CN111681068A - 目标产品推荐方法、装置、设备及存储介质 - Google Patents
目标产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111681068A CN111681068A CN202010438219.5A CN202010438219A CN111681068A CN 111681068 A CN111681068 A CN 111681068A CN 202010438219 A CN202010438219 A CN 202010438219A CN 111681068 A CN111681068 A CN 111681068A
- Authority
- CN
- China
- Prior art keywords
- product
- products
- alternative
- target
- weights
- 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 88
- 238000012545 processing Methods 0.000 claims description 67
- 230000004044 response Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 29
- 239000011159 matrix material Substances 0.000 description 28
- 230000008901 benefit Effects 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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]
- G06Q30/0641—Shopping interfaces
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种目标产品推荐方法、装置、设备及存储介质,属于计算机技术领域。该方法包括:显示产品推荐界面,响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级,响应于用户在产品显示区域中的选择操作,获取产品数据,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。在获取备选产品的权重的过程中,考虑任两个备选产品之间的关联度,保证关联度较高的任两个备选产品的权重不会均为较大的权重,使推荐的目标产品具有分散性,提高了推荐的目标产品的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种目标产品推荐方法、装置、设备及存储介质。
背景技术
随着经济水平的日益提升和互联网的广泛应用,越来越多的用户开始通过互联网进行投资,但是由于投资产品众多,很多用户不知道如何选取投资产品,需要由投资顾问为用户推荐投资产品。
相关技术中可以采用智能投顾算法代替投资顾问,根据用户的目标投资金额和目标投资产品类型以及多种投资产品的属性数据,采用智能投顾算法进行处理,从而选出合适的投资产品,推荐给用户。但是,上述方案仅是根据每种投资产品的属性数据来进行推荐,依据的数据量较少,导致推荐准确率较低。
发明内容
本申请实施例提供了一种目标产品推荐方法,能够提高推荐目标产品的准确率。该技术方案如下:
一方面,提供了一种目标产品推荐方法,所述方法包括:
显示产品推荐界面,所述产品推荐界面包括风险等级显示区域和产品显示区域;
响应于用户在所述风险等级显示区域中的选择操作,获取所述用户的目标风险等级;
响应于所述用户在所述产品显示区域中的选择操作,获取产品数据,所述产品数据包括多个备选产品中任两个备选产品之间的关联度,所述关联度用于表示两个备选产品的收益率之间的关联程度;
根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,以使所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系;
根据所述多个备选产品的权重选取目标产品,通过所述产品推荐界面中的推荐产品显示区域,显示推荐的所述目标产品,所述目标产品的权重大于其他备选产品的权重。
在一种可能实现方式中,所述产品数据还包括所述多个备选产品的属性数据,所述获取产品数据,包括:
对于每个备选产品,根据所述备选产品在多个历史周期内的收益,获取所述备选产品的多个收益率;
