CN111626863A - 一种金融产品的智能推荐方法 - Google Patents

一种金融产品的智能推荐方法 Download PDF

Info

Publication number
CN111626863A
CN111626863A CN202010488799.9A CN202010488799A CN111626863A CN 111626863 A CN111626863 A CN 111626863A CN 202010488799 A CN202010488799 A CN 202010488799A CN 111626863 A CN111626863 A CN 111626863A
Authority
CN
China
Prior art keywords
financial product
score
user group
activity
financial
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
CN202010488799.9A
Other languages
English (en)
Inventor
刘红跃
周士夺
路老虎
刘伟
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.)
Beijing Bicai Data Technology Co ltd
Original Assignee
Beijing Bicai Data 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 Beijing Bicai Data Technology Co ltd filed Critical Beijing Bicai Data Technology Co ltd
Priority to CN202010488799.9A priority Critical patent/CN111626863A/zh
Publication of CN111626863A publication Critical patent/CN111626863A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种金融产品的智能推荐方法，其首先获取每个金融产品与用户群之间的相似度得分；然后计算每个金融产品的活动得分；最后基于活动得分和相似度得分形成推荐结果，其不仅考虑了每个金融产品与用户群之间的相似度，而且还考虑了用户群对活动的敏感度，明显提高了推荐的准确性。而且，由于该智能推荐方法考虑了用户群对活动的敏感度，其可以将具有加息等活动的金融产品推荐给用户群，提升了用户的购买意愿，并最终提高了金融产品的购买率。

