CN111125529A - 产品匹配方法、装置、计算机设备及存储介质 - Google Patents
产品匹配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111125529A CN111125529A CN201911350981.1A CN201911350981A CN111125529A CN 111125529 A CN111125529 A CN 111125529A CN 201911350981 A CN201911350981 A CN 201911350981A CN 111125529 A CN111125529 A CN 111125529A
- Authority
- CN
- China
- Prior art keywords
- user
- characteristic
- data
- financial product
- portrait
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种产品匹配方法、装置、计算机设备及存储介质。所述方法包括：对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据；根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；获取所述用户的特征用户画像以及获取金融产品的目标客群画像；根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户，从而能够有效解决新用户数据稀疏以及冷启动的问题，显著提升了推荐的准确性。经过测试，通过应用本发明实施例提出的产品匹配方法，信用卡等金融产品的推广转化率在32.3％，远高于目前的平均水平8％。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种产品匹配方法、装置、计算机设备及存储介质。
背景技术
如今，随着互联网金融行业的发展，大量的金融机构通过线上渠道获客，发放贷款、信用卡等。
由于数据孤岛以及信用信息并未全面覆盖，导致金融产品在线上的获客存在匹配率低、推荐准确性差、通过率低、坏账率高的情况。
发明内容
本发明实施例提供了一种产品匹配方法、装置、计算机设备及存储介质，旨在解决现有技术中金融产品与用户的匹配率低以及推荐准确性差的问题。
第一方面，本发明实施例提供了一种产品匹配方法，其包括：
对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
其进一步的技术方案为，在所述对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据之后，所述方法还包括：
将所述用户的特征数据存入到预设的特征库中。
其进一步的技术方案为，所述获取所述用户的特征用户画像，包括：
通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
其进一步的技术方案为，所述获取金融产品的目标客群画像，包括：
对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
其进一步的技术方案为，所述根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，包括：
将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
第二方面，本发明实施例还提供了一种产品匹配装置，其包括：
第一获取单元，用于对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
挖掘单元，用于根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
第二获取单元，用于获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
确定单元，用于根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
其进一步的技术方案为，所述产品匹配装置还包括：
储存单元，用于将所述用户的特征数据存入到预设的特征库中。
其进一步的技术方案为，所述第二获取单元包括：
分群单元，用于通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种产品匹配方法、装置、计算机设备及存储介质。其中，所述方法包括：对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据；根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；获取所述用户的特征用户画像以及获取金融产品的目标客群画像；根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户，从而能够有效解决新用户数据稀疏以及冷启动的问题，显著提升了推荐的准确性。经过测试，通过应用本发明实施例提出的产品匹配方法，信用卡等金融相关产品的推广转化率在32.3％，远远高于目前的平均水平8％。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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。
图1为本发明实施例提供的一种产品匹配方法的流程示意图；以及
图2为本发明实施例提供的一种计算机设备的示意性框图。
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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本发明实施例提供的一种产品匹配方法的流程示意图。本发明实施例提出一种产品匹配方法，该方法针对金融产品，利用金融相关的大数据，进行用户与产品的标签分类，画像构建，再通过各种推荐算法实现用户与产品的双向精准匹配。具体地，如图所示，该方法包括以下步骤S1-S4。
S1，对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据。
具体实施中，对用户的用户数据进行预处理，预处理包括对用户数据进行盘点、清洗、去除错误、冗余的数据。其中，用户数据包括所述用户的历史行为数据以及外部数据。外部数据即用户在第三方软件所留下的数据。
在对用户数据进行预处理之后，获取用户数据的特征值，并将用户数据的特征值作为所述用户的特征数据。
在一实施例中，在步骤S1之后，所述方法还包括：将所述用户的特征数据存入到预设的特征库中。特征库是指用于储存用户的特征数据的数据库。
S2，根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签。
具体实施中，根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签。具体地，对于特征数据，利用已掌握的金融产品营销规则，基于规则构建决策树，进行标签挖掘，最后形成的标签带有明显的金融行业特征，用于金融产品的营销有很好的作用。
需要说明的是，决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
S3，获取所述用户的特征用户画像以及获取金融产品的目标客群画像。
具体实施中，获取所述用户的特征用户画像以及获取金融产品的目标客群画像。特征用户画像用来表征用户的行为特征。目标客群画像用来表征金融产品的用户群体的特征。
在一实施例中，以上步骤S3中获取所述用户的特征用户画像具体包括：通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
具体实施中，用户的特征数据形成标签后，根据用户以往的行为属性和现有的属性特征，采用BP算法对用户进行预测分群构建画像。其中BP算法使用粒子群优化算法对神经网络权值与阈值进行优化，达到了较好的用户预测分群效果。
需要说明的是，BP算法，即误差反向传播(Error Back Propagation,BP)算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。
进一步地，以上步骤S3中获取金融产品的目标客群画像具体包括：对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
具体实施中，对于金融产品，对他们的活跃消费客群进行行为轨迹分析和特征画像构建，形成高质量的产品目标客群画像。
S4，根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