根据所述备选产品的多个收益率,获取所述备选产品的属性数据,所述属性数据至少包括所述备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。
在另一种可能实现方式中,所述根据所述备选产品的多个收益率,获取所述备选产品的属性数据之后,所述方法还包括:
根据预设半衰系数,对所述备选产品的属性数据进行半衰处理,得到所述备选产品半衰处理后的属性数据。
在另一种可能实现方式中,所述获取产品数据,包括:
获取所述多个备选产品的属性数据;
根据所述多个备选产品中任两个备选产品的属性数据,获取所述任两个备选产品的属性数据之间的协方差;
将所述协方差作为所述任两个备选产品之间的关联度;或者,根据预设半衰系数,对所述协方差进行半衰处理得到半衰处理之后的协方差,作为所述任两个备选产品之间的关联度。
在另一种可能实现方式中,所述目标风险等级、所述多个备选产品中任两个备选产品之间的关联度与所述多个备选产品的权重满足以下关系:
其中,B表示所述目标风险等级,i、j表示备选产品的序号,i、j为不大于M的正整数,M表示所述多个备选产品的数量,M为正整数,xi表示备选产品i的权重,xj表示备选产品j的权重,Aij表示所述备选产品i与所述备选产品j之间的关联度。
在另一种可能实现方式中,所述产品数据还包括所述多个备选产品的属性数据,所述多个备选产品的属性数据与所述多个备选产品的权重满足以下关系:
其中,n表示备选产品的序号,n为不大于M的正整数,M表示所述多个备选产品的数量,M为正整数,xn表示备选产品n的权重,Rn表示所述备选产品n的属性数据,max(·)表示。
在另一种可能实现方式中,所述根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,包括:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重,所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系。
在另一种可能实现方式中,所述权重确定模型至少包括风险确定层及权重确定层;
所述通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重,包括:
通过所述风险确定层,对所述目标风险等级进行处理,得到与所述目标风险等级对应的目标风险系数;
通过所述权重确定层,对所述目标风险系数与所述任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重。
在另一种可能实现方式中,所述根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,包括:
对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,所述多个风险等级包括所述目标风险等级和至少一个参考风险等级,所述至少一个参考风险等级与所述目标风险等级之间间隔的等级数量不超过预设数量。
在另一种可能实现方式中,所述根据所述多个备选产品的权重选取目标产品,将所述目标产品推荐给所述用户,包括:
根据所述多个备选产品对应于任一风险等级的权重选取目标产品,将所述目标产品推荐给用户。
在另一种可能实现方式中,所述对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,包括:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重。
在另一种可能实现方式中,所述权重确定模型至少包括风险确定层及权重确定层;
所述通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,包括:
通过所述风险确定层,对所述目标风险等级进行处理,得到多个风险系数,所述多个风险系数包括所述目标风险等级对应的目标风险系数和所述至少一个参考风险等级对应的参考风险系数,且所述目标风险系数不是所述多个风险系数中的最小风险系数,也不是所述多个风险系数中的最大风险系数;
通过所述权重确定层,对所述多个风险系数与所述多个备选产品中任两个备选产品之间的关联度进行处理,得到所述多个备选产品对应于所述多个风险系数的权重。
在另一种可能实现方式中,所述通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重之前,所述方法还包括:
获取样本用户的样本风险等级;
获取样本产品数据及多个样本备选产品的样本权重,所述样本产品数据至少包括所述多个样本备选产品中任两个样本备选产品之间的样本关联度,所述任两个样本备选产品的权重乘积与所述任两个样本备选产品之间的样本关联度呈负相关关系;
