CN110648203A - 银行产品信息推送方法及装置 - Google Patents
银行产品信息推送方法及装置 Download PDFInfo
- Publication number
- CN110648203A CN110648203A CN201910887267.XA CN201910887267A CN110648203A CN 110648203 A CN110648203 A CN 110648203A CN 201910887267 A CN201910887267 A CN 201910887267A CN 110648203 A CN110648203 A CN 110648203A
- Authority
- CN
- China
- Prior art keywords
- bank
- customer
- client
- expression
- set time
- 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
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种银行产品信息推送方法及装置，该方法包括：获得银行客户的表情图片；将银行客户的表情图片输入至表情识别模型，识别出客户表情；根据识别出的客户表情，获得客户体验评价值；根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。本发明可以更高效、更准确地向客户推送银行产品信息。
Description
技术领域
本发明涉及银行服务评价技术领域，尤其涉及一种银行产品信息推送方法及装置。
背景技术
为了更好的服务客户，以客户体验为中心，增强客户的服务体验和满足客户对金融业务的需求，银行各个网点在高柜和低柜区域均设置客户服务满意度评价装置，客户通过该装置的按钮评价柜员或者客户经理的服务方式和态度。柜员根据通过客户的评价来决定向客户推送的银行产品信息及分析推送的时刻。但是，该客户服务满意度评价装置存在以下问题：客户在办理业务或进行咨询后，只对服务进行一次性评价或忘记评价，银行端无法获取客户办理业务或咨询过程中的情绪变化，从而不能实时捕捉到向客户推送的银行产品信息的最佳时刻。
发明内容
本发明提出一种银行产品信息推送方法，用以更高效、更准确地向客户推送银行产品信息，该方法包括：
获得银行客户的表情图片；
将银行客户的表情图片输入至表情识别模型，识别出客户表情；
根据识别出的客户表情，获得客户体验评价值；
根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
本发明提出一种银行产品信息推送装置，用以更高效、更准确地向客户推送银行产品信息，该装置包括：
表情图片获得模块，用于获得银行客户的表情图片；
客户表情识别模块，用于将银行客户的表情图片输入至表情识别模型，识别出客户表情；
体验评价值获得模块，用于根据识别出的客户表情，获得客户体验评价值；
推送模块，用于根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
本发明实施例还提出了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述银行产品信息推送方法。
本发明实施例还提出了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执行上述银行产品信息推送方法的计算机程序。
在本发明实施例中，获得银行客户的表情图片；将银行客户的表情图片输入至表情识别模型，识别出客户表情；根据识别出的客户表情，获得客户体验评价值；以上获得客户体验评价值的方法无需客户进行操作，效率高，且可实时获得客户的情绪变化，使得客户体验评价值的准确率高；根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的；上述过程可实时捕捉到向客户推送的银行产品信息的最佳时刻，使得确定向客户推送银行推荐产品信息的时刻的准确率更高。
附图说明
为了更清楚地说明本发明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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中银行产品信息推送方法的流程示意图；
图2为本发明实施例提出的银行产品信息推送方法的详细流程图；
图3为银行产品信息推送系统的示意图；