具体实施中，根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户，从而有效解决新用户数据稀疏以及冷启动的问题，显著提升了推荐的准确性。并根据实际的撮合效果，持续对预测算法、数据分析模型、推荐算法等进行改进和优化。
在一实施例中，以上步骤S4具体包括：将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
具体实施中，将用户与产品的特征画像作为输入项，以使用深度神经网络模型并结合其他现有的推荐算法，进行用户与产品的双向推荐匹配，能够有效解决新用户数据稀疏以及冷启动的问题，显著提升了推荐的准确性。
进一步地，深度神经网络模型可通过MLP进行改进，以进一步提升其性能。MLP(Multi-layer Perceptron即多层感知器)是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。
本发明实施例中，对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据；根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；获取所述用户的特征用户画像以及获取金融产品的目标客群画像；根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户，从而能够有效解决新用户数据稀疏以及冷启动的问题，显著提升了推荐的准确性。经过测试，通过应用本发明实施例提出的产品匹配方法，信用卡等金融相关产品的推广转化率在32.3％，远远高于目前的平均水平8％。
对应于以上产品匹配方法，本发明还提供一种产品匹配装置。该产品匹配装置包括用于执行上述产品匹配方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，该产品匹配装置包括第一获取单元、挖掘单元、第二获取单元以及确定单元。
第一获取单元，用于对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据。
挖掘单元，用于根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签。
第二获取单元，用于获取所述用户的特征用户画像以及获取金融产品的目标客群画像。
确定单元，用于根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
在一实施例中，所述产品匹配装置还包括储存单元。
储存单元，用于将所述用户的特征数据存入到预设的特征库中。
在一实施例中，所述第二获取单元包括分群单元以及分析单元。
分群单元，用于通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
分析单元，用于对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
在一实施例中，所述确定单元包括输入单元。
输入单元，用于将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述产品匹配装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述产品匹配装置可以实现为一种计算机程序的形式，该计算机程序可以在如图2所示的计算机设备上运行。
请参阅图2，图2是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图2，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种产品匹配方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种产品匹配方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
在一实施例中，处理器502在实现所述获取所述用户的特征用户画像步骤时，具体实现如下步骤：
通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
在一实施例中，处理器502在实现所述获取金融产品的目标客群画像步骤时，具体实现如下步骤：
对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
在一实施例中，处理器502在实现所述根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品步骤时，具体实现如下步骤：
将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
在一实施例中，处理器502在实现所述对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据步骤之后，还实现如下步骤：
将所述用户的特征数据存入到预设的特征库中。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取所述用户的特征用户画像步骤时，具体实现如下步骤：
通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取金融产品的目标客群画像步骤时，具体实现如下步骤：
对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品步骤时，具体实现如下步骤：
将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据步骤之后，还实现如下步骤：
将所述用户的特征数据存入到预设的特征库中。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，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发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种产品匹配方法，其特征在于，包括：
对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
2.根据权利要求1所述的产品匹配方法，其特征在于，在所述对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据之后，所述方法还包括：
将所述用户的特征数据存入到预设的特征库中。
3.根据权利要求1所述的产品匹配方法，其特征在于，所述获取所述用户的特征用户画像，包括：
通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
4.根据权利要求1所述的产品匹配方法，其特征在于，所述获取金融产品的目标客群画像，包括：
对所述金融产品的活跃消费客群进行行为轨迹分析和特征画像构建，以形成所述金融产品的目标客群画像。
5.根据权利要求1所述的产品匹配方法，其特征在于，所述根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，包括：
将所述用户的特征用户画像以及所述金融产品的目标客群画像输入到预设的深度神经网络中，以由所述深度神经网络对所述用户与所述金融产品进行双向推荐匹配。
6.一种产品匹配装置，其特征在于，包括：
第一获取单元，用于对用户的用户数据进行预处理，并获取预处理后的所述用户数据的特征值作为所述用户的特征数据，所述用户数据包括所述用户的历史行为数据以及外部数据；
挖掘单元，用于根据预设的决策树对所述特征数据进行标签挖掘以得到所述用户的标签；
第二获取单元，用于获取所述用户的特征用户画像以及获取金融产品的目标客群画像；
确定单元，用于根据所述用户的特征用户画像以及所述金融产品的目标客群画像确定与所述用户匹配的金融产品，并将与所述用户匹配的金融产品推送给所述用户。
7.根据权利要求6所述的产品匹配装置，其特征在于，所述产品匹配装置还包括：
储存单元，用于将所述用户的特征数据存入到预设的特征库中。
8.根据权利要求6所述的产品匹配装置，其特征在于，所述第二获取单元包括：
分群单元，用于通过预设的BP算法对所述用户进行预测分群以得到所述用户的特征用户画像。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911350981.1A CN111125529A (zh) | 2019-12-24 | 2019-12-24 | 产品匹配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911350981.1A CN111125529A (zh) | 2019-12-24 | 2019-12-24 | 产品匹配方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111125529A true CN111125529A (zh) | 2020-05-08 |
