CN110580648A - 基于人工智能的金融理财信息处理方法及装置 - Google Patents

Abstract

本公开是关于一种基于人工智能的金融理财信息处理方法及装置。该方法包括：获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

Description

基于人工智能的金融理财信息处理方法及装置

技术领域

本公开涉及信息技术领域，尤其涉及一种基于人工智能的金融理财信息处理方法及装置。

背景技术

目前在金融理财服务的软件中，当用户开启软件后即可观察到服务器推送的金融理财信息。但是，服务器所推送的理财信息一般为预先设置好的，每个用户所得到的信息基本相同。对于一些用户而言，服务器统一推送的理财信息很可能与其理财的意愿不符，也即现有技术中无法根据用户的潜在理财需求而较为准确地向用户提供其所希望获取到的金融理财信息，针对性较差。因此，有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。

发明内容

本公开的目的在于提供一种基于人工智能的金融理财信息处理方法及装置，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开实施例的第一方面，提供一种基于人工智能的金融理财信息处理方法，该方法包括：

获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；

接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；

根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

本公开的实施例中，该方法还包括：

获取该当前理财信息对应的该用户的人脸影像信息，根据预设的情绪识别模型对该人脸影像信息进行处理，以确定该用户的当前情绪类别；

根据该当前情绪类别和所述理财习惯信息确定对应的理财产品信息。

本公开的实施例中，所述情绪识别模型由所述预设机器学习算法对多个具有不同情绪的人脸图像进行机器学习训练而得到。

本公开的实施例中，所述历史理财信息和当前理财信息均包括投资金额、投资收益率和投资期限。

本公开的实施例中，所述预设机器学习算法至少包括支持向量机(SVM，SupportVector Machine)算法。

本公开的实施例中，所述理财习惯信息包括投资金额的权重值、投资收益率的权重值和投资期限的权重值。

本公开的实施例中，所述理财产品信息包括理财产品名称和理财收益率。

根据本公开实施例的第二方面，提供一种基于人工智能的金融理财信息处理装置，该装置包括：

理财模型确定模块，用于获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；

理财习惯确定模块，用于接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；以及

理财信息推送模块，用于根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一个实施例中所述基于人工智能的金融理财信息处理方法的步骤。

根据本公开实施例的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述基于人工智能的金融理财信息处理方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例中，通过上述基于人工智能的金融理财信息处理方法及装置，预先可获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；然后接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；再根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息；这样，本公开方案推送理财产品信息更有针对性，针对不同用户的理财信息推送的准确性大大提高。

附图说明

图1示出本公开示例性实施例中基于人工智能的金融理财信息处理方法流程图；

图2示出本公开示例性实施例中另一基于人工智能的金融理财信息处理方法流程图；

图3示出本公开示例性实施例中理财产品信息显示交互界面示意图；

图4示出本公开示例性实施例中基于人工智能的金融理财信息处理装置示意图；

图5示出本公开示例性实施例中计算机可读存储介质示意图；

图6示出本公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种基于人工智能的金融理财信息处理方法，该方法可以应用于一金融系统服务器。参考图1中所示，该方法可以包括以下步骤：

步骤S101：获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型。

具体的，在本公开的实施例中，所述历史理财信息和当前理财信息均可以包括投资金额、投资收益率和投资期限，当然并不限于此，本领域技术人员可根据情况调整设置减少或增加更多投资信息。

所述预设机器学习算法至少可以包括支持向量机(SVM，Support VectorMachine)算法，关于该算法的具体内容可参考现有技术，此处不再赘述。本实施例中，利用该SVM算法对获取的不同用户的多个历史理财信息(例如投资金额、投资收益率和投资期限等)进行机器学习训练以确定所述理财习惯模型。该理财习惯模型可用于识别不同的用户的理财习惯，例如用户A喜欢投资金额高，收益率高的理财项目，而用户B喜欢投资金额高，但投资期限短的理财项目，当然并不限于此。