Description

一种金融产品的智能推荐方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种金融产品的智能推荐方法。
背景技术
随着信息技术和直销银行的快速发展，各种理财产品(如基金、债券和存款等)的种类和数量急剧增长。但是，由于不同金融产品的质量和信用评价不同，使得用户需要花费大量时间在大量的金融产品中寻找自己感兴趣的产品，这对金融产品购买者的选择能力具有一定的挑战。为此，为了便于客户能够准确了解自己感兴趣的金融产品，通过互联网技术向用户进行个性化金融产品推荐已逐渐成为客户快速了解自己感兴趣的金融产品的重要途径。
中国发明专利CN108734587A公开了一种金融产品的推荐方法及终端设备，通过获取目标用户的用户信息以及一个以上金融产品的准入条件，将符合准入条件的金融产品作为候选金融产品存入候选金融产品列表；获取各个候选金融产品的用户标签，并根据候选金融产品的用户标签对应的用户信息，计算该候选金融产品的产品特征参数；计算目标用户特征参数与各个候选金融产品的产品特征参数的相似度，将预设个数的相似度最高的候选金融产品推荐给目标用户，以根据其他用户对于金融产品的选择，有针对性地向目标用户推荐产品，提高用户对于被推荐的金融产品的满意度。
但是，为提高用户对金融产品的购买意愿，现有的很多金融产品在进行营销时往往会设置加息等活动，而中国发明专利CN108734587A仅通过金融产品和用户之间的相似度进行推荐，忽略了加息等活动对推荐结果的影响，降低了推荐的准确性。
发明内容
本发明的目的是提供一种金融产品的智能推荐方法，其不仅可以根据用户喜好等进行智能推荐，而且还可以根据用户对产品活动的敏感度对推荐结果进行更新，具有较高的推荐准确性。
本发明所采用的技术方案内容具体如下：
一种金融产品的智能推荐方法，所述智能推荐方法包括：
获取每个金融产品与用户群之间的相似度得分；
计算每个金融产品的活动得分；
基于活动得分和相似度得分形成推荐结果。
作为进一步优选的方案，获取每个金融产品与用户群之间的相似度得分包括：
获取金融产品的画像；
获取用户群对金融产品每个特征的偏好；
基于金融产品的画像和用户群对金融产品每个特征的偏好，计算金融产品与用户群的相似度得分。
作为进一步优选的方案，金融产品的画像由金融产品每个特征的打分值组成；用户群对金融产品的偏好由用户群对金融产品每个特征的偏好值组成。
作为进一步优选的方案，获取用户群对金融产品每个特征的偏好包括：
根据用户群对金融产品的行为获取用户群对金融产品的偏好得分；
根据金融产品每个特征的打分值和用户群对金融产品的偏好得分获取用户群对金融产品每个特征的偏好值。
作为进一步优选的方案，用户群对金融产品的行为包括用户群对金融产品的点击行为、收藏行为、分享行为、购买行为和记账行为。
作为进一步优选的方案，计算每个金融产品与用户群的相似度得分为利用余弦相似度计算每个金融产品与用户群的相似度得分，且计算公式为：
Figure BDA0002520255310000031
其中：A＝(A1，A2，...，An)的取值为用户对金融产品每个特征的偏好值；B＝(B1，B2，...，Bn)的取值为金融产品的每个特征的打分值。
作为进一步优选的方案，每个金融产品的活动得分的计算公式为：
活动得分＝(活动打分*敏感度系数)+修正系数，其中：
(1)活动打分score由金融产品的运营人员根据活动力度进行打分而得到，其取值默认为1；
(2)敏感度系数
Figure BDA0002520255310000032
其中：
Figure BDA0002520255310000033
floor为向下取整函数，
Figure BDA0002520255310000034
Figure BDA0002520255310000035
且％为取余函数，activity为用户群中参加活动的人数，people为用户群的人数；
(3)修正系数为revise＝CEILING(score_difference_average-activity*sensitivity)，其中：score_difference_average为逐位差平均值。
作为进一步优选的方案，基于活动得分和相似度得分形成推荐结果包括：
针对每个金融产品，将其相似度得分和活动得分相加以得到每个金融产品的综合得分；
根据每个金融产品的综合得分对金融产品进行排序以形成推荐结果。
