CN110517151A - 一种产品推荐方法及系统 - Google Patents

一种产品推荐方法及系统 Download PDF

Info

Publication number
CN110517151A
CN110517151A CN201910806474.8A CN201910806474A CN110517151A CN 110517151 A CN110517151 A CN 110517151A CN 201910806474 A CN201910806474 A CN 201910806474A CN 110517151 A CN110517151 A CN 110517151A
Authority
CN
China
Prior art keywords
characteristic
user
information
characteristic information
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
Application number
CN201910806474.8A
Other languages
English (en)
Inventor
秦岳
耿晓阳
赵存超
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN201910806474.8A priority Critical patent/CN110517151A/zh
Publication of CN110517151A publication Critical patent/CN110517151A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请公开了一种产品推荐方法及系统，通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。

Description

一种产品推荐方法及系统
技术领域
本申请涉及信息处理领域，尤其涉及一种产品推荐方法及系统。
背景技术
掌上银行是银行企业的移动端APP，客户可以通过该APP完成金融交易，其中，理财、基金等产品推荐是掌上银行非常重要的功能之一，该功能可以辅助用户，使用户可以更快、更方便的选购适合的金融产品。
然而，目前，在进行金融产品推荐时，通常需要该用户已经购买过至少一种金融产品，在用户未购买过任何金融产品时，是不能实现金融产品的推荐的。
发明内容
有鉴于此，本申请提供一种产品推荐方法及系统，其具体方案如下：
一种产品推荐方法，包括：
确定用户信息，所述用户信息至少包括：用户属性特征信息及用户交易特征信息；
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理；
将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，所述预设推荐模型的输出值为所述用户对所述金融产品的预估购买值。
进一步的，所述将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，包括：
确定所述用户购买所述金融产品的次数；
若所述用户购买所述金融产品的次数为非0值，则直接将所述非0值作为所述用户对所述金融产品的购买值；
若所述用户购买所述金融产品的次数为0，则将处理后的所述特征信息及所述金融产品的产品属性信息作为预设推荐模型的输入，确定所述用户对所述金融产品的预估购买值。
进一步的，所述将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，包括：
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，将经过所述特征处理后的所述用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过所述线性加权处理后的特征信息归一化至第一数值范围。
进一步的，所述将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，包括：
确定所述用户信息中的多个特征信息所属的不同的特征类型；
将所述特征类型为数字特征的特征信息进行第一类型处理，将所述特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
进一步的，所述将所述特征类型为数字特征的特征信息进行第一类型处理，包括：
将所述特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理；将所述特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
一种产品推荐系统，包括：确定单元，处理单元及预估确定单元，其中：
所述确定单元用于确定用户信息，所述用户信息至少包括：用户属性特征信息及用户交易特征信息；
所述处理单元用于将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理；
所述预估确定单元用于将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，所述预设推荐模型的输出值为所述用户对所述金融产品的预估购买值。
