CN111311420A - 一种业务数据的推送方法及装置 - Google Patents

一种业务数据的推送方法及装置 Download PDF

Info

Publication number
CN111311420A
CN111311420A CN202010107197.4A CN202010107197A CN111311420A CN 111311420 A CN111311420 A CN 111311420A CN 202010107197 A CN202010107197 A CN 202010107197A CN 111311420 A CN111311420 A CN 111311420A
Authority
CN
China
Prior art keywords
service data
pushing
investor
data
service
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
CN202010107197.4A
Other languages
English (en)
Inventor
买浩原
陈旺
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.)
Shenzhen Thinkive Information Technology Co ltd
Original Assignee
Shenzhen Thinkive Information Technology Co ltd
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 Shenzhen Thinkive Information Technology Co ltd filed Critical Shenzhen Thinkive Information Technology Co ltd
Priority to CN202010107197.4A priority Critical patent/CN111311420A/zh
Publication of CN111311420A publication Critical patent/CN111311420A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06Asset management; Financial planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data

Abstract

本发明公开了一种业务数据的推送方法及装置,其中,该业务数据的推送方法包括:获取投资者信息及业务数据;根据投资者信息确定投资者的分类标签;根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;从多个业务数据组合选出并推送最优业务数据。通过本发明的技术方案的实施,能够实现自动推送业务数据,提高业务数据推送效率,可扩展性较高。