作为进一步优选的方案，所述智能推荐方法还包括对每个金融产品与用户群之间的相似度得分进行调优的步骤。
作为进一步优选的方案，所述推荐算法还包括划分用户群的步骤，具体为：根据用户的统计学属性将用户划分为用户群。
与现有技术相比，本发明的有益效果在于：
本发明公开的金融产品的智能推荐算法，其首先获取每个金融产品与用户群之间的相似度得分；然后计算每个金融产品的活动得分；最后基于活动得分和相似度得分形成推荐结果，其不仅考虑了每个金融产品与用户群之间的相似度，而且还考虑了用户群对活动的敏感度，明显提高了推荐的准确性。而且，由于该推荐方法考虑了用户群对活动的敏感度，可以将具有加息等活动的金融产品推荐给用户群，提升了用户的购买意愿，并最终提高了金融产品的购买率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，详细说明如下。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：
本发明公开了一种金融产品的智能推荐方法，所述智能推荐方法包括：
获取每个金融产品与用户群之间的相似度得分；
计算每个金融产品的活动得分；
基于活动得分和相似度得分形成推荐结果。
本发明公开的智能推荐方法，不仅考虑了每个金融产品与用户群之间的相似度，而且还考虑了用户群对活动的敏感度，明显提高了推荐的准确性。
需要说明的是，在本发明中，所述活动是为促进用户注册、实名、开户以及购买金融产品而产生的，例如：App内的“连连赚”活动，老用户邀请一个新用户，新用户进行实名认证后，新老用户可以得到现金奖励或体验金等。
另外，由于本发明的活动为促进用户注册、实名、开户以及购买金融产品而产生的加息等，因此，本发明所述的智能推荐方法可以将具有活动的产品推荐给用户群，提高用户的购买意愿，并最终提高用户群对金融产品的购买率。
作为示例，为了说明用户群对活动的敏感程度对推荐结果的影响，表1给出了基于10个金融产品所形成的推荐结果。
表1用户群对活动的敏感度对推荐结果的影响
Figure BDA0002520255310000041
Figure BDA0002520255310000051
从表1中可以看出，当金融产品添加活动后，金融产品“灵便存”的排名由第7名上升为第1名，金融产品“自慧存360天派息”的排名由第5名上升为第2名，使得金融产品“灵便存”和金融产品“自慧存360天派息”的曝光度增加。
而且，为了验证用户对活动的敏感度对推荐结果的影响，发明人基于相似度得分的10个金融产品的推荐准确率(precision)和基于相似度得分和活动得分的推荐准确率(precision)，计算时：令R(u)表示根据用户群在训练集上的行为作出的推荐列表，T(u)表示根据用户群在测试集上的行为作出的推荐列表，则准确率的计算公式为：
Figure BDA0002520255310000052
经过计算可以确定，相对于基于相似度得分的推荐而言，本发明的基于相似度得分和活动得分的推荐结果的推荐准确率提升了3.21％，而且，用户群对金融产品的购买率增长了0.98％，由此可以说明：相对于基于用户群与金融产品之间的相似度进行推荐的方式而言，本发明的智能推荐方法提高了金融产品推荐准确率和用户群对金融产品的购买率。
在本发明中，获取每个金融产品与用户群之间的相似度得分包括：
获取金融产品的画像；
获取用户群对金融产品每个特征的偏好；
基于金融产品的画像和用户群对金融产品每个特征的偏好，计算金融产品与用户群的相似度得分。
作为进一步优选的方案，金融产品的画像由金融产品的每个特征的打分值组成，具体地，根据金融产品的类型，确定金融产品的特征，然后通过分析金融产品的特征数据的分布情况确定每个特征的分数梯度及分数梯度对应的得分值，并最终根据特征的数值、该数值对应的分数梯度及得分值得到每个金融产品的每个特征的打分值，以货币基金为例，其特征、特征的分数梯度以及分数梯度对应的得分值如表2所示：
表2货币基金的特征、特征的分数梯度以及分数梯度对应的得分值
Figure BDA0002520255310000061
Figure BDA0002520255310000071
而且，用户群对金融产品的偏好由用户群对金融产品每个特征的偏好值组成。
作为进一步优选的方案，获取用户群对金融产品每个特征的偏好包括：