图4为本发明实施例中银行产品信息推送装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在现有技术中，客户在办理业务或进行咨询后，只对服务进行一次性评价或忘记评价，银行端无法获取客户办理业务或咨询过程中的情绪变化，从而不能实时捕捉到向客户推送的银行产品信息的最佳时刻。除此之外，还有一些其他问题，如在识别客户表情时，采集的人脸识别需要传输到云端，通过云端情绪识别模型获取情绪识别结果，该种方式需要占用较大的网络带宽和会出现传输延时的情况。银行网点非常多，同时办理业务量较大，均为并行处理方式，采用云端服务，需要耗费大量的服务器，成本较大且该服务方式在晚上处于闲置状态，浪费硬件资源。现有技术不能进行离线处理，断网后，整个情绪识别处于掉线状态，该表情识别功能受到影响。
图1为本发明实施例中银行产品信息推送方法的流程示意图，如图1所示，该方法包括：
步骤101，获得银行客户的表情图片；
步骤102，将银行客户的表情图片输入至表情识别模型，识别出客户表情；
步骤103，根据识别出的客户表情，获得客户体验评价值；
步骤104，根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
在本发明实施例中，获得银行客户的表情图片；将银行客户的表情图片输入至表情识别模型，识别出客户表情；根据识别出的客户表情，获得客户体验评价值；以上获得客户体验评价值的方法无需客户进行操作，效率高，且可实时获得客户的情绪变化，使得客户体验评价值的准确率高；根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的；上述过程可实时捕捉到向客户推送的银行产品信息的最佳时刻，使得确定向客户推送银行推荐产品信息的时刻的准确率更高。
在步骤101中，银行客户的表情可以包括愤怒(anger)、高兴(happiness)、悲伤(sadness)、惊讶(surprise)、厌恶(disgust)、恐惧(fear)和中立(Neutral)，可以通过拍照、视频等方法在银行客户前来咨询银行业务或办理银行业务时获得，由于银行客户前来咨询银行业务或办理银行业务一般是一个持续的时间段，因此，上述表情图片每种表情可能都有多张；然后进入步骤102，将银行客户的表情图片输入至表情识别模型，识别出客户表情，即上述几种客户表情，在一个时段段内，客户表情可能有多种；在步骤103中，客户体验评价值可以采用多种度量方法，可以是数值或数据范围，例如，数值范围[0,25]、[26,50]、[51,75]、[76,100]对应的常见的客户体验描述可以分别为极差、差、一般和满意，以上获得客户体验评价值的方法无需客户进行操作，效率高，且可实时获得客户的情绪变化，使得客户体验评价值的准确率高；在步骤104中，根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，即客户在咨询或办理业务的时候，根据实时查看客户的体验评价值，在客户的体验评价值达到设定值时，即可向客户推送银行推荐产品信息。客户的属性信息可以为客户的职业、年龄、家庭关系等，客户在银行的资产信息包括财产类型、财产数据等，将这些数据输入至机器学习模型，确定银行推荐产品信息，银行推荐产品信息可以是产品列表信息，也可以采用其他数据给出。由于上述过程可实时捕捉到向客户推送的银行产品信息的最佳时刻，使得确定向客户推送银行推荐产品信息的时刻的准确率更高。
具体实施时，获得银行客户的表情图片的方法有多种，下面给出其中一个实施例。
在一实施例中，获得银行客户的表情图片，包括：
实时采集银行客户的视频流信息，从视频流中采集设定时间段内的银行客户的表情图片。
在上述实施例中，设定时间段可以为2秒，即每隔2秒采集客户的面部识别图片，通过此方法，第一可以确认咨询或办理业务的为客户本人，还可以采集客户表情，获得表情图片。
具体实施时，将银行客户的表情图片输入至表情识别模型，识别出客户表情的方法有多种，下面给出其中一个实施例。
在一实施例中，将银行客户的表情图片输入至表情识别模型，识别出客户表情，包括：
分别将多个设定时间段内的银行客户的表情图片输入至表情识别模型，识别出多个设定时间段内的不同类别的客户表情；
统计多个设定时间段内不同类别的客户表情出现的数量。
在上述实施例中，设定时间段可以按照需要设定，以客户办理业务为例，设定时间段，可以是客户办理业务前的一段时间，可以是客户办理业务的时间，也可以是客户办理业务后的一段时间，对每一个设定时间段内，将采集的多个表情图片输入至表情识别模型，可以识别出每一个设定时间段内的不同类别的客户表情；之后，统计每一个时间段内不同类别的客户表情出现的数量，例如在客户办理业务结束后的1分钟内，每2秒采集一次客户的表情，客户出现高兴和中立的表情数量分别为25和5。
具体实施时，根据识别出的客户表情，获得客户体验评价值的方法有多种，下面给出其中一个实施例。
在一实施例中，根据识别出的客户表情，获得客户体验评价值，包括：