Family
ID=70502045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911350981.1A Pending CN111125529A (zh) | 2019-12-24 | 2019-12-24 | 产品匹配方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125529A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797282A (zh) * | 2020-06-03 | 2020-10-20 | 中国建设银行股份有限公司 | 产品标签权重确定方法、装置、电子设备及可读存储介质 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN112927059A (zh) * | 2021-04-21 | 2021-06-08 | 邓文浩 | 一种基于深度学习的个性化数字类零工服务推荐方法及系统 |
| CN113436001A (zh) * | 2021-06-25 | 2021-09-24 | 中国工商银行股份有限公司 | 信用卡的推送方法、装置、设备、存储介质和程序产品 |
| CN113449004A (zh) * | 2021-07-09 | 2021-09-28 | 中国银行股份有限公司 | 数据匹配方法及装置 |
| CN114022177A (zh) * | 2021-09-27 | 2022-02-08 | 上海画龙信息科技有限公司 | 一种客户数据的智能分群方法、装置和电子设备 |
| CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268450A (zh) * | 2018-02-27 | 2018-07-10 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-24 CN CN201911350981.1A patent/CN111125529A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268450A (zh) * | 2018-02-27 | 2018-07-10 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797282A (zh) * | 2020-06-03 | 2020-10-20 | 中国建设银行股份有限公司 | 产品标签权重确定方法、装置、电子设备及可读存储介质 |
| CN111797282B (zh) * | 2020-06-03 | 2024-03-29 | 中国建设银行股份有限公司 | 产品标签权重确定方法、装置、电子设备及可读存储介质 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN111985901B (zh) * | 2020-08-24 | 2024-02-02 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN112927059A (zh) * | 2021-04-21 | 2021-06-08 | 邓文浩 | 一种基于深度学习的个性化数字类零工服务推荐方法及系统 |
| CN113436001A (zh) * | 2021-06-25 | 2021-09-24 | 中国工商银行股份有限公司 | 信用卡的推送方法、装置、设备、存储介质和程序产品 |
| CN113449004A (zh) * | 2021-07-09 | 2021-09-28 | 中国银行股份有限公司 | 数据匹配方法及装置 |
| CN114022177A (zh) * | 2021-09-27 | 2022-02-08 | 上海画龙信息科技有限公司 | 一种客户数据的智能分群方法、装置和电子设备 |
| CN114022177B (zh) * | 2021-09-27 | 2023-08-18 | 上海画龙信息科技有限公司 | 一种客户数据的智能分群方法、装置和电子设备 |
| CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
| CN117726359B (zh) * | 2024-02-08 | 2024-04-26 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
| US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
| US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
| CN111373415A (zh) | 使用神经网络分析序列数据 | |
| US11308077B2 (en) | Identifying source datasets that fit a transfer learning process for a target domain | |
| US10482491B2 (en) | Targeted marketing for user conversion | |
| US12106199B2 (en) | Real-time predictions based on machine learning models | |
| US11847599B1 (en) | Computing system for automated evaluation of process workflows | |
| US11790278B2 (en) | Determining rationale for a prediction of a machine learning based model | |
| CN115686908A (zh) | 一种数据处理方法及相关设备 | |
| CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
| CN116883181B (zh) | 基于用户画像的金融服务推送方法、存储介质及服务器 | |
| CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
| AU2021276239A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
| CN113553501A (zh) | 一种基于人工智能的用户画像预测的方法及装置 | |
| US11551817B2 (en) | Assessing unreliability of clinical risk prediction | |
| EP4258193A1 (en) | Method and apparatus for predicting risk, electronic device, computer readable storage medium | |
| US20230297880A1 (en) | Cognitive advisory agent | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN111325350A (zh) | 可疑组织发现系统和方法 | |
| CN110929033A (zh) | 长文本分类方法、装置、计算机设备及存储介质 | |
| US12014427B1 (en) | Apparatus and methods for customization and utilization of target profiles | |
| US20240112010A1 (en) | Identifying performance degradation in machine learning models based on comparison of actual and predicted results | |
| CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
| CN118469381A (zh) | 信息处理方法、装置、设备、介质和程序产品 |
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: 20200508 |