根据用户群对金融产品的行为获取用户群对金融产品每个特征的偏好得分；
根据金融产品的每个特征的打分值和用户群对金融产品的偏好得分获取用户群对金融产品的每个特征的偏好值，例如：以货币基金为例，用户群对货币基金的“七日年化收益率”的偏好值的计算公式为：
Figure BDA0002520255310000081
Figure BDA0002520255310000082
其中：用户群对该产品的偏好得分根据用户群对金融产品的行为得到，例如，某用户群A对某个产品b有过收藏和点击行为，则A对b的偏好得分为：3分，其中2分为收藏得分，1分为点击得分。
作为进一步优选的方案，用户群对金融产品的行为包括用户群对金融产品的点击行为、收藏行为、分享行为、购买行为和记账行为，具体地，用户群对金融产品的不同行为的打分标准如表3：
表3用户群对金融产品的不同行为的打分标准
用户行为 打分值 用户行为 打分值
电子帐 5 电子账赎回 -5
手工账 4 手工账赎回 -4
分享 3 收藏 2
取消收藏 -2 点击 1
作为进一步优选的方案，计算每个金融产品与用户群的相似度得分为利用余弦相似度计算每个金融产品与用户群的相似度得分，且计算公式为：
Figure BDA0002520255310000083
其中：A＝(A1,A2,…,An)的取值为用户群对金融产品每个特征的偏好值；B＝(B1,B2,…,Bn)的取值为金融产品的每个特征的打分值。
作为进一步优选的方案，每个金融产品的活动得分的计算公式为：
活动得分＝(活动打分*敏感度系数)+修正系数，其中：
(1)活动打分score：由金融产品的运营人员根据活动力度进行打分而得到，例如：当活动为加息0.5％时，score的取值为1分；当活动为加息1.0％时，score的取值为2分；当活动加息为1.5％时，score的取值为3分；当活动为加息2％时，score的取值为4分。
(2)敏感度系数
Figure BDA0002520255310000091
其中：
Figure BDA0002520255310000092
floor为向下取整函数，
Figure BDA0002520255310000093
Figure BDA0002520255310000094
且％为取余函数，activity为用户群中参加活动的人数，people为用户群的人数，例如，floor(4.9)的取值为4，28.87％5＝28.87-5*multiple＝3.87；而且，当
Figure BDA0002520255310000095
的数值较高时，sigmoid函数的取值趋近于1，当
Figure BDA0002520255310000096
时，sigmoid函数的取值为0.9933，也就是说，当用户群中的用户参加活动的次数超过5次时，sigmoid函数的取值将不会发生明显变化，因此，在本发明中，
Figure BDA0002520255310000097
的取值为5。
另外，threshold可以反映出活动的重要性，其值的大小可以反映出用户群对活动敏感度的变化快慢，具体取值可以根据实际情况进行调整，如设置为5或10等；而且，通过调整敏感度函数的曲线可以将不同区域的用户群进行阶段性的区分，增加区域区分度。
(3)修正系数为revise＝CEILING(score_difference_average-activity*sensitivity)，其中：score_difference_average为逐位差平均值，其计算公式为：
Figure BDA0002520255310000098
因此，如果逐位差平均值＜活动得分＜2*逐位差平均值，则有活动的金融产品的排名应该上升一名。
例如，我们将活动打分为1分的活动添加到产品后，添加有活动的产品的排名则需要上升一个名次，如果score_difference_average＝0.0023，则需要将score_difference_average的值乘1000得到2.3，假设现在的敏感度系数为1.5，则score_difference_average*1000-activity*sensitivity＝0.8，此时以向上舍入的原则，0.8舍入为1.0，此时修正系数为：
revise＝CEILING(score_difference_average-activity*sensitivity)，其中：CEILING()为向上舍入函数