对每一设定时间段，根据该设定时间段内的不同类别的客户表情，以及不同类别的客户表情出现的数量，确定该设定时间段内不同类别的客户表情出现的概率；确定该设定时间段内不同类别的客户表情的权重；根据该设定时间段内不同类别的客户表情出现的概率，以及不同类别的客户表情的权重，确定该设定时间段内的客户表情识别数据；
根据多个设定时间段内的客户表情识别数据，获得客户情绪数据；
根据客户情绪数据，获得客户体验评价值。
在上述实施例中，对每一设定时间段，例如，客户办理业务过程中，共采集到300张客户表情图片，客户出现愤怒、高兴、悲伤、惊讶、厌恶、恐惧和中立的数量分别为0,250,0,0,0,0,50，则该时间段内，上述不同类别的客户表情出现的概率分别为0,83.3％，0,0,0,0,16.7％，形成向量p＝[0,83.3，0,0,0,0,16.7]，然后，确定该设定时间段内不同类别的客户表情的权重，也可以用向量表示w＝[0.1,0.2,0.15,0.15,0.15,0.15,0.1]，然后就可根据该设定时间段内不同类别的客户表情出现的概率，以及不同类别的客户表情的权重，确定该设定时间段内的客户表情识别数据，可采用如下公式进行计算：
s＝p×wT (1)
其中，s为该设定时间段内的客户表情识别数据；
p为该设定时间段内不同类别的客户表情出现的概率向量；
w为该设定时间段内不同类别的客户表情的权重向量。
根据公式(1)，该设定时间段内的客户表情识别数据为18.33，对个设定时间段的表情识别数据进行求和，既可以获得整体的客户情绪数据as，然后可以采用如下公式，根据客户情绪数据，获得客户体验评价值v：
其中，v1，v2和v3的值可根据实际情况确定，例如，可以确定为10，6和0。
v为100，可以代表客户体验为满意，v为75，可以代表客户体验为一般，v为50，可以代表客户体验为差，v为25，可以代表客户体验为极差，当然，采用采用除了公式(2)之外的根据客户情绪数据，获得客户体验评价值的方法或公式。
具体实施时，为了提高获得客户情绪数据的精度，还可以采用多种方法，下面给出其中一个实施例。
在一实施例中，根据多个设定时间段内的客户表情识别数据，获得客户情绪数据，包括：
根据多个设定时间段内的客户表情识别数据满足设定条件的情况，确定客户情绪数据调整数值；
对多个设定时间段内的客户表情识别数据，以及客户情绪数据调整数值求和，获得客户情绪数据。
在上述实施例中，设定条件可以有多种，举一例，三个设定时间段分别为客户业务办理前、业务办理中和业务办理后，客户情绪数据调整数值可以采用如下公式获得：
其中，t为客户情绪数据调整数值；
P1为正值，可取10；
P2为负值，可取-10；
s1、s2和s3分别为客户业务办理前、业务办理中和业务办理后的客户表情识别数据。
然后，对客户业务办理前、业务办理中和业务办理后的客户表情识别数据，以及客户情绪数据调整数值求和，即可获得客户情绪数据。
具体实施时，获得表情识别模型的方法有多种，下面给出其中两个实施例。
在一实施例中，表情识别模型采用如下方法训练获得：
获得历史表情图片；
提取历史表情图片的特征向量；
利用历史表情图片的特征向量训练表情识别模型；
在训练的过程中调整表情识别模型的参数，直至表情识别模型的损失函数满足预设收敛条件，获得训练后的表情识别模型。
在另一个实施例中，表情识别模型采用如下方法训练获得：
获得历史表情图片；
想历史表情图片分为第一训练集数据和第一测试集数据；
提取第一训练集数据的特征向量；
利用第一训练集数据的特征向量训练表情识别模型；
在训练的过程中调整表情识别模型的参数，直至表情识别模型的损失函数满足预设收敛条件，获得训练后的表情识别模型；
利用第一测试数据集对训练后的表情识别模型的准确率进行验证，获得满足预设准确率的表情识别模型。
上述获得表情识别模型的过程为神经网络原理，相关变化例均应落入本发明的保护范围。
上面提到所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的，而机器学习模型的获得方法也可以有多种，下面给出其中两个实施例。
在一实施例中，所述机器学习模型采用如下方法训练获得：
获得银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据；
提取出银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据的特征向量；
利用所述特征向量训练机器学习模型；
在训练的过程中调整机器学习模型的参数，直至机器学习模型的损失函数满足预设收敛条件，获得训练后的机器学习模型。
在另一个实施例中，所述机器学习模型采用如下方法训练获得：
将银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据分为第二训练集数据和第二测试集数据；
提取出第二训练集数据的特征向量；
利用所述特征向量训练机器学习模型；
在训练的过程中调整机器学习模型的参数，直至机器学习模型的损失函数满足预设收敛条件，获得训练后的机器学习模型；