Description

一种业务数据的推送方法及装置
技术领域
本发明涉及数据处理技术领域,尤其涉及一种业务数据的推送方法、装置及可读存储介质。
背景技术
在金融行业中常常需要对某些业务(如基金、股票等)向投资者进行推荐。目前,主流的业务推荐方法为先按照投资者的主观筛选条件对基金进行筛选,选出符合条件的基金,然后将基金按照不同的特征从风险、收益的角度来进行分类,根据投资者的风险偏好进行推荐。上述的推荐方法中人为操作因素较多,推荐效率较低且准确性不高。
有鉴于此,有必要提出对目前金融业务数据的推送方法进行进一步的改进。
发明内容
为解决上述至少一技术问题,本发明的主要目的是提供一种业务数据的推送方法、装置及可读存储介质。
为实现上述目的,本发明采用的第一个技术方案为:提供一种业务数据的推送方法,包括:
获取投资者信息及业务数据;
根据投资者信息确定投资者的分类标签;
根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;
将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;
从多个业务数据组合选出并推送最优业务数据。
其中,所述从多个业务数据组合选出并推送最优业务数据,包括:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
其中,所述根据投资者信息确定投资者的分类标签,包括:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
其中,所述从多个业务数据组合选出并推送最优业务数据,还包括:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
其中,所述从多个业务数据组合选出并推送最优业务数据,还包括:
将最优业务数据存储至所有投资者的最优业务组合池中;以及
根据业务数据实际所在业务数据组合确定业务的新分类标签。
为实现上述目的,本发明采用的第二个技术方案为:提供一种业务数据的推送装置,包括:
获取模块,用于获取投资者信息及业务数据;
第一分类模块,用于根据投资者信息确定投资者的分类标签;
第二分类模块,用于根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;
匹配模块,用于将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;
推送模块,用于从多个业务数据组合选出并推送最优业务数据。
其中,所述装置还包括回测模块,用于:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
其中,所述第一分类模块,具体用于:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
其中,所述装置还包括反馈模块,用于:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
为实现上述目的,本发明采用的第三个技术方案为:提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述方法中的步骤。
本发明的技术方案通过采用先获取投资者信息及业务数据,然后根据投资者信息确定投资者的分类标签,再根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签,而后将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合,最后从多个业务数据组合选出并推送最优业务数据,如此,通过上述方案的实施,能够实现自动推送业务数据,提高业务数据推送效率。
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示出的结构获得其他的附图。
图1为本发明第一实施例业务数据的推送方法的方法流程图;
图2为本发明第二实施例业务数据的推送装置的模块方框图;
图3为本发明第三实施例提供的一种电子设备的模块方框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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,所描述的实施例仅仅是本发明的一部分实施例,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作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。
需要说明,本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参照图1,图1为本发明第一实施例业务数据的推送方法的方法流程图。区别于现有技术在金融业务(如基金、股票等)推荐效率较低,且准确率低,无法符合投资者偏好的问题,本发明实施例提供了一种业务数据的推送方法,用于对金融业务数据的推送,具体包括如下步骤:
步骤S101、获取投资者信息及业务数据。
具体的,投资者信息及业务数据均位于底层数据层,均可以通过调查问卷、本地网络爬虫方式,及底层数据提供商获取。对于基金投资者而言,投资者信息包括投资者的账户信息、调查问卷信息及实际基金持仓数据。对应的业务数据为基金业务数据。
步骤S102、根据投资者信息确定投资者的分类标签。
具体的,将投资者信息通过投资风格评估模型可以确定投资者的分类标签。于本实施例而言,投资风格评估模型为隐马尔可夫模型。
进一步的,所述根据投资者信息确定投资者的分类标签,包括:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
该分类标签可以为保守型、稳健型、成长型、积极型和激进型等。
步骤S103、根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签。
本实施例中,业务衍生数据具体为基金衍生数据,具体包括基金的业绩指标数据(如夏普比率、最大回撤等)、基金的业绩归因数据(如基于多因子模型和Brinson模型的归因分析数据等)、基金风格概念数据(基于持仓的基金所属风格和概念数据等)、及基金持仓数据(如基金持有的底层资产等)。
上述的业务的分类标签由业务衍生数据通过机器训练得到,具体而言是通过基于反向传播的神经网络模型得到。具体训练时,业务衍生数据位于基于反向传播的神经网络模型的输入层,业务的分类标签位于基于反向传播的神经网络模型输出层。输入层与输出层通过隐含层相连。具体计算时,
初始化基于反向传播的神经网络;
假设输入层的节点个数为n,隐含层的节点个数为ι,输出层的节点个数为m。输入层到隐含层的权重ωij,隐含层到输出层的权重为ωjk,输入层到隐含层的偏置为αj,隐含层到输出层的偏置为bk。学习速率为η,激励函数为g(X)。其中激励函数为g(X),取Sigmoid函数。形式为:
Figure BDA0002388734540000051
如上述的反向传播网络所示,隐含层的输出Hj为:
Figure BDA0002388734540000052
如上述的反向传播网络所示,输出层的输出Ok为:
Figure BDA0002388734540000053
误差公式为:
Figure BDA0002388734540000054
其中,Yk为期望输出,记Yk-Ok=ek,则
E可以表示为:
Figure BDA0002388734540000055
权重的更新为:
Figure BDA0002388734540000056
ωjk=ωjk+ηHjek
由于业务的分类标签由业务衍生数据通过机器训练得到,其扩展性较高。
步骤S104、将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合。
上述的业务数据组合包含有投资者的分类标签及业务的分类标签,符合投资者的投资风格要求,更容易被投资者采纳,提升业务数据推送的准确性。
步骤S105、从多个业务数据组合选出并推送最优业务数据。
本实施例中,可以通过优化模型从多个业务数据组合选出最优业务数据,然后推送优业务数据。
进一步的,所述从多个业务数据组合选出并推送最优业务数据,包括:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
具体的,通过该优化模型可以对最优化问题的目标函数和约束条件做了改进,将目标函数改进为结构化因子的函数,并可以实现特定偏好的约束,从而求得投资组合最优解。在得到最优解后,还对最优解进行回测,若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;若回测结果低于设定阈值,则继续多个业务数据组合进行优化,直至回测结果达到设定阈值,将业务数据组合作为最优业务数据。