而且，基准修正系数为活动打分为1，敏感度系数为1时的修正系数，即：
revise＝CEILING(score_difference_average)。
另外，为了确保活动打分和逐位差平均值的数量级相同，则需要将activity除以1000，则此时活动得分的计算公式为：
活动得分＝((活动打分*敏感度系数)+基准修正系数)/数量级参数。
作为进一步优选的方案，基于活动得分和相似度得分形成推荐结果包括：
针对每个金融产品，将其相似度得分和活动得分相加以得到每个金融产品的综合得分；
根据每个金融产品的综合得分对金融产品进行排序以形成推荐结果，具体是基于综合得分排名靠前的金融产品形成推荐结果，而且，推荐结果中金融产品的数量根据实际需求进行设置。
作为进一步优选的方案，所述智能推荐方法还包括对每个金融产品与用户群之间的相似度得分进行调优的步骤，其包括：
(1)针对特定的用户群，赋予其对金融产品每个特征形成不同的打分值；
(2)赋予金融产品不同的画像；
(3)针对金融产品的不同画像、以及特定用户群对金融产品每个特征的不同打分值，计算用户群与金融产品之间的相似度得分，并基于相似度得分形成不同的初始推荐结果；
(4)利用离线指标和在线指标挑选出推荐效果最好的初始推荐结果，该推荐效果最好的初始推荐结果对应的相似度得分即为经过调优后的相似度得分，例如：可以将准确率和召回率最高的初始推荐结果作为最终的初始推荐结果。
在本发明中，所述离线指标包括准确率、召回率、覆盖率以及多样性等，所述在线指标包括A/B测试等，其中：
(1)准确率(precision)：将样本数据集按照7∶3的数据量比例随机划分为训练集和测试集，在训练集上训练推荐模型，在测试集上进行预测，然后通过准确率测评算法在测试集上的预测结果，根据预测结果调整模型参数，从而找到预测结果最优的模型，具体计算时，令R(u)表示根据用户群在训练集上的行为作出的推荐列表，T(u)表示用户群在测试集上的行为列表，则准确率的计算公式为：
Figure BDA0002520255310000111
(2)召回率(recall)：将样本数据集按照7∶3的数据量比例随机划分为训练集和测试集，在训练集上训练推荐模型，在测试集上进行预测，然后通过召回率测评算法在测试集上的预测结果，根据预测结果调整模型参数，从而找到预测结果最优的模型，具体计算时，令R(u)表示根据用户群在训练集上的行为作出的推荐列表，T(u)表示根据用户群在测试集上的行为作出的推荐列表，则召回率的计算公式为：
Figure BDA0002520255310000112
(3)覆盖率(coverage)描述一个推荐系统对物品长尾的发掘能力。覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例。假设系统的用户集合为U，推荐系统给每个用户推荐一个长度为N的物品列表R(u)，则其计算公式为：
Figure BDA0002520255310000113
其中：I为总物品的个数。
(4)多样性(diversity)：描述了推荐列表中物品两两之间的不相似性，因此，多样性和相似性是对应的。假设s(i，j)∈[0，1]定义了物品i和j之间的相似度，那么用户u的推荐列表R(u)的多样性计算公式如下：
Figure BDA0002520255310000114
而且，推荐系统的整体多样性可以定义为所有用户推荐列表多样性的平均值，即：
Figure BDA0002520255310000115
(5)A/B测试是一种很常用的在线评测算法的实验方法，其是通过一定规则将用户随机分成几组，并对不同组的用户采用不同的算法(模型参数不同)，然后通过统计不同组用户的各种不同的评测指标比较不同算法，比如可以统计不同组用户的点击率，通过点击率比较不同参数模型的性能。
为了证明调优对推荐结果的影响，作为示例，表4给出了北京、上海、广州以及杭州四个地区的用户群在调优前和调优后的初始推荐结果的准确率和召回率，具体为：
表4调优对推荐结果的影响
Figure BDA0002520255310000121
从表4中可以看出，针对北京、上海、广州以及杭州四个地区的用户群而言，金融产品在调优后的推荐准确率和召回率均高于调优前的推荐准确率和召回率，由此可以说明经过调优可以明显提高金融产品的推荐效果。