利用第二测试数据集对训练后的机器学习模型的准确率进行验证，获得满足预设准确率的机器学习模型。
基于上述实施例，本发明提出如下一个实施例来说明银行产品信息推送方法的详细流程，图2为本发明实施例提出的银行产品信息推送方法的详细流程图，如图2所示，在一实施例中，银行产品信息推送方法的详细流程包括：
步骤201，实时采集银行客户的视频流信息，从视频流中采集设定时间段内的银行客户的表情图片；
步骤202，分别将多个设定时间段内的银行客户的表情图片输入至表情识别模型，识别出多个设定时间段内的不同类别的客户表情；
步骤203，统计多个设定时间段内不同类别的客户表情出现的数量；
步骤204，对每一设定时间段，根据该设定时间段内的不同类别的客户表情，以及不同类别的客户表情出现的数量，确定该设定时间段内不同类别的客户表情出现的概率；确定该设定时间段内不同类别的客户表情的权重；根据该设定时间段内不同类别的客户表情出现的概率，以及不同类别的客户表情的权重，确定该设定时间段内的客户表情识别数据；
步骤205，根据多个设定时间段内的客户表情识别数据满足设定条件的情况，确定客户情绪数据调整数值；
步骤206，对多个设定时间段内的客户表情识别数据，以及客户情绪数据调整数值求和，获得客户情绪数据；
步骤207，根据客户情绪数据，获得客户体验评价值；
步骤208，根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
当然，可以理解的是，上述银行产品信息推送方法的详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
下面给出一具体实施例，说明本发明提出的方法的具体应用。
在客户办理业务过程中，一般分设定时间段对客户表情进行采集，第一设定时间段为业务办理前，第二设定时间段为业务办理中，第三设定时间段为业务办理后，实时采集银行客户的视频流信息，每隔2秒视频流中采集每个设定时间段内的银行客户的表情图片。根据本发明的方法可实现一种银行产品信息推送系统，图3为银行产品信息推送系统的示意图，该系统包括生物识别平台、银行业务系统、客户关系系统、理财产品系统、机器学习平台、推送系统和前端展示系统，其中推送系统用于根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，生物识别平台用于获得客户表情图片，银行业务系统和客户关系系统分别产生客户的属性信息和客户在银行的资产信息，理财产品系统则存储了银行的理财产品信息。机器学习平台用于根据其他客户的属性信息、其他客户在银行的资产信息和银行的理财产品信息，获得机器学习模型，然后将该客户的属性信息和在银行的资产信息输入至机器学习模块，即可获得针对该客户的银行推荐产品信息。前端展示系统则用于向柜员展示客户体验评价值和针对该客户的银行推荐产品信息。基于该系统，下面详细介绍进行银行产品信息推送的过程。
生物识别平台分别将3个设定时间段内的银行客户的表情图片输入至表情识别模型，识别出3个设定时间段内的不同类别的客户表情，客户表情类别包括愤怒、高兴、悲伤、惊讶、厌恶、恐惧和中立，统计每一个设定时间段内不同类别的客户表情出现的数量。
对每一设定时间段，生物识别平台可确定该设定时间段内的不同类别的客户表情的数量和照片的总数，确定该设定时间段内不同类别的客户表情出现的概率，形成概率向量，将不同类别的客户表情的权重形成权重向量，根据公式(1)计算确定该设定时间段内的客户表情识别数据。
然后，根据公式(3)确定客户情绪数据调整数值，在公式(3)中P1为正值，取10；P2为负值，取-10；对客户业务办理前、业务办理中和业务办理后的客户表情识别数据，以及客户情绪数据调整数值求和，即可获得客户情绪数据。
根据公式(2)，根据客户情绪数据，获得客户体验评价值v，公式(2)中，v1，v2和v3分别为10，6和0。
由于已经根据客户的属性信息和在银行的资产信息输入至机器学习模型而获得了银行推荐产品信息，因此，在客户办理业务的3个阶段中，可实时获得客户体验评价值，推送系统可确定向客户推送银行推荐产品信息的时刻，本实施例中在客户业务办理后的客户体验评价值为100，这时可向客户推送推荐产品信息。
确定向客户推送银行推荐产品信息的时刻后，前端展示系统上会显示客户体验评价值和银行推荐产品信息。
在本发明实施例提出的银行产品信息推送方法中，获得银行客户的表情图片；将银行客户的表情图片输入至表情识别模型，识别出客户表情；根据识别出的客户表情，获得客户体验评价值；以上获得客户体验评价值的方法无需客户进行操作，效率高，且可实时获得客户的情绪变化，使得客户体验评价值的准确率高；根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的；上述过程可实时捕捉到向客户推送的银行产品信息的最佳时刻，使得确定向客户推送银行推荐产品信息的时刻的准确率更高，且不会引起客户反感。