进一步的，所述预估确定单元用于：
确定所述用户购买所述金融产品的次数；若所述用户购买所述金融产品的次数为非0值，则直接将所述非0值作为所述用户对所述金融产品的购买值；若所述用户购买所述金融产品的次数为0，则将处理后的所述特征信息及所述金融产品的产品属性信息作为预设推荐模型的输入，确定所述用户对所述金融产品的预估购买值。
进一步的，所述处理单元用于：
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，将经过所述特征处理后的所述用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过所述线性加权处理后的特征信息归一化至第一数值范围。
进一步的，所述处理单元用于：
确定所述用户信息中的多个特征信息所属的不同的特征类型；将所述特征类型为数字特征的特征信息进行第一类型处理，将所述特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
进一步的，所述处理单元将所述特征类型为数字特征的特征信息进行第一类型处理，包括：
所述处理单元将所述特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理；将所述特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
从上述技术方案可以看出，本申请公开的产品推荐方法及系统，确定用户信息，用户信息至少包括用户属性特征信息及用户交易特征信息，将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。本方案通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种产品推荐方法的流程图；
图2为本申请实施例公开的一种产品推荐方法的流程图；
图3为本申请实施例公开的一种产品推荐方法的流程图；
图4为本申请实施例公开的一种产品推荐系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请公开了一种产品推荐方法，其流程图如图1所示，包括：
步骤S11、确定用户信息，用户信息至少包括：用户属性特征信息及用户交易特征信息；
用户信息至少包括：用户属性特征信息及用户交易特征信息。
其中，用户属性特征信息可以包括：用户的基本属性、金融属性和交易属性，用户的基本属性包括：年龄、性别、开户地、学历等信息；用户的金融属性包括：活期余额、信用等级、持卡数量等，其中，持卡为开户的银行卡；交易属性包括：信用卡月均消费金额、笔数，借记卡转账金额、笔数等。
其中，用户交易特征信息可以包括：用户购买金融产品的金额、一定时间内的交易笔数等。
在有用户使用本申请公开的产品推荐方法所基于的产品推荐系统为用户进行金融产品推荐时，需要首先获取用户的用户属性特征信息以及用户交易特征信息。
步骤S12、将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理；
获取的用户的用户信息中包括不同种类的特征信息，将不同种类的特征信息按照其所属的特征类型进行特征处理，不同种类的特征信息按照预设的处理方式进行不同类型的特征处理。
步骤S13、将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。
金融产品的产品属性信息可以包括：金融产品的收益率、周期、是否保本、起点金额等。
预先创建预设推荐模型，其具体可以为DNN模型，即深层神经网络。
该预设推荐模型通过对多个用户的用户信息与这多个用户所选择的金融产品的产品属性信息进行训练得到的，即其具体根据具有不同特征的用户所选择的金融产品的特征训练得到推荐模型，为具有不同特征的用户推荐其可能购买的金融产品。
预设推荐模型的输入为用户的特征信息以及金融产品的产品属性信息，预设推荐模型的输出为该用户对输入产品属性信息的金融产品的喜好程度值，其中，喜好程度值即预估购买值。
喜好程度值可以为1-10的整数，数值越大表示喜好程度越高，即用户购买该产品的可能性越大，数值越小表示喜好程度越低，即用户购买该产品的可能性越小。
通过在有用户需要使用该产品推荐方式时，通过输入用户的特征信息以及多个金融产品的产品属性信息至预设推荐模型中，输出值为该用户对这多个金融产品中每一个金融产品的喜好程度值，数值越大表明具有该用户的特征的其他用户选择该产品的比例越高，从而预测该用户选择该产品的可能性也越大。
其中，金融产品的产品属性信息为预先已确定的，在有用户使用该产品推荐方式时，可直接仅输入用户的特征信息即可输出用户对该银行或金融公司所具有的所有金融产品的喜好程度，以方便用户根据喜好程度值选择金融产品；或者，在输入用户的特征信息后，仅输出喜好程度值最高的预设数量的金融产品，或者，仅输出喜好程度值高于某一预设数值的金融产品。
在用户之前没有购买金融产品的记录时，那么，用户信息中的用户交易特征信息中的用户购买金融产品的金额以及一定时间内的交易笔数均为0，此时，仍可以根据用户信息中的其他特征信息确定预设推荐模型的输出值，实现了新用户的冷启动，避免了无法为新用户推荐金融产品的问题。