作为进一步优选的方案，所述推荐算法还包括划分用户群的步骤，具体为：根据用户的统计学属性将用户划分为用户群。由于不同客户群感兴趣的金融产品具有一定的差异，为了能够针对性地向特定用户群推荐金融产品，作为进一步优选的方案，所述智能推荐方案还包括划分用户群的步骤，其是基于用户的统计学属性(如区域、年龄、性别、设备类别等)将用户划分为不同的用户群，从而便于针对性地为不同的用户群推荐金融产品，提高了推荐的准确性。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种金融产品的智能推荐方法，其特征在于，所述智能推荐方法包括：
获取每个金融产品与用户群之间的相似度得分；
计算每个金融产品的活动得分；
基于活动得分和相似度得分形成推荐结果。
2.根据权利要求1所述的智能推荐方法，其特征在于，获取每个金融产品与用户群之间的相似度得分包括：
获取金融产品的画像；
获取用户群对金融产品每个特征的偏好；
基于金融产品的画像和用户群对金融产品每个特征的偏好，计算金融产品与用户群的相似度得分。
3.根据权利要求2所述的智能推荐方法，其特征在于，金融产品的画像由金融产品每个特征的打分值组成；用户群对金融产品的偏好由用户群对金融产品每个特征的偏好值组成。
4.根据权利要求3所述的智能推荐方法，其特征在于，获取用户群对金融产品每个特征的偏好包括：
根据用户群对金融产品的行为获取用户群对金融产品的偏好得分；
根据金融产品每个特征的打分值和用户群对金融产品的偏好得分获取用户群对金融产品每个特征的偏好值。
5.根据权利要求4所述的智能推荐方法，其特征在于，用户群对金融产品的行为包括用户群对金融产品的点击行为、收藏行为、分享行为、购买行为和记账行为。
6.根据权利要求5所述的智能推荐方法，其特征在于：计算每个金融产品与用户群的相似度得分为利用余弦相似度计算每个金融产品与用户群的相似度得分，且计算公式为：
Figure FDA0002520255300000021
其中：A＝(A1，A2，...，An)的取值为用户群对金融产品每个特征的偏好值；B＝(B1，B2，...，Bn)的取值为金融产品的每个特征的打分值。
7.根据权利要求1所述的智能推荐方法，其特征在于，每个金融产品的活动得分的计算公式为：
活动得分＝(活动打分*敏感度系数)+修正系数，其中：
(1)活动打分score由金融产品的运营人员根据活动力度进行打分而得到，其取值默认为1；
(2)敏感度系数
Figure FDA0002520255300000022
其中：
Figure FDA0002520255300000023
floor为向下取整函数，
Figure FDA0002520255300000024
Figure FDA0002520255300000025
且％为取余函数，activity为用户群中参加活动的人数，people为用户群的人数；
(3)修正系数为revise＝CEILING(score_difference_average-activity*sensitivity)，其中：score_difference_average为逐位差平均值。
8.根据权利要求1所述的智能推荐方法，其特征在于：基于活动得分和相似度得分形成推荐结果包括：
针对每个金融产品，将其相似度得分和活动得分相加以得到每个金融产品的综合得分；
根据每个金融产品的综合得分对金融产品进行排序以形成推荐结果。
9.根据权利要求1所述的智能推荐方法，其特征在于：所述智能推荐方法还包括对每个金融产品与用户群之间的相似度得分进行调优的步骤。
10.根据权利要求1-9任何一项所述的智能推荐算法，其特征在于，所述智能推荐算法还包括划分用户群的步骤，具体为：根据用户的统计学属性将用户划分为用户群。
CN202010488799.9A 2020-06-02 2020-06-02 一种金融产品的智能推荐方法 Pending CN111626863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010488799.9A CN111626863A (zh) 2020-06-02 2020-06-02 一种金融产品的智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010488799.9A CN111626863A (zh) 2020-06-02 2020-06-02 一种金融产品的智能推荐方法