根据所述样本风险等级、所述样本产品数据及所述多个样本备选产品的样本权重,训练所述权重确定模型。
在另一种可能实现方式中,所述多个备选产品中包括无风险产品,所述无风险产品的收益率为固定数值。
在另一种可能实现方式中,所述响应于用户在所述风险等级显示区域中的选择操作,获取所述用户的目标风险等级,包括:
所述风险等级显示区域中包括多个风险等级,响应于对任一风险等级的触发操作,将所述任一风险等级作为所述目标风险等级。
在另一种可能实现方式中,所述响应于所述用户在所述产品显示区域中的选择操作,获取产品数据,包括:
所述产品显示区域中包括多个产品类型,响应于对任一产品类型的触发操作,将属于所述任一产品类型的产品作为备选产品;或者,
所述产品显示区域中包括多个产品,响应于对任一产品的触发操作,将所述任一产品作为备选产品。
在另一种可能实现方式中,所述通过所述产品推荐界面中的推荐产品显示区域,显示推荐的所述目标产品,包括:
通过所述推荐产品显示区域,显示推荐的所述目标产品及对应的权重。
在另一种可能实现方式中,所述产品推荐界面还包括产品获取按钮,所述通过所述推荐产品显示区域,显示向所述用户推荐的所述目标产品之后,所述方法还包括:
响应于对所述产品获取按钮的触发操作,显示所述目标产品对应的产品获取界面。
一方面,提供了一种目标产品推荐装置,该装置包括:
推荐界面显示模块,用于显示产品推荐界面,所述产品推荐界面包括风险等级显示区域和产品显示区域;
风险等级获取模块,用于响应于用户在所述风险等级显示区域中的选择操作,获取所述用户的目标风险等级;
产品数据获取模块,用于响应于所述用户在所述产品显示区域中的选择操作,获取产品数据,所述产品数据包括多个备选产品中任两个备选产品之间的关联度,所述关联度用于表示两个备选产品的收益率之间的关联程度;
权重获取模块,用于根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,以使所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系;
产品推荐模块,用于根据所述多个备选产品的权重选取目标产品,通过所述产品推荐界面中的推荐产品显示区域,显示推荐的所述目标产品,所述目标产品的权重大于其他备选产品的权重。
在一种可能实现方式中,所述产品数据还包括所述多个备选产品的属性数据,所述产品数据获取模块,包括:
收益率获取单元,用于对于每个备选产品,根据所述备选产品在多个历史周期内的收益,获取所述备选产品的多个收益率;
属性数据获取单元,用于根据所述备选产品的多个收益率,获取所述备选产品的属性数据,所述属性数据至少包括所述备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。
在另一种可能实现方式中,所述产品数据获取模块还包括:
半衰处理单元,用于根据预设半衰系数,对所述备选产品的属性数据进行半衰处理,得到所述备选产品半衰处理后的属性数据。
在另一种可能实现方式中,所述产品数据获取模块,包括:
属性数据获取单元,还用于获取所述多个备选产品的属性数据;
协方差获取单元,用于根据所述多个备选产品中任两个备选产品的属性数据,获取所述任两个备选产品的属性数据之间的协方差;
关联度获取单元,用于将所述协方差作为所述任两个备选产品之间的关联度;或者,根据预设半衰系数,对所述协方差进行半衰处理得到半衰处理之后的协方差,作为所述任两个备选产品之间的关联度。
在另一种可能实现方式中,所述目标风险等级、所述多个备选产品中任两个备选产品之间的关联度与所述多个备选产品的权重满足以下关系:
其中,B表示所述目标风险等级,i、j表示备选产品的序号,i、j为不大于M的正整数,M表示所述多个备选产品的数量,M为正整数,xi表示备选产品i的权重,xj表示备选产品j的权重,Aij表示所述备选产品i与所述备选产品j之间的关联度。
在另一种可能实现方式中,所述产品数据还包括所述多个备选产品的属性数据,所述多个备选产品的属性数据与所述多个备选产品的权重满足以下关系:
其中,n表示备选产品的序号,n为不大于M的正整数,M表示所述多个备选产品的数量,M为正整数,xn表示备选产品n的权重,Rn表示所述备选产品n的属性数据,max(·)表示。
在另一种可能实现方式中,所述权重获取模块,还用于:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重,所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系。
在另一种可能实现方式中,所述权重确定模型至少包括风险确定层及权重确定层;
所述权重获取模块,包括:
第一系数获取单元,用于通过所述风险确定层,对所述目标风险等级进行处理,得到与所述目标风险等级对应的目标风险系数;
第一权重获取单元,用于通过所述权重确定层,对所述目标风险系数与所述任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重。
在另一种可能实现方式中,所述权重获取模块,还用于:
对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,所述多个风险等级包括所述目标风险等级和至少一个参考风险等级,所述至少一个参考风险等级与所述目标风险等级之间间隔的等级数量不超过预设数量。
在另一种可能实现方式中,所述产品推荐模块,还用于:
根据所述多个备选产品对应于任一风险等级的权重选取目标产品,将所述目标产品推荐给用户。
在另一种可能实现方式中,所述权重获取模块,还用于:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重。
在另一种可能实现方式中,所述权重确定模型至少包括风险确定层及权重确定层;
所述权重获取模块,包括:
第二系数获取单元,用于通过所述风险确定层,对所述目标风险等级进行处理,得到多个风险系数,所述多个风险系数包括所述目标风险等级对应的目标风险系数和所述至少一个参考风险等级对应的参考风险系数,且所述目标风险系数不是所述多个风险系数中的最小风险系数,也不是所述多个风险系数中的最大风险系数;
第二权重获取单元,用于通过所述权重确定层,对所述多个风险系数与所述多个备选产品中任两个备选产品之间的关联度进行处理,得到所述多个备选产品对应于所述多个风险系数的权重。
在另一种可能实现方式中,所述装置还包括:
第一样本数据获取模块,用于获取样本用户的样本风险等级;
第二样本数据获取模块,用于获取样本产品数据及多个样本备选产品的样本权重,所述样本产品数据至少包括所述多个样本备选产品中任两个样本备选产品之间的样本关联度,所述任两个样本备选产品的权重乘积与所述任两个样本备选产品之间的样本关联度呈负相关关系;
模块训练模块,用于根据所述样本风险等级、所述样本产品数据及所述多个样本备选产品的样本权重,训练所述权重确定模型。
在另一种可能实现方式中,所述多个备选产品中包括无风险产品,所述无风险产品的收益率为固定数值。
在另一种可能实现方式中,所述风险等级获取模块,用于所述风险等级显示区域中包括多个风险等级,响应于对任一风险等级的触发操作,将所述任一风险等级作为所述目标风险等级。
在另一种可能实现方式中,所述产品数据获取模块,包括:
备选产品获取单元,用于所述产品显示区域中包括多个产品类型,响应于对任一产品类型的触发操作,将属于所述任一产品类型的产品作为备选产品;或者,
所述备选产品获取单元,还用于所述产品显示区域中包括多个产品,响应于对任一产品的触发操作,将所述任一产品作为备选产品。
在另一种可能实现方式中,所述产品推荐模块,用于通过所述推荐产品显示区域,显示推荐的所述目标产品及对应的权重。
在另一种可能实现方式中,所述产品推荐界面还包括产品获取按钮,所述装置还包括:
获取界面显示模块,用于响应于对所述产品获取按钮的触发操作,显示所述目标产品对应的产品获取界面。
一方面,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条指令,该至少一条指令由该一个或多个处理器加载并执行以实现如上述任一种可能实现方式的目标产品推荐方法所执行的操作。
一方面,提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令,该至少一条指令由处理器加载并执行以实现如上述任一种可能实现方式的目标产品推荐方法所执行的操作。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的方法、装置、设备及存储介质,显示产品推荐界面,响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级,响应于用户在产品显示区域中的选择操作,获取产品数据,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。本申请实施例提供的产品推荐方式,根据获取的备选产品的权重,向用户推荐目标产品,在获取备选产品的权重的过程中,考虑任两个备选产品之间的关联度,使任两个备选产品的权重乘积与关联度呈负相关关系,从而保证关联度较高的任两个备选产品的权重不会均为较大的权重,使推荐的目标产品具有分散性,不会将关联度较大的两个备选产品均推荐给用户,提高了推荐的目标产品的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种目标产品推荐方法的流程图;