本实施例公开的产品推荐方法，确定用户信息，用户信息至少包括用户属性特征信息及用户交易特征信息，将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。本方案通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。
本实施例公开了一种产品推荐方法，其流程图如图2所示，包括：
步骤S21、确定用户信息，用户信息至少包括：用户属性特征信息及用户交易特征信息；
步骤S22、将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理；
步骤S23、确定用户购买金融产品的次数；
步骤S24、若用户购买金融产品的次数为非0值，则直接将非0值作为用户对该金融产品的购买值；
步骤S25、若用户购买金融产品的次数为0，则将处理后的特征信息及金融产品的产品属性信息作为预设推荐模型的输入，确定用户对金融产品的预估购买值。
在对用户进行产品推荐之前，需要确定该用户之前是否购买过金融产品，如果购买过金融产品，则直接将该用户针对其购买过的金融产品的次数确定为预设推荐模型中针对用户购买过的金融产品的输出值，无需再经过预设推荐模型的计算；而对于用户未购买过的其他金融产品，则继续通过预设推荐模型进行计算，从而确定预估购买值。
如果用户未购买过任何金融产品，则通过预设推荐模型进行计算，确定用户针对所有金融产品的预估购买值。
如表1所示，为根据用户-产品矩阵及产品-属性矩阵生成的双向衍生矩阵。
表1双向衍生矩阵
在表1中，用A表示用户-用户属性矩阵，用B表示产品-产品属性矩阵，用C表示用户-产品矩阵。
在C矩阵中，数字表示该用户购买过该产品的次数，如：用户2购买过2次产品3，用户4购买过3次产品1；nan表示用户未购买过该产品，如：用户1仅购买过1次产品1，而未购买过产品2、产品3、产品4及产品5；用户3及用户6未购买过产品1-5中任意一个产品。
若要确定用户3对产品1的预估购买值，则需要将用户3的用户属性及产品1的产品属性均作为预估推荐模型的输入值，预估推荐模型的输出值即为用户3对产品1的预估购买值，即用户3对产品1的喜好程度值。
遍历C矩阵中的每一个元素，如果是非空项，则将该元素取出，存入DNN模型的输出集合，将AB矩阵对应的元素取出，存入DNN模型的输入集合，通过DNN模型确定出输入集合与输出集合的映射关系，即确定每个用户对每个产品的预估购买值。
具体的，DNN模型中第一层可以为输入集合的输入层，其包含用户属性特征信息及用户交易特征信息以及金融产品的产品属性信息，DNN模型中的最后一层为输出层，用户输出最终的输出集合，中间可设置有多个隐藏层，如：设置8个隐藏层，每个隐藏层内设置一个dropout层，8个隐藏层节点的数量由多到少逐层减少，每个隐藏层均采用Relu激活函数。
本实施例公开的产品推荐方法，确定用户信息，用户信息至少包括用户属性特征信息及用户交易特征信息，将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。本方案通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。
本实施例公开了一种产品推荐方法，其流程图如图3所示，包括：
步骤S31、确定用户信息，用户信息至少包括：用户属性特征信息及用户交易特征信息；
步骤S32、将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理；
步骤S33、将经过特征处理后的用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过线性加权处理后的特征信息归一化至第一数值范围；
将用户的特征信息进行线性加权处理，并归一化至第一数值范围，以使得输入至预设推荐模型的输入信息是被归一化后的数据，从而使多个用户的多个特征具有输入至预设推荐模型的意义，避免由于输入未被归一化的数据导致的最终获取的输出值不具备推荐的意义。
具体的，将用户交易特征信息进行线性加权相加，之后归一化到1-10，以便可直接采用用户交易特征信息中的数据作为预设推荐模型的输出值，数值越大表示喜好程度越高。
将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，可具体为：
确定用户信息中的多个特征信息所属的不同的特征类型，将特征类型为数字特征的特征信息进行第一类型处理，将特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
将特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理，即将文字信息转换为数字信息，以便转换后的数字信息可以作为预设推荐模型的输入值，避免了文字信息不能作为输入值的问题。
具体的，可以对具有文字特征的特征信息执行onehot编码处理，以便将一维特征变换成多维特征，多维特征中只有其中一维取值为1，其他维度取值均为0，如：性别、开卡城市等。例如：3个用户的开卡城市为﹛北京、天津、上海﹜，在经过onehot编码处理后，这3个用户的开卡城市onehot值为﹛001、010、100﹜，通过不同的数值表示不同的开卡城市。