另外，本发明提出的方法不需要云端服务器处理，降低了成本，提高了效率，且不会受断网影响。本发明将情绪识别和客户体验评价值进行结合，将判断标准由直接的单次客户评价修改为在服务的任意阶段均可获得客户体验评价值。
基于同样的发明构思，本发明实施例还提供了一种银行产品信息推送装置，如下面的实施例所述。由于这些解决问题的原理与银行产品信息推送方法相似，因此装置的实施可以参见方法的实施，重复之处不在赘述。
图4为本发明实施例中银行产品信息推送装置的示意图，如图4所示，该装置包括：
表情图片获得模块401，用于获得银行客户的表情图片；
客户表情识别模块402，用于将银行客户的表情图片输入至表情识别模型，识别出客户表情；
体验评价值获得模块403，用于根据识别出的客户表情，获得客户体验评价值；
推送模块404，用于根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
在一实施例中，表情图片获得模块401具体用于：
实时采集银行客户的视频流信息，从视频流中采集设定时间段内的银行客户的表情图片。
在一实施例中，客户表情识别模块402具体用于：
分别将多个设定时间段内的银行客户的表情图片输入至表情识别模型，识别出多个设定时间段内的不同类别的客户表情；
统计多个设定时间段内不同类别的客户表情出现的数量。
在一实施例中，体验评价值获得模块403具体用于：
对每一设定时间段，根据该设定时间段内的不同类别的客户表情，以及不同类别的客户表情出现的数量，确定该设定时间段内不同类别的客户表情出现的概率；确定该设定时间段内不同类别的客户表情的权重；根据该设定时间段内不同类别的客户表情出现的概率，以及不同类别的客户表情的权重，确定该设定时间段内的客户表情识别数据；
根据多个设定时间段内的客户表情识别数据，获得客户情绪数据；
根据客户情绪数据，获得客户体验评价值。
在一实施例中，体验评价值获得模块403具体用于：
根据多个设定时间段内的客户表情识别数据满足设定条件的情况，确定客户情绪数据调整数值；
对多个设定时间段内的客户表情识别数据，以及客户情绪数据调整数值求和，获得客户情绪数据。
在一实施例中，表情识别模型采用如下方法训练获得：
获得历史表情图片；
提取历史表情图片的特征向量；
利用历史表情图片的特征向量训练表情识别模型；
在训练的过程中调整表情识别模型的参数，直至表情识别模型的损失函数满足预设收敛条件，获得训练后的表情识别模型。
在一实施例中，所述机器学习模型采用如下方法训练获得：
获得银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据；
提取出银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据的特征向量；
利用所述特征向量训练机器学习模型；
在训练的过程中调整机器学习模型的参数，直至机器学习模型的损失函数满足预设收敛条件，获得训练后的机器学习模型。
在本发明实施例提出的银行产品信息推送装置中，获得银行客户的表情图片；将银行客户的表情图片输入至表情识别模型，识别出客户表情；根据识别出的客户表情，获得客户体验评价值；以上获得客户体验评价值的方法无需客户进行操作，效率高，且可实时获得客户的情绪变化，使得客户体验评价值的准确率高；根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的；上述过程可实时捕捉到向客户推送的银行产品信息的最佳时刻，使得确定向客户推送银行推荐产品信息的时刻的准确率更高，且不会引起客户反感。
另外，本发明提出的方法不需要云端服务器处理，降低了成本，提高了效率，且不会受断网影响。本发明将情绪识别和客户体验评价值进行结合，将判断标准由直接的单次客户评价修改为在服务的任意阶段均可获得客户体验评价值。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种银行产品信息推送方法，其特征在于，包括：
获得银行客户的表情图片；
将银行客户的表情图片输入至表情识别模型，识别出客户表情；
根据识别出的客户表情，获得客户体验评价值；
根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
2.如权利要求1所述的银行产品信息推送方法，其特征在于，获得银行客户的表情图片，包括：
实时采集银行客户的视频流信息，从视频流中采集设定时间段内的银行客户的表情图片。
3.如权利要求2所述的银行产品信息推送方法，其特征在于，将银行客户的表情图片输入至表情识别模型，识别出客户表情，包括：
分别将多个设定时间段内的银行客户的表情图片输入至表情识别模型，识别出多个设定时间段内的不同类别的客户表情；
统计多个设定时间段内不同类别的客户表情出现的数量。