图2是本申请实施例提供的另一种目标产品推荐方法的流程图;
图3是本申请实施例提供的一种权重确定模型训练方法的流程图;
图4是本申请实施例提供的另一种目标产品推荐方法的流程图;
图5是本申请实施例提供的一种目标产品推荐装置的框图;
图6是本申请实施例提供的另一种目标产品推荐装置的框图;
图7是本申请实施例提供的一种终端的结构示意图;
图8是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了便于理解本申请实施例提供的目标产品推荐方法,对涉及到的关键词进行解释:
智能投顾:指提供自动化(主要以算法驱动)的财务规划服务的数字化平台。典型的智能投顾会获取用户数据,根据该用户数据向用户推荐产品,用户数据包括用户的财务状况和未来理财目标等数据,财务状况即用户可以用于购买产品的金额,未来理财目标即用户期望购买的产品及用户可承担的风险。智能投顾通过智能算法,会定期向用户提供一个产品组合,在指定的备选产品范围内完成选取目标产品及分配购买权重等动作。
图1是本申请实施例提供的一种目标产品推荐方法的流程图。参见图1,该方法包括:
101、显示产品推荐界面,产品推荐界面包括风险等级显示区域和产品显示区域。
102、响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级。
103、响应于用户在产品显示区域中的选择操作,获取产品数据,产品数据包括多个备选产品中任两个备选产品之间的关联度,关联度用于表示两个备选产品的收益率之间的关联程度。
104、根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,以使任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系。
105、根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品,目标产品的权重大于其他备选产品的权重。
本申请实施例提供的方法,显示产品推荐界面,响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级,响应于用户在产品显示区域中的选择操作,获取产品数据,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。本申请实施例提供的产品推荐方式,根据获取的备选产品的权重,向用户推荐目标产品,在获取备选产品的权重的过程中,考虑任两个备选产品之间的关联度,使任两个备选产品的权重乘积与关联度呈负相关关系,从而保证关联度较高的任两个备选产品的权重不会均为较大的权重,使推荐的目标产品具有分散性,不会将关联度较大的两个备选产品均推荐给用户,提高了推荐的目标产品的准确性。
图2是本申请实施例提供的一种目标产品推荐方法的流程图。该方法应用于终端,参见图2,该实施例包括:
201、终端显示产品推荐界面。
其中,产品推荐界面包括风险等级显示区域和产品显示区域。其中,风险等级显示区域用于显示用户的风险等级,用户可以通过该风险等级显示区域设置用户的风险等级;产品显示区域用于显示多个产品或产品类型,用户可以通过该产品显示区域设置备选产品。
在一种可能实现方式中,终端安装有产品推荐应用,产品推荐界面为产品推荐应用中的界面,终端基于该产品推荐应用向用户推荐目标产品。
202、终端响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级。
其中,风险等级用于表示用户期望的收益与风险之间的关联关系,风险越大、收益越大,则风险等级越大,风险越小、收益越小,则风险等级越小,用户的风险等级可以为任一风险等级,本申请实施例仅是以用户的风险等级为目标风险等级为例进行说明。
在一种可能实现方式中,风险等级显示区域中包括多个风险等级,终端响应于对任一风险等级的触发操作,将该任一风险等级作为目标风险等级。其中,该风险等级显示区域可以为任意形状,触发操作可以为点击操作、滑动操作或其他操作。
可选地,风险等级显示区域为一个条形区域,将该条形区域进一步划分为多个子区域,每个子区域对应一个风险等级,响应于对任一子区域的触发操作,将该子区域对应的风险等级作为目标风险等级。例如,共设置有10个风险等级,可以将风险等级显示区域划分为10个子区域,每个子区域对应一个风险等级。
需要说明的是,对于目标风险等级来说,终端可以采用任意方式确定用户的目标风险等级,本申请实施例对目标风险等级的获取方式不做限制。例如,终端获取用户的历史购买数据,基于风险预测模型,对用户的历史购买数据进行处理,从而获取用户的目标风险等级。