步骤S102：接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息。

具体的，当所述理财习惯模型确定后，就可以进行具体应用，在本公开的实施例中，所述当前理财信息也可以包括但不限于为投资金额、投资收益率和投资期限等。金融系统服务器可接收一用户如用户C的当前理财信息如投资金额、投资收益率和投资期限，将该用户C的投资金额、投资收益率和投资期限等理财信息输入至所述理财习惯模型，该理财习惯模型处理后输出对应该用户C的理财习惯信息。该理财习惯信息可包括投资金额的权重值、投资收益率的权重值和投资期限的权重值等，当然并不限于此。

步骤S103：根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

具体的，在本公开的实施例中，所述理财产品信息可以包括理财产品名称和理财收益率，当然并不限于此。该理财产品信息由所述理财习惯信息确定。示例性的，例如确定的用户C的理财习惯信息包括投资金额的权重值a、投资收益率的权重值b和投资期限的权重值c，可根据该权重值a、b和c计算一综合权重值d＝(a+b+c)，然后基于该权重值d确定对应的理财产品信息，当然本实施例中并不限于此。其中不同的权重值d与对应的不同理财产品信息可预先设置好映射关联关系，以便于确定对应的理财产品信息，这样可提高处信息理效率。客户端接收到确定的该理财产品信息后显示，如图3所示，在例如手机上的理财APP界面内显示“招商财富A”相关理财产品信息。

为了在理财信息推送的准确性提高的同时，尽可能提高理财产品信息推送至客户端时被用户选择的可能性。在本公开的实施例中，结合参考图2中所示，在上述各实施例的基础上，该方法还可以包括以下步骤：

步骤S201：获取该当前理财信息对应的该用户的人脸影像信息，根据预设的情绪识别模型对该人脸影像信息进行处理，以确定该用户的当前情绪类别。

具体的，在本公开的实施例中，所述情绪识别模型可以预先由所述预设机器学习算法如SVM算法对多个具有不同情绪的人脸图像进行机器学习训练而得到。可以理解的是，人类的4种基本情绪(喜、怒、哀、惧)所对应的特定面部表情，为世界各地不同的文化所公认，包括没有文字、尚未受到电影电视污染的人群，这说明情绪具有普遍性。其中，喜、怒、哀、惧分别指喜悦、愤怒、悲伤、恐惧。本实施例中对多个具有不同情绪如喜、怒、哀、惧的人脸图像进行机器学习训练而得到一情绪识别模型。

基于此，在获取该当前理财信息对应的该用户如用户C的人脸影像信息时，可根据该情绪识别模型对该用户C的人脸影像信息进行处理，以快速确定该用户C的当前情绪类别，如处于喜悦情绪、愤怒情绪、悲伤情绪或者恐惧情绪之一。其中该用户C的人脸影像信息可以由客户端如手机上的摄像头在用户进入理财软件APP界面后获取再上传至所述服务器。

步骤S202：根据该当前情绪类别和所述理财习惯信息确定对应的理财产品信息。

具体的，本实施例中，基于确定的例如用户C的当前情绪类别和所述理财习惯信息确定对应的理财产品信息。例如确定的用户C的理财习惯信息包括投资金额的权重值a、投资收益率的权重值b和投资期限的权重值c，可根据该权重值a、b和c计算一综合权重值d＝(a+b+c)，此时若用户C的当前情绪类别为喜悦，则可以将确定的所述权重值d调高，基于调高后的权重值确定对应的理财产品信息；而当用户C的当前情绪类别为悲伤时，可以将确定的所述权重值d调低，基于调低后的权重值确定对应的理财产品信息，当然本实施例中并不限于此。其中综合权重值越高，投资风险越大，而综合权重值越低，投资风险越小，这样当用户喜悦时，可以在确定的理财习惯信息如投资金额的权重值a、投资收益率的权重值b和投资期限的权重值c的基础上，调高综合权重值推荐风险高的理财产品信息，而当用户悲伤时，相应的调低综合权重值推荐风险小的理财产品信息，以实现在这些情绪下尽可能大概率地推荐相对应的易被用户接受的理财产品。本实施例的方案针对不同用户的理财信息推送的准确性大大提高，同时，考虑了用户当前的情绪因素，根据情绪的不同微调整待推送的理财产品信息，以实现在理财信息推送的准确性提高的同时，尽可能提高理财产品信息推送至客户端时被用户选择的可能性。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。

