型得到，所述产品价值评价矩阵的X轴为单项评价值，所述产品价值评价矩阵的Y轴为评价指标的权重值，所述评价指标包括涨幅率、盈利率和用户评分；
获取已使用在线理财产品信息评级数据，并结合所述未使用在线理财产品信息评级数据形成用户-理财产品的二维评级矩阵；
基于用户的协同过滤算法和基于项的协同过滤算法排序已使用在线理财产品信息和未使用在线理财产品信息并推送预设排序阈值内的在线理财产品信息。
2.如权利要求1所述的基于协同过滤的在线理财产品推荐方法，其特征在于，所述获取未使用在线理财产品信息包括如下步骤：
采用网络爬虫方式获取未使用在线理财产品信息。
3.如权利要求1所述的基于协同过滤的在线理财产品推荐方法，其特征在于，所述评价指标包括一级指标和二级指标，所述一级指标为涨幅率、盈利率和用户评分；所述二级指标为所述一级指标以年、六个月、三个月、一个月或一周为时间单元进行统计得到的涨幅率、盈利率和用户评分数据。
4.如权利要求3所述的基于协同过滤的在线理财产品推荐方法，其特征在于，所述产品价值评价矩阵的Y轴为评价指标的权重值基于古林算法确定。
5.如权利要求1所述的基于协同过滤的在线理财产品推荐方法，其特征在于，所述产品价值评价矩阵的Y轴为评价指标的权重值如下：所述涨幅率的权重值为30％，所述盈利率的权重值为30％，所述用户评分的权重值为40％。
CN201910197094.9A 2019-03-15 2019-03-15 一种基于协同过滤的在线理财产品推荐方法 Pending CN110020917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910197094.9A CN110020917A (zh) 2019-03-15 2019-03-15 一种基于协同过滤的在线理财产品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910197094.9A CN110020917A (zh) 2019-03-15 2019-03-15 一种基于协同过滤的在线理财产品推荐方法

Publications (1)

Publication Number Publication Date
CN110020917A true CN110020917A (zh) 2019-07-16

Family

ID=67189593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910197094.9A Pending CN110020917A (zh) 2019-03-15 2019-03-15 一种基于协同过滤的在线理财产品推荐方法

Country Status (1)

Country Link
CN (1) CN110020917A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461893A (zh) * 2020-04-01 2020-07-28 江苏德绅智股权投资有限公司 一种基于区块链的金融产品推送方法及系统
CN111708817A (zh) * 2020-05-18 2020-09-25 国网河北省电力有限公司 一种变电站监控信息的智能处置方法
CN112381620A (zh) * 2020-12-04 2021-02-19 中信银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读存储介质
CN112767143A (zh) * 2021-03-15 2021-05-07 中国工商银行股份有限公司 基于利润贡献度的理财产品推荐方法和装置
CN113052666A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 理财产品推荐方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
WO2015086960A1 (fr) * 2013-12-10 2015-06-18 Nuukik Systeme et procede informatise de recommandation d'un produit a un utilisateur
CN104899246A (zh) * 2015-04-12 2015-09-09 西安电子科技大学 基于模糊机制用户评分邻域信息的协同过滤推荐方法
CN105354330A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于稀疏数据预处理的协同过滤推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
WO2015086960A1 (fr) * 2013-12-10 2015-06-18 Nuukik Systeme et procede informatise de recommandation d'un produit a un utilisateur
CN104899246A (zh) * 2015-04-12 2015-09-09 西安电子科技大学 基于模糊机制用户评分邻域信息的协同过滤推荐方法
CN105354330A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于稀疏数据预处理的协同过滤推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张忠平等: "一种优化的基于项目评分预测的协同过滤推荐算法", 《计算机应用研究》 *
李鑫垚等: "一种基于协同过滤的金融产品推荐系统的设计", 《福建电脑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461893A (zh) * 2020-04-01 2020-07-28 江苏德绅智股权投资有限公司 一种基于区块链的金融产品推送方法及系统
CN111461893B (zh) * 2020-04-01 2023-07-21 江苏德绅智股权投资有限公司 一种基于区块链的金融产品推送方法及系统
CN111708817A (zh) * 2020-05-18 2020-09-25 国网河北省电力有限公司 一种变电站监控信息的智能处置方法
CN111708817B (zh) * 2020-05-18 2023-04-28 国网河北省电力有限公司 一种变电站监控信息的智能处置方法
CN112381620A (zh) * 2020-12-04 2021-02-19 中信银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读存储介质
CN112381620B (zh) * 2020-12-04 2024-07-09 中信银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读存储介质
CN112767143A (zh) * 2021-03-15 2021-05-07 中国工商银行股份有限公司 基于利润贡献度的理财产品推荐方法和装置
CN113052666A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 理财产品推荐方法及装置

Similar Documents

Publication Publication Date Title
CN110020917A (zh) 一种基于协同过滤的在线理财产品推荐方法
Berry et al. Data mining techniques
US20090125382A1 (en) Quantifying a Data Source's Reputation
CN103473354A (zh) 基于电子商务平台的保险推荐系统框架及保险推荐方法
Kommineni et al. Machine learning based efficient recommendation system for book selection using user based collaborative filtering algorithm
KHaitbaeva et al. An empirical analysis of attributes influencing bank selection choices by customers in the UAE: The Dubai context
Suh et al. A prediction model for the purchase probability of anonymous customers to support real time web marketing: a case study
CN108573408B (zh) 一种最大化利益的热门商品榜单制定方法
Ola et al. Revisiting constraints to smallholder participation in high‐value markets: A best‐worst scaling approach
KR102381179B1 (ko) 인공지능에 기반한 투자유치 플랫폼 시스템
Petnji Yaya et al. The expert experience in adopting the ES-QUAL scale
Belem et al. “Fixing the curse of the bad product descriptions”–Search-boosted tag recommendation for E-commerce products
CN115809926A (zh) 汇聚多种分销渠道联盟资源的创新联盟分销合作交易平台
Collier et al. A perspective on data mining
CN115310722A (zh) 一种基于数据统计的农产品价格预测方法
Ahsain et al. Data mining and machine learning techniques applied to digital marketing domain needs
Hadad et al. A decision‐making support system module for customer segmentation and ranking
CN117726357A (zh) 一种基于scrm的电商营销方法
Pu et al. Intelligent Movie Recommendation System Based on Hybrid Recommendation Algorithms
Tamrakar Essays on social media and firm financial performance
Tekin et al. Big data concept in small and medium enterprises: how big data effects productivity
Vikram et al. Data mining tools and techniques: a review
Ewah et al. Social Media Driven Marketing and Performance of Micro, Small and Medium Scale Enterprises in Akwa Ibom State, Nigeria.
Xiaona Personalized recommendation model for mobile E-commerce users
Xia et al. An application of recommender system with mingle-topn algorithm on b2b platform

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190716