进一步的,所述从多个业务数据组合选出并推送最优业务数据,还包括:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
如此,可以对投资者的投资偏好进行动态再分类,以提高分类的准确性。
进一步的,所述从多个业务数据组合选出并推送最优业务数据,还包括:
将最优业务数据存储至所有投资者的最优业务组合池中;以及
根据业务数据实际所在业务数据组合确定业务的新分类标签。
如此,可以对业务进行更准确性分类,以达到更具有针对性的分类。
请参照图2,图2为本发明第二实施例业务数据的推送装置的模块方框图。在本发明的实施例中,该业务数据的推送装置,包括:
获取模块101,用于获取投资者信息及业务数据;
第一分类模块102,用于根据投资者信息确定投资者的分类标签;
第二分类模块103,用于根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;
匹配模块104,用于将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;
推送模块105,用于从多个业务数据组合选出并推送最优业务数据。
本实施例中,通过获取模块101,可以获取投资者信息及业务数据,然后通过第一分类模块102,可以根据投资者信息确定投资者的分类标签,再通过第二分类模块103,可以根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签,而后通过匹配模块104,可以将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合,最后通过推送模块105,从多个业务数据组合选出并推送最优业务数据,如此,通过上述方案的实施,能够实现自动推送业务数据,提高业务数据推送效率,能够使推送的业务数据更加符合投资者的偏好。
其中,所述装置还包括回测模块,用于:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
其中,所述第一分类模块102,具体用于:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
其中,所述装置还包括反馈模块,用于:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
其中,所述装置还包括存储模块,用于:
将最优业务数据存储至所有投资者的最优业务组合池中;以及
根据业务数据实际所在业务数据组合确定业务的新分类标签。
请参阅图3,图3为本发明第三实施例提供的一种电子设备。该电子设备可用于实现前述实施例中的业务数据的推送方法。如图3所示,该电子设备主要包括:存储器301、处理器302、总线303及存储在存储器301上并可在处理器302上运行的计算机程序,存储器301和处理器302通过总线303连接。处理器302执行该计算机程序时,实现前述实施例中的业务数据的推送方法。其中,处理器的数量可以是一个或多个。
存储器301可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器301用于存储可执行程序代码,处理器302与存储器301耦合。
进一步的,本发明实施例还提供了一种可读存储介质,该可读存储介质可以是设置于上述各实施例中的电子设备中,该可读存储介质可以是前述图3所示实施例中的存储器。
该可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述实施例中的业务数据的推送方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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,模块的划分,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,例如多个模块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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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可读存储介质中,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,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
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述的部分,可以参见其它实施例的相关描述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的技术方案构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种业务数据的推送方法,其特征在于,所述业务数据的推送方法包括:
获取投资者信息及业务数据;
根据投资者信息确定投资者的分类标签;
根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;
将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;
从多个业务数据组合选出并推送最优业务数据。
2.如权利要求1所述的业务数据的推送方法,其特征在于,所述从多个业务数据组合选出并推送最优业务数据,包括:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
3.如权利要求1所述的业务数据的推送方法,其特征在于,所述根据投资者信息确定投资者的分类标签,包括:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
4.如权利要求3所述的业务数据的推送方法,其特征在于,所述从多个业务数据组合选出并推送最优业务数据,还包括:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
5.如权利要求1所述的业务数据的推送方法,其特征在于,所述从多个业务数据组合选出并推送最优业务数据,还包括:
将最优业务数据存储至所有投资者的最优业务组合池中;以及
根据业务数据实际所在业务数据组合确定业务的新分类标签。
6.一种业务数据的推送装置,其特征在于,所述业务数据的推送装置包括:
获取模块,用于获取投资者信息及业务数据;
第一分类模块,用于根据投资者信息确定投资者的分类标签;
第二分类模块,用于根据业务数据生成业务衍生数据,将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型,以对业务数据进行分类,得到业务的分类标签;
匹配模块,用于将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合;
推送模块,用于从多个业务数据组合选出并推送最优业务数据。
7.如权利要求6所述的业务数据的推送装置,其特征在于,所述装置还包括回测模块,用于:
对多个业务数据组合进行优化;
对优化后的业务数据组合进行回测;
若回测结果达到设定阈值,则将业务数据组合作为最优业务数据;
若回测结果低于设定阈值,则继续多个业务数据组合进行优化。
8.如权利要求6所述的业务数据的推送装置,其特征在于,所述第一分类模块,具体用于:
利用隐马尔可夫模型对投资者信息进行分类;以及
确定分类后的投资者的分类标签。
9.如权利要求8所述的业务数据的推送装置,其特征在于,所述装置还包括反馈模块,用于:
反馈投资者账户组合记录;以及
根据实际投资组合信息更新隐马尔可夫模型。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中的任意一项所述方法中的步骤。
CN202010107197.4A 2020-02-21 2020-02-21 一种业务数据的推送方法及装置 Pending CN111311420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010107197.4A CN111311420A (zh) 2020-02-21 2020-02-21 一种业务数据的推送方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010107197.4A CN111311420A (zh) 2020-02-21 2020-02-21 一种业务数据的推送方法及装置