而对于具有数字特征的特征信息进行第一类型处理，可具体为：将特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理，将特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
具体的，将第一连续型特征的特征信息做分箱处理，即进行按区间的分块映射，如：将用户年龄做分块映射，如：将用户年龄按照0-23、24-28、29-39、40-57及57以上，分为5个箱，即将0-23分箱后映射为1，24-28映射为2，29-39映射为3，40-57映射为4，57以上映射为5，那么，28的用户年龄经过分箱后将映射为2，41的用户年龄经过分箱后将映射为4。
对于金融连续型特征的特征信息，需要进行log变换并minmax归一化，其中，log变换即对数变换，minmax归一化是将数据归一化到0-1范围的一种方式，其计算方式为：X＝(x-min(x))/(max(x)-min(x))。
另外，对于其他类型的数据还可以进行其他预处理方式的组合处理。
步骤S34、将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。
本实施例公开的产品推荐方法，确定用户信息，用户信息至少包括用户属性特征信息及用户交易特征信息，将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。本方案通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。
本实施例公开了一种产品推荐系统，其结构示意图如图4所示，包括：
确定单元41，处理单元42及预估确定单元43。
确定单元41用于确定用户信息，用户信息至少包括：用户属性特征信息及用户交易特征信息；
用户信息至少包括：用户属性特征信息及用户交易特征信息。
其中，用户属性特征信息可以包括：用户的基本属性、金融属性和交易属性，用户的基本属性包括：年龄、性别、开户地、学历等信息；用户的金融属性包括：活期余额、信用等级、持卡数量等，其中，持卡为开户的银行卡；交易属性包括：信用卡月均消费金额、笔数，借记卡转账金额、笔数等。
其中，用户交易特征信息可以包括：用户购买金融产品的金额、一定时间内的交易笔数等。
在有用户使用本申请公开的产品推荐方法所基于的产品推荐系统为用户进行金融产品推荐时，需要首先获取用户的用户属性特征信息以及用户交易特征信息。
处理单元42用于将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理；
获取的用户的用户信息中包括不同种类的特征信息，将不同种类的特征信息按照其所属的特征类型进行特征处理，不同种类的特征信息按照预设的处理方式进行不同类型的特征处理。
进一步的，处理单元42用于：
将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将经过特征处理后的用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过线性加权处理后的特征信息归一化至第一数值范围。
将用户的特征信息进行线性加权处理，并归一化至第一数值范围，以使得输入至预设推荐模型的输入信息是被归一化后的数据，从而使多个用户的多个特征具有输入至预设推荐模型的意义，避免由于输入未被归一化的数据导致的最终获取的输出值不具备推荐的意义。
具体的，将用户交易特征信息进行线性加权相加，之后归一化到1-10，以便可直接采用用户交易特征信息中的数据作为预设推荐模型的输出值，数值越大表示喜好程度越高。
将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，可具体为：
确定用户信息中的多个特征信息所属的不同的特征类型，将特征类型为数字特征的特征信息进行第一类型处理，将特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
将特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理，即将文字信息转换为数字信息，以便转换后的数字信息可以作为预设推荐模型的输入值，避免了文字信息不能作为输入值的问题。
具体的，可以对具有文字特征的特征信息执行onehot编码处理，以便将一维特征变换成多维特征，多维特征中只有其中一维取值为1，其他维度取值均为0，如：性别、开卡城市等。例如：3个用户的开卡城市为﹛北京、天津、上海﹜，在经过onehot编码处理后，这3个用户的开卡城市onehot值为﹛001、010、100﹜，通过不同的数值表示不同的开卡城市。
而对于具有数字特征的特征信息进行第一类型处理，可具体为：将特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理，将特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