203、终端响应于用户在产品显示区域中的选择操作,获取产品数据。
本申请实施例中,产品包括基金、股票等,用户通过支付一定数量的资源购买产品,经过一段时间之后,用户如果将产品卖出,用户会收到返回的资源,返回的资源数量与购买产品的资源数量之间的差值即为用户的收益,该差值为正数时,表示用户通过购买产品产生了正收益,该差值为负数时,表示用户通过购买产品产生了负收益,即用户亏损。
在一种可能实现方式中,产品显示区域中包括多个产品类型,终端响应于对任一产品类型的触发操作,将属于任一产品类型的产品作为备选产品。其中,按照产品的形式进行划分,产品类型可以包括基金、股票等类型,或者按照产品所属的领域,产品类型可以包括互联网领域对应的产品、工业领域对应的产品、金融领域对应的产品等类型。
在另一种可能实现方式中,产品显示区域中包括多个产品,终端响应于对任一产品的触发操作,将任一产品作为备选产品。
可选地,产品显示区域可以包括多个产品组合,终端响应于对任一产品组合的触发操作,将该产品组合中包括的多个产品作为备选产品。其中,每个产品组合中包括多个产品,产品组合可以是根据用户选择过的历史备选产品确定的,用户可以直接选择一个产品组合,而不需要再依次选择多个产品,更加便捷。
其中,触发操作可以是点击操作、滑动操作或其他操作。
在一种可能实现方式中,多个备选产品中包括无风险产品,无风险产品的收益率为固定数值,也就是说,无风险产品的收益率是固定不变的,保证用户购买该无风险产品之后,直至用户将该无风险产品卖出,返回的资源数量与购买产品的资源数量之间的差值为正数,可以获取收益,而不会受到损失。该无风险产品可以是现金存储或者其他无风险的产品。
其中,产品数据用于描述备选产品,产品数据包括多个备选产品中任两个备选产品之间的关联度,关联度用于表示两个备选产品的收益率之间的关联程度。例如,一个备选产品的收益率呈现增长趋势,另一个备选产品的收益率也呈现增长趋势,则这两个备选产品之间的关联度较大;如果一个备选产品的收益率呈现增长趋势,另一个备选产品的收益率呈现降低趋势,则这两个备选产品之间的关联度较小。
由于多个产品中任两个产品之间均存在关联度,关联度越大,影响这两个产品的收益率的共同因素越多,对于购买产品的用户来说,如果用户购买了两个关联度较大的产品,当其中一个产品受到某些因素的影响导致收益率减小时,另一个产品也有较大的可能受到这些因素的影响导致收益率减小。因此,用户在购买多个产品时,购买的多个产品需要具有分散性,以降低风险,即购买的多个产品中的任两个产品之间的关联度尽可能小,保证即使多个产品中有一个产品的收益率减小,对其他产品的收益率也不会造成较大的影响,那么后续向用户推荐产品时,需要考虑任两个备选产品之间的关联度,使考虑关联度时推荐的产品与不考虑关联度时推荐的产品相比,考虑关联度时推荐的产品更分散,更准确,风险更低。
产品数据还可以包括多个备选产品的属性数据,该属性数据用于表示备选产品的收益,该属性数据可以包括备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。
在一种可能实现方式中,对于每个备选产品,终端根据备选产品在多个历史周期内的收益,获取备选产品的多个收益率;根据备选产品的多个收益率,获取备选产品的属性数据,属性数据至少包括备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。其中,周期可以是任意时长,例如,该周期为一天、一周或者其他时长。
可选地,终端可以采用下述公式获取备选产品的收益率:
其中,R表示备选产品的收益率,P表示备选产品的收益,t表示周期的序号,R(t)表示备选产品在第t个周期内的收益率,P(t)表示备选产品在第t个周期内的收益,P(t-1)表示备选产品在第t-1个周期内的收益。
终端采用上述公式获取备选产品的多个收益率之后,可以通过求取备选产品的多个收益率之间的平均值,从而获取备选产品的平均收益率;可以通过求取备选产品的多个收益率的期望值,从而获取备选产品的期望收益率;可以通过求取备选产品的多个收益率的方差或者标准差,采用方差或者标准差作为收益率的波动性参数,来表示收益率的波动性。
在一种可能实现方式中,由于在获取上述属性数据的过程中,备选产品的收益包括多个历史周期内的收益,如果一个历史周期与当前时间之间间隔了多个历史周期,则这一个历史周期内的收益对当前时间的备选数据的属性数据影响较小,则为了保证获取的属性数据有较强的时效性,终端根据预设半衰系数,对备选产品的属性数据进行半衰处理,得到备选产品半衰处理后的属性数据,从而减小与当前时间间隔较长的历史周期内的收益对获取的属性数据的影响。