4.如权利要求3所述的银行产品信息推送方法，其特征在于，根据识别出的客户表情，获得客户体验评价值，包括：
对每一设定时间段，根据该设定时间段内的不同类别的客户表情，以及不同类别的客户表情出现的数量，确定该设定时间段内不同类别的客户表情出现的概率；确定该设定时间段内不同类别的客户表情的权重；根据该设定时间段内不同类别的客户表情出现的概率，以及不同类别的客户表情的权重，确定该设定时间段内的客户表情识别数据；
根据多个设定时间段内的客户表情识别数据，获得客户情绪数据；
根据客户情绪数据，获得客户体验评价值。
5.如权利要求4所述的银行产品信息推送方法，其特征在于，根据多个设定时间段内的客户表情识别数据，获得客户情绪数据，包括：
根据多个设定时间段内的客户表情识别数据满足设定条件的情况，确定客户情绪数据调整数值；
对多个设定时间段内的客户表情识别数据，以及客户情绪数据调整数值求和，获得客户情绪数据。
6.如权利要求1所述的银行产品信息推送方法，其特征在于，表情识别模型采用如下方法训练获得：
获得历史表情图片；
提取历史表情图片的特征向量；
利用历史表情图片的特征向量训练表情识别模型；
在训练的过程中调整表情识别模型的参数，直至表情识别模型的损失函数满足预设收敛条件，获得训练后的表情识别模型。
7.如权利要求1所述的银行产品信息推送方法，其特征在于，所述机器学习模型采用如下方法训练获得：
获得银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据；
提取出银行系统中客户的属性信息、客户在银行的资产信息和客户所采用的银行产品的历史数据的特征向量；
利用所述特征向量训练机器学习模型；
在训练的过程中调整机器学习模型的参数，直至机器学习模型的损失函数满足预设收敛条件，获得训练后的机器学习模型。
8.一种银行产品信息推送装置，其特征在于，包括：
表情图片获得模块，用于获得银行客户的表情图片；
客户表情识别模块，用于将银行客户的表情图片输入至表情识别模型，识别出客户表情；
体验评价值获得模块，用于根据识别出的客户表情，获得客户体验评价值；
推送模块，用于根据客户体验评价值，确定向客户推送银行推荐产品信息的时刻，所述银行推荐产品信息是将客户的属性信息和在银行的资产信息输入至机器学习模型而获得的。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910887267.XA CN110648203A (zh) | 2019-09-19 | 2019-09-19 | 银行产品信息推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910887267.XA CN110648203A (zh) | 2019-09-19 | 2019-09-19 | 银行产品信息推送方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110648203A true CN110648203A (zh) | 2020-01-03 |
Family
ID=68992046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910887267.XA Pending CN110648203A (zh) | 2019-09-19 | 2019-09-19 | 银行产品信息推送方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648203A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353860A (zh) * | 2020-03-30 | 2020-06-30 | 中国建设银行股份有限公司 | 产品信息推送方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170372285A1 (en) * | 2016-06-23 | 2017-12-28 | Lg Electronics Inc. | Mobile terminal and control method thereof |
| CN109685610A (zh) * | 2018-12-14 | 2019-04-26 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
| CN109767290A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
| CN109767261A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