具体的，将第一连续型特征的特征信息做分箱处理，即进行按区间的分块映射，如：将用户年龄做分块映射，如：将用户年龄按照0-23、24-28、29-39、40-57及57以上，分为5个箱，即将0-23分箱后映射为1，24-28映射为2，29-39映射为3，40-57映射为4，57以上映射为5，那么，28的用户年龄经过分箱后将映射为2，41的用户年龄经过分箱后将映射为4。
对于金融连续型特征的特征信息，需要进行log变换并minmax归一化，其中，log变换即对数变换，minmax归一化是将数据归一化到0-1范围的一种方式，其计算方式为：X＝(x-min(x))/(max(x)-min(x))。
另外，对于其他类型的数据还可以进行其他预处理方式的组合处理。
预估确定单元43用于将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。
金融产品的产品属性信息可以包括：金融产品的收益率、周期、是否保本、起点金额等。
预先创建预设推荐模型，其具体可以为DNN模型，即深层神经网络。
该预设推荐模型通过对多个用户的用户信息与这多个用户所选择的金融产品的产品属性信息进行训练得到的，即其具体根据具有不同特征的用户所选择的金融产品的特征训练得到推荐模型，为具有不同特征的用户推荐其可能购买的金融产品。
预设推荐模型的输入为用户的特征信息以及金融产品的产品属性信息，预设推荐模型的输出为该用户对输入产品属性信息的金融产品的喜好程度值，其中，喜好程度值即预估购买值。
喜好程度值可以为1-10的整数，数值越大表示喜好程度越高，即用户购买该产品的可能性越大，数值越小表示喜好程度越低，即用户购买该产品的可能性越小。
通过在有用户需要使用该产品推荐方式时，通过输入用户的特征信息以及多个金融产品的产品属性信息至预设推荐模型中，输出值为该用户对这多个金融产品中每一个金融产品的喜好程度值，数值越大表明具有该用户的特征的其他用户选择该产品的比例越高，从而预测该用户选择该产品的可能性也越大。
其中，金融产品的产品属性信息为预先已确定的，在有用户使用该产品推荐方式时，可直接仅输入用户的特征信息即可输出用户对该银行或金融公司所具有的所有金融产品的喜好程度，以方便用户根据喜好程度值选择金融产品；或者，在输入用户的特征信息后，仅输出喜好程度值最高的预设数量的金融产品，或者，仅输出喜好程度值高于某一预设数值的金融产品。
在用户之前没有购买金融产品的记录时，那么，用户信息中的用户交易特征信息中的用户购买金融产品的金额以及一定时间内的交易笔数均为0，此时，仍可以根据用户信息中的其他特征信息确定预设推荐模型的输出值，实现了新用户的冷启动，避免了无法为新用户推荐金融产品的问题。
进一步的，预估确定单元43用于：
确定用户购买所述金融产品的次数；若用户购买金融产品的次数为非0值，则直接将非0值作为用户对金融产品的购买值；若用户购买金融产品的次数为0，则将处理后的特征信息及金融产品的产品属性信息作为预设推荐模型的输入，确定用户对金融产品的预估购买值。
在对用户进行产品推荐之前，需要确定该用户之前是否购买过金融产品，如果购买过金融产品，则直接将该用户针对其购买过的金融产品的次数确定为预设推荐模型中针对用户购买过的金融产品的输出值，无需再经过预设推荐模型的计算；而对于用户未购买过的其他金融产品，则继续通过预设推荐模型进行计算，从而确定预估购买值。
如果用户未购买过任何金融产品，则通过预设推荐模型进行计算，确定用户针对所有金融产品的预估购买值。
如表1所示，为根据用户-产品矩阵及产品-属性矩阵生成的双向衍生矩阵。
表1双向衍生矩阵
在表1中，用A表示用户-用户属性矩阵，用B表示产品-产品属性矩阵，用C表示用户-产品矩阵。
在C矩阵中，数字表示该用户购买过该产品的次数，如：用户2购买过2次产品3，用户4购买过3次产品1；nan表示用户未购买过该产品，如：用户1仅购买过1次产品1，而未购买过产品2、产品3、产品4及产品5；用户3及用户6未购买过产品1-5中任意一个产品。
若要确定用户3对产品1的预估购买值，则需要将用户3的用户属性及产品1的产品属性均作为预估推荐模型的输入值，预估推荐模型的输出值即为用户3对产品1的预估购买值，即用户3对产品1的喜好程度值。
遍历C矩阵中的每一个元素，如果是非空项，则将该元素取出，存入DNN模型的输出集合，将AB矩阵对应的元素取出，存入DNN模型的输入集合，通过DNN模型确定出输入集合与输出集合的映射关系，即确定每个用户对每个产品的预估购买值。
具体的，DNN模型中第一层可以为输入集合的输入层，其包含用户属性特征信息及用户交易特征信息以及金融产品的产品属性信息，DNN模型中的最后一层为输出层，用户输出最终的输出集合，中间可设置有多个隐藏层，如：设置8个隐藏层，每个隐藏层内设置一个dropout层，8个隐藏层节点的数量由多到少逐层减少，每个隐藏层均采用Relu激活函数。
本实施例公开的产品推荐系统，确定用户信息，用户信息至少包括用户属性特征信息及用户交易特征信息，将用户信息中包括的特征信息按照特征信息所属的不同的特征类型进行特征处理，将处理后的特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定预设推荐模型的输出值，预设推荐模型的输出值为用户对金融产品的预估购买值。本方案通过将经过处理后的用户属性特征信息及用户交易特征信息以及多个金融产品的产品属性信息共同作为预设推荐模型的输入，以确定输出，其中，输出值为用户对金融产品的预估购买值，只需要将用户信息及产品属性信息输入至预设推荐模型，就可以确定出用户对每一个产品的预估购买值，并不需要用户至少购买过其中一个产品，实现了新老用户对产品喜爱程度的预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：