Publications (1)

Publication Number Publication Date
CN111626863A true CN111626863A (zh) 2020-09-04

Family

ID=72272860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010488799.9A Pending CN111626863A (zh) 2020-06-02 2020-06-02 一种金融产品的智能推荐方法

Country Status (1)

Country Link
CN (1) CN111626863A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116407A (zh) * 2020-09-29 2020-12-22 中国银行股份有限公司 一种基于银行设备进行内容推荐的方法和相关装置
CN113011949A (zh) * 2021-03-25 2021-06-22 江苏经贸职业技术学院 基于客户信息补全的XGBoost金融产品推荐方法
CN113487380A (zh) * 2021-06-25 2021-10-08 天元大数据信用管理有限公司 一种金融产品推荐方法、装置、设备及介质
CN113987353A (zh) * 2021-10-29 2022-01-28 掌阅科技股份有限公司 书籍推荐方法、计算设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909473A (zh) * 2017-12-27 2018-04-13 中国银行股份有限公司 一种基于用户行为分析的网上银行营销方法及装置
CN108734587A (zh) * 2018-05-22 2018-11-02 深圳壹账通智能科技有限公司 金融产品的推荐方法及终端设备
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
CN109615504A (zh) * 2018-11-02 2019-04-12 深圳壹账通智能科技有限公司 产品推荐方法、装置、电子设备和计算机可读存储介质
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN110134860A (zh) * 2019-04-12 2019-08-16 阿里巴巴集团控股有限公司 用户画像生成方法、装置和设备
CN110348897A (zh) * 2019-06-29 2019-10-18 上海淇馥信息技术有限公司 金融服务产品营销方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN107909473A (zh) * 2017-12-27 2018-04-13 中国银行股份有限公司 一种基于用户行为分析的网上银行营销方法及装置
CN108734587A (zh) * 2018-05-22 2018-11-02 深圳壹账通智能科技有限公司 金融产品的推荐方法及终端设备
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
CN109615504A (zh) * 2018-11-02 2019-04-12 深圳壹账通智能科技有限公司 产品推荐方法、装置、电子设备和计算机可读存储介质
CN110134860A (zh) * 2019-04-12 2019-08-16 阿里巴巴集团控股有限公司 用户画像生成方法、装置和设备
CN110348897A (zh) * 2019-06-29 2019-10-18 上海淇馥信息技术有限公司 金融服务产品营销方法、装置及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116407A (zh) * 2020-09-29 2020-12-22 中国银行股份有限公司 一种基于银行设备进行内容推荐的方法和相关装置
CN112116407B (zh) * 2020-09-29 2023-09-19 中国银行股份有限公司 一种基于银行设备进行内容推荐的方法和相关装置
CN113011949A (zh) * 2021-03-25 2021-06-22 江苏经贸职业技术学院 基于客户信息补全的XGBoost金融产品推荐方法
CN113487380A (zh) * 2021-06-25 2021-10-08 天元大数据信用管理有限公司 一种金融产品推荐方法、装置、设备及介质
CN113987353A (zh) * 2021-10-29 2022-01-28 掌阅科技股份有限公司 书籍推荐方法、计算设备及存储介质

Similar Documents

Publication Publication Date Title
CN111626863A (zh) 一种金融产品的智能推荐方法
CN103377250B (zh) 基于邻域的top‑k推荐方法
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及系统
CN104077306B (zh) 一种搜索引擎的结果排序方法及系统
CN108648038B (zh) 一种基于子图挖掘的信用炒作与恶意评价识别方法
CN109063931A (zh) 一种预测货运物流司机违约概率的模型方法
CA2496278A1 (en) Statistical personalized recommendation system
WO2020135642A1 (zh) 一种基于生成对抗网络的模型训练方法及设备
CN113158024B (zh) 一种纠正推荐系统流行度偏差的因果推理方法
CN116385048B (zh) 一种农产品智慧营销方法和系统
CN110659926A (zh) 一种数据价值评估系统以及方法
CN112613953A (zh) 一种商品选品方法、系统及计算机可读存储介质
CN111612519B (zh) 一种识别金融产品潜在客户的方法、装置及存储介质
CN111681084A (zh) 一种基于社交关系影响因素的电商平台推荐方法
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
Pratama et al. Product recommendation in offline retail industry by using collaborative filtering
CN112449002B (zh) 一种待推送对象的推送方法、装置、设备及存储介质
CN116680320A (zh) 一种基于大数据的混合匹配方法
CN110889716A (zh) 识别潜在注册用户的方法及装置
CN115600677A (zh) 针对序列推荐系统成员推断攻击推理系统及方法
KR100583657B1 (ko) 인터넷 기반으로 브랜드의 가치를 평가하는 시스템 및 방법
CN114925261A (zh) 关键词确定方法、装置、设备、存储介质及程序产品
CN115700705A (zh) 产品的分析方法、装置、电子设备和可读存储介质
KR101697532B1 (ko) 이벤트 게임머니 분배 시스템
Zeng Hedonic imputation with tree-based decision approaches

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40026824

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20200904

RJ01 Rejection of invention patent application after publication