Publications (1)

Publication Number Publication Date
CN111311420A true CN111311420A (zh) 2020-06-19

Family

ID=71160258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010107197.4A Pending CN111311420A (zh) 2020-02-21 2020-02-21 一种业务数据的推送方法及装置

Country Status (1)

Country Link
CN (1) CN111311420A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861404A (zh) * 2020-07-23 2020-10-30 海南随手电子商务有限公司 基于智能机器的数据处理方法及装置、电子设备
CN112328909A (zh) * 2020-11-17 2021-02-05 中国平安人寿保险股份有限公司 信息推荐方法、装置、计算机设备及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020091605A1 (en) * 2000-11-01 2002-07-11 Labe Russell Paul Asset allocation optimizer
US20030144944A1 (en) * 2002-01-31 2003-07-31 Kalt David Samuels Financial instruments trading system and method
US7877308B1 (en) * 2007-04-26 2011-01-25 Klein Decisions, Inc. Method and system for using risk tolerance and life goal preferences and rankings to enhance financial projections
US20130262165A1 (en) * 2012-03-27 2013-10-03 Alibaba Group Holding Limited Sending recommendation information associated with a business object
CN105744005A (zh) * 2016-04-30 2016-07-06 平安证券有限责任公司 客户定位分析方法及服务器
CN107424043A (zh) * 2017-06-15 2017-12-01 北京三快在线科技有限公司 一种产品推荐方法及装置,电子设备
CN108073672A (zh) * 2017-04-12 2018-05-25 北京市商汤科技开发有限公司 业务对象推荐方法、装置和电子设备
CN108492189A (zh) * 2018-03-22 2018-09-04 张家林 证券投资组合选择方法、装置及设备
CN108829846A (zh) * 2018-06-20 2018-11-16 中国联合网络通信集团有限公司 一种基于用户特征的业务推荐平台数据聚类优化系统及方法
CN109819024A (zh) * 2019-01-17 2019-05-28 平安城市建设科技(深圳)有限公司 基于数据分析的信息推送方法、装置、存储介质及终端
CN110110231A (zh) * 2019-04-30 2019-08-09 翟红鹰 大数据技术的智能投资推荐方法、系统、终端及存储介质
CN110189191A (zh) * 2019-05-05 2019-08-30 苏宁易购集团股份有限公司 一种基于实时模型的金融产品推荐方法及系统
CN110223137A (zh) * 2019-05-22 2019-09-10 平安科技(深圳)有限公司 产品组合推荐方法、装置、计算机设备和存储介质
CN110457577A (zh) * 2015-04-01 2019-11-15 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和计算机存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020091605A1 (en) * 2000-11-01 2002-07-11 Labe Russell Paul Asset allocation optimizer
US20030144944A1 (en) * 2002-01-31 2003-07-31 Kalt David Samuels Financial instruments trading system and method
US7877308B1 (en) * 2007-04-26 2011-01-25 Klein Decisions, Inc. Method and system for using risk tolerance and life goal preferences and rankings to enhance financial projections
US20130262165A1 (en) * 2012-03-27 2013-10-03 Alibaba Group Holding Limited Sending recommendation information associated with a business object
CN110457577A (zh) * 2015-04-01 2019-11-15 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和计算机存储介质
CN105744005A (zh) * 2016-04-30 2016-07-06 平安证券有限责任公司 客户定位分析方法及服务器
CN108073672A (zh) * 2017-04-12 2018-05-25 北京市商汤科技开发有限公司 业务对象推荐方法、装置和电子设备
CN107424043A (zh) * 2017-06-15 2017-12-01 北京三快在线科技有限公司 一种产品推荐方法及装置,电子设备
CN108492189A (zh) * 2018-03-22 2018-09-04 张家林 证券投资组合选择方法、装置及设备
CN108829846A (zh) * 2018-06-20 2018-11-16 中国联合网络通信集团有限公司 一种基于用户特征的业务推荐平台数据聚类优化系统及方法
CN109819024A (zh) * 2019-01-17 2019-05-28 平安城市建设科技(深圳)有限公司 基于数据分析的信息推送方法、装置、存储介质及终端
CN110110231A (zh) * 2019-04-30 2019-08-09 翟红鹰 大数据技术的智能投资推荐方法、系统、终端及存储介质
CN110189191A (zh) * 2019-05-05 2019-08-30 苏宁易购集团股份有限公司 一种基于实时模型的金融产品推荐方法及系统
CN110223137A (zh) * 2019-05-22 2019-09-10 平安科技(深圳)有限公司 产品组合推荐方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861404A (zh) * 2020-07-23 2020-10-30 海南随手电子商务有限公司 基于智能机器的数据处理方法及装置、电子设备
CN112328909A (zh) * 2020-11-17 2021-02-05 中国平安人寿保险股份有限公司 信息推荐方法、装置、计算机设备及介质