确定用户信息，所述用户信息至少包括：用户属性特征信息及用户交易特征信息；
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理；
将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，所述预设推荐模型的输出值为所述用户对所述金融产品的预估购买值。
2.根据权利要求1所述的方法，其特征在于，所述将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，包括：
确定所述用户购买所述金融产品的次数；
若所述用户购买所述金融产品的次数为非0值，则直接将所述非0值作为所述用户对所述金融产品的购买值；
若所述用户购买所述金融产品的次数为0，则将处理后的所述特征信息及所述金融产品的产品属性信息作为预设推荐模型的输入，确定所述用户对所述金融产品的预估购买值。
3.根据权利要求1所述的方法，其特征在于，所述将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，包括：
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，将经过所述特征处理后的所述用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过所述线性加权处理后的特征信息归一化至第一数值范围。
4.根据权利要求1所述的方法，其特征在于，所述将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，包括：
确定所述用户信息中的多个特征信息所属的不同的特征类型；
将所述特征类型为数字特征的特征信息进行第一类型处理，将所述特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
5.根据权利要求4所述的方法，其特征在于，所述将所述特征类型为数字特征的特征信息进行第一类型处理，包括：
将所述特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理；将所述特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
6.一种产品推荐系统，其特征在于，包括：确定单元，处理单元及预估确定单元，其中：
所述确定单元用于确定用户信息，所述用户信息至少包括：用户属性特征信息及用户交易特征信息；
所述处理单元用于将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理；
所述预估确定单元用于将处理后的所述特征信息及多个金融产品的产品属性信息作为预设推荐模型的输入，确定所述预设推荐模型的输出值，所述预设推荐模型的输出值为所述用户对所述金融产品的预估购买值。
7.根据权利要求6所述的系统，其特征在于，所述预估确定单元用于：
确定所述用户购买所述金融产品的次数；若所述用户购买所述金融产品的次数为非0值，则直接将所述非0值作为所述用户对所述金融产品的购买值；若所述用户购买所述金融产品的次数为0，则将处理后的所述特征信息及所述金融产品的产品属性信息作为预设推荐模型的输入，确定所述用户对所述金融产品的预估购买值。
8.根据权利要求6所述的系统，其特征在于，所述处理单元用于：
将所述用户信息中包括的特征信息按照所述特征信息所属的不同的特征类型进行特征处理，将经过所述特征处理后的所述用户属性特征信息及用户交易特征信息进行线性加权处理，并将经过所述线性加权处理后的特征信息归一化至第一数值范围。
9.根据权利要求6所述的系统，其特征在于，所述处理单元用于：
确定所述用户信息中的多个特征信息所属的不同的特征类型；将所述特征类型为数字特征的特征信息进行第一类型处理，将所述特征类型为文字特征的特征信息进行一维特征变换为多维特征的变换处理。
10.根据权利要求9所述的系统，其特征在于，所述处理单元将所述特征类型为数字特征的特征信息进行第一类型处理，包括：
所述处理单元将所述特征类型为第一连续型特征的特征信息进行连续型特征离散映射处理；将所述特征类型为金融连续型特征的特征信息进行对数变换及归一化处理。
CN201910806474.8A 2019-08-29 2019-08-29 一种产品推荐方法及系统 Pending CN110517151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910806474.8A CN110517151A (zh) 2019-08-29 2019-08-29 一种产品推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910806474.8A CN110517151A (zh) 2019-08-29 2019-08-29 一种产品推荐方法及系统