| CN109919006A (zh) * | 2019-01-23 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 表情检测方法、装置、电子设备及存储介质 |
-
2019
- 2019-09-19 CN CN201910887267.XA patent/CN110648203A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170372285A1 (en) * | 2016-06-23 | 2017-12-28 | Lg Electronics Inc. | Mobile terminal and control method thereof |
| CN109685610A (zh) * | 2018-12-14 | 2019-04-26 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
| CN109767290A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
| CN109767261A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
| CN109919006A (zh) * | 2019-01-23 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 表情检测方法、装置、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353860A (zh) * | 2020-03-30 | 2020-06-30 | 中国建设银行股份有限公司 | 产品信息推送方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992167B (zh) | 银行客户业务意图识别方法及装置 | |
| CN109472296A (zh) | 一种基于梯度提升决策树的模型训练方法及装置 | |
| CN112396189A (zh) | 一种多方构建联邦学习模型的方法及装置 | |
| CN110598019B (zh) | 重复图像识别方法及装置 | |
| CN110490683B (zh) | 一种线下线上协同多模型混合推荐的方法及系统 | |
| CN109933782B (zh) | 用户情绪预测方法和装置 | |
| CN111353804A (zh) | 一种服务评价方法、装置、终端设备和介质 | |
| CN109344238A (zh) | 用户问句的补词方法和装置 | |
| CN111176442A (zh) | 一种基于vr虚拟现实技术的交互式政务服务系统及方法 | |
| CN111324773A (zh) | 一种背景音乐构建方法、装置、电子设备和存储介质 | |
| CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
| CN108268357A (zh) | 实时数据处理方法和装置 | |
| CN110648203A (zh) | 银行产品信息推送方法及装置 | |
| CN109615458A (zh) | 客户管理方法、装置、终端设备及计算机可读存储介质 | |
| CN109829520A (zh) | 图像处理方法和装置 | |
| CN110955879A (zh) | 设备控制方法、装置、计算机设备和存储介质 | |
| JP5840186B2 (ja) | 感情検索装置、方法及びプログラム | |
| CN110232588A (zh) | 一种实体店管理方法以及实体店管理系统 | |
| CN112884538A (zh) | 物品推荐的方法和装置 | |
| CN112528140A (zh) | 信息推荐方法、装置、设备、系统及存储介质 | |
| CN114359993A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
| CN113642519A (zh) | 一种人脸识别系统和人脸识别方法 | |
| CN115222406A (zh) | 基于业务服务账号的资源发放方法以及相关设备 | |
| CN111598671A (zh) | 一种基于人机交互的商品推荐方法 | |
| CN114820085B (zh) | 用户筛选方法、相关装置及存储介质 |
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: 20200103 |
|
| RJ01 | Rejection of invention patent application after publication |