Similar Documents

Publication Publication Date Title
US20220215269A1 (en) Enhancing Evolutionary Optimization in Uncertain Environments By Allocating Evaluations Via Multi-Armed Bandit Algorithms
CN112084383A (zh) 基于知识图谱的信息推荐方法、装置、设备及存储介质
US20160148321A1 (en) Simplified screening for predicting errors in tax returns
CN111738534B (zh) 多任务预测模型的训练、事件类型的预测方法及装置
US20090276368A1 (en) Systems and methods for providing personalized recommendations of products and services based on explicit and implicit user data and feedback
US9031967B2 (en) Natural language processing system, method and computer program product useful for automotive data mapping
CN112215500B (zh) 账号关系识别方法及装置
US20090281975A1 (en) Recommending similar content identified with a neural network
CN108509492B (zh) 基于房地产行业的大数据处理及系统
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
CN113742492A (zh) 保险方案生成方法、装置、电子设备及存储介质
CN109034199B (zh) 数据处理方法及装置、存储介质和电子设备
CN113159922A (zh) 一种数据的流向识别方法、装置、设备及介质
CN113313538A (zh) 用户消费能力预测方法、装置、电子设备和存储介质
CN113792134B (zh) 一种基于数字孪生技术的用户服务方法及系统
CN114118816A (zh) 一种风险评估方法、装置、设备及计算机存储介质
Sekerke Bayesian risk management: A guide to model risk and sequential learning in financial markets
Mohammadi et al. Unveiling and unraveling aggregation and dispersion fallacies in group MCDM
CN113538154A (zh) 风险对象的识别方法、装置、存储介质和电子设备
CN111311420A (zh) 一种业务数据的推送方法及装置
JP2019160089A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN115526315A (zh) 评分卡模型的生成方法和装置
US11785007B2 (en) Email processing for improved authentication question accuracy
US8706660B2 (en) System and method for efficient interpretation of natural images and document images in terms of objects and their parts
US10937087B2 (en) Systems and methods for optimal bidding in a business to business environment

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