Publications (1)

Publication Number Publication Date
CN110517151A true CN110517151A (zh) 2019-11-29

Family

ID=68628873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910806474.8A Pending CN110517151A (zh) 2019-08-29 2019-08-29 一种产品推荐方法及系统

Country Status (1)

Country Link
CN (1) CN110517151A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295832A (zh) * 2015-05-12 2017-01-04 阿里巴巴集团控股有限公司 产品信息推送方法及装置
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
CN107993088A (zh) * 2017-11-20 2018-05-04 北京三快在线科技有限公司 一种购买周期预测方法及装置，电子设备
CN109300039A (zh) * 2018-12-05 2019-02-01 山东省城市商业银行合作联盟有限公司 基于人工智能和大数据进行智能产品推荐的方法及系统
CN109410074A (zh) * 2018-10-18 2019-03-01 广州市勤思网络科技有限公司 智能核保方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295832A (zh) * 2015-05-12 2017-01-04 阿里巴巴集团控股有限公司 产品信息推送方法及装置
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
CN107993088A (zh) * 2017-11-20 2018-05-04 北京三快在线科技有限公司 一种购买周期预测方法及装置，电子设备
CN109410074A (zh) * 2018-10-18 2019-03-01 广州市勤思网络科技有限公司 智能核保方法与系统
CN109300039A (zh) * 2018-12-05 2019-02-01 山东省城市商业银行合作联盟有限公司 基于人工智能和大数据进行智能产品推荐的方法及系统

Similar Documents

Publication Publication Date Title
US8583523B2 (en) Method and system for providing financial services
US20020123954A1 (en) Investing method, device for investing and investing system
US20130346294A1 (en) Risk manager optimizer
Beare Measure preserving derivatives and the pricing kernel puzzle
CN110415119A (zh) 模型训练、票据交易预测方法、装置、存储介质及设备
US20020174056A1 (en) System and method for providing user-specific options trading data
US8744880B2 (en) System and method to provide for and communicate about safer and better returning asset-liability investment programs
CN104077693A (zh) 商品对比方法、服务器、客户端及电子商务系统
CN106897933A (zh) 一种面向多区块链平台的区块链网络节点服务装置
WO2006085885A1 (en) System and method for calculating expected approval rates
US20100100502A1 (en) System and methods to provide for and communicate about safer and better returning asset-liability investment programs
CN110135984A (zh) 交易管理方法、装置、计算机设备及存储介质
CN106910129A (zh) 资产数据的处理方法、客户端及服务器
McMichael The global crisis of wage-labour
US8243074B1 (en) Method and system for providing a personalized and dynamic financial caricature graphic
Tule et al. Financial innovations and the future of monetary policy in Nigeria
CN105303447A (zh) 利用网络信息进行信用评级的方法和系统
US7464008B2 (en) Methods and apparatus for selecting event sequences based on a likelihood of a user completing each event sequence
CN110517151A (zh) 一种产品推荐方法及系统
Anderson et al. Imperfect contract enforcement
Frauendorfer et al. Management of non-maturing deposits by multistage stochastic programming
Wang et al. Hedge Ratio Stability and Hedging Effectiveness of Time‐Varying Hedge Ratios in Volatile Index Futures Markets: Evidence from the Asian Financial Crisis
JP7344609B2 (ja) 確定値及び推定値に基づくデータ定量化方法
AU2008251036A1 (en) Automated tool for investment technologies
CN109584070A (zh) 股票数据处理方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129

RJ01 Rejection of invention patent application after publication