进一步的，本示例实施方式中，还提供了一种基于人工智能的金融理财信息处理装置。参考图4中所示，该装置可以包括理财模型确定模块401、理财习惯确定模块402和理财信息推送模块403。其中：

所述理财模型确定模块401，用于获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；

所述理财习惯确定模块402，用于接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；

所述理财信息推送模块403，用于根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

本公开的实施例中，该装置还可以包括情绪类别确定模块(图未示)，用于获取该当前理财信息对应的该用户的人脸影像信息，根据预设的情绪识别模型对该人脸影像信息进行处理，以确定该用户的当前情绪类别。相应的，所述理财信息推送模块403，还可以用于根据该当前情绪类别和所述理财习惯信息确定对应的理财产品信息。

在本公开的实施例中，所述情绪识别模型由所述预设机器学习算法对多个具有不同情绪的人脸图像进行机器学习训练而得到。

进一步的，在本公开的实施例中，所述历史理财信息和当前理财信息均可以包括但不限于为投资金额、投资收益率和投资期限等。

本公开的实施例中，所述预设机器学习算法至少可以包括支持向量机(SVM，Support Vector Machine)算法，当然并不限于此。

在本公开的实施例中，所述理财习惯信息可以包括但不限于投资金额的权重值、投资收益率的权重值和投资期限的权重值等。

进一步的，在本公开的实施例中，所述理财产品信息可以包括但不限于为理财产品名称和理财收益率等。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本公开的示例性实施例中，如图5所示，还提供了一种计算机可读存储介质500，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述基于人工智能的金融理财信息处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述基于人工智能的金融理财信息处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述基于人工智能的金融理财信息处理方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述基于人工智能的金融理财信息处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述基于人工智能的金融理财信息处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种基于人工智能的金融理财信息处理方法，其特征在于，包括：

获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；

接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；

根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

2.根据权利要求1所述方法，其特征在于，该方法还包括：

获取该当前理财信息对应的该用户的人脸影像信息，根据预设的情绪识别模型对该人脸影像信息进行处理，以确定该用户的当前情绪类别；

根据该当前情绪类别和所述理财习惯信息确定对应的理财产品信息。

3.根据权利要求2所述方法，其特征在于，所述情绪识别模型由所述预设机器学习算法对多个具有不同情绪的人脸图像进行机器学习训练而得到。

4.根据权利要求1～3之一所述方法，其特征在于，所述历史理财信息和当前理财信息均包括投资金额、投资收益率和投资期限。

5.根据权利要求4所述方法，其特征在于，所述预设机器学习算法至少包括支持向量机(SVM，Support Vector Machine)算法。

6.根据权利要求4所述方法，其特征在于，所述理财习惯信息包括投资金额的权重值、投资收益率的权重值和投资期限的权重值。

7.根据权利要求6所述方法，其特征在于，所述理财产品信息包括理财产品名称和理财收益率。

8.一种基于人工智能的金融理财信息处理装置，其特征在于，包括：

理财模型确定模块，用于获取不同用户的多个历史理财信息，由预设机器学习算法对该多个历史理财信息进行机器学习训练确定一理财习惯模型；

理财习惯确定模块，用于接收一用户的当前理财信息，根据该理财习惯模型对该当前理财信息进行处理，以确定该当前理财信息对应的该用户的理财习惯信息；以及

理财信息推送模块，用于根据该理财习惯信息确定对应的理财产品信息，并将该理财产品信息推送至客户端，以使用户在客户端接收到该理财产品信息。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述基于人工智能的金融理财信息处理方法的步骤。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7任一项所述基于人工智能的金融理财信息处理方法的步骤。