其中,预设半衰系数可以为任意数值,例如,可以为252、365等。另外,由于属性数据中包括平均收益率、期望收益率或收益率的波动性参数,则属性数据中包括的多项数据的半衰系数可以相同,也可以不同,即可以分别为每一项参数设置对应的预设半衰系数。
在一种可能实现方式中,终端获取多个备选产品的属性数据,根据多个备选产品中任两个备选产品的属性数据,获取任两个备选产品的属性数据之间的协方差;将协方差作为任两个备选产品之间的关联度,或者,根据预设半衰系数,对协方差进行半衰处理得到半衰处理之后的协方差,作为任两个备选产品之间的关联度。
其中,协方差用于表示两个备选产品的属性数据之间的总体误差,也即是,表示两个备选产品的属性数据的变化趋势之间的关联关系,如果两个备选产品的属性数据的变化趋势一致,则协方差数值较大,即关联度较大;如果两个备选产品的属性数据的变换趋势相反,则协方差数值较小,即关联度较小。
可选地,终端可以采用下述公式获取任两个备选产品之间的关联度:
其中,Aij表示备选产品i与备选产品j之间的关联度,λ表示预设半衰系数,λi表示备选产品i的属性数据对应的半衰系数,λj表示备选产品j的属性数据对应的半衰系数,表示备选产品i的属性数据,表示备选产品j的属性数据。
另外,该关联度对应的预设半衰系数与上述属性数据对应的半衰系数可以相同,也可以不同。
在一种可能实现方式中,终端将多个备选产品对应的多个关联度构成关联度矩阵,关联度矩阵包括多个备选产品中每两个备选产品之间的关联度。
在一种可能实现方式中,终端对多个备选产品对应的多个关联度构成关联度矩阵进行缩放(shrink)处理,以使缩放处理之后的关联度矩阵与单位矩阵之间的差值最小,避免关联度矩阵过大或者过小,导致获取的权重不准确,提高获取的权重的准确度。
可选地,终端可以采用下述公式,对关联度矩阵进行缩放处理:
A′=A·β+I·(1-β)
其中,A为关联度矩阵,I为单位矩阵,β为预设参数,β的取值大于0、小于1,A′为缩放处理之后的关联度矩阵。
并且,将多个备选产品对应的多个关联度构成关联度矩阵时,还可以将每个备选产品的属性数据构成属性数据矩阵。
在一种可能实现方式中,产品推荐界面包括产品数据显示区域,终端获取产品数据之后,通过产品推荐界面中的产品数据显示区域,显示产品数据,显示的产品数据可以仅包括备选产品的属性数据,也可以仅包括任两个备选产品之间的关联度,也可以包括备选产品的属性数据和任两个备选产品之间的关联度,从而使用户可以直接了解每个备选产品的产品数据。
204、终端根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重。
本申请实施例中,任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系,也即是任两个备选产品之间的关联度越大,则该任两个备选产品的权重乘积越小,可以是该任两个备选产品中的一个备选产品的权重较大,另一个备选产品的权重较小,以得到较小的乘积,或者两个备选产品的权重均较小,以得到较小的乘积。
对于关联度较大的两个备选产品,使该两个备选产品的权重乘积较小,可以保证向用户推荐目标产品时,推荐其中的一个备选产品或者均不推荐,从而避免向用户推荐两个关联度较大的产品,使推荐的目标产品具有分散性。
在一种可能实现方式中,目标风险等级、多个备选产品中任两个备选产品之间的关联度与多个备选产品的权重满足以下关系:
其中,B表示目标风险等级,i、j表示备选产品的序号,i、j为不大于M的正整数,M表示多个备选产品的数量,M为正整数,xi表示备选产品i的权重,xj表示备选产品j的权重,Aij表示备选产品i与备选产品j之间的关联度。
可选地,当产品数据还包括多个备选产品的属性数据时,多个备选产品的属性数据与多个备选产品的权重满足以下关系:
其中,n表示备选产品的序号,n为不大于M的正整数,M表示多个备选产品的数量,M为正整数,xn表示备选产品n的权重,Rn表示备选产品n的属性数据,max(·)表示最大值。
也就是说,在确定目标风险等级的情况下,可以获取多个备选产品对应的多个分组,每个分组包括多个备选产品对应的权重,且多个分组不完全相同。而根据每个分组中多个备选产品对应的权重可以确定多个备选产品的收益,从而得到多个分组对应的多个收益,将收益最大时对应的分组中的多个权重分别作为多个备选产品的最终权重,从而保证在某一风险等级下可以获取最大的收益。
在一种可能实现方式中,终端通过权重确定模型,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品的权重,以使任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系。
可选地,权重确定模型至少包括风险确定层及权重确定层;终端通过风险确定层,对目标风险等级进行处理,得到与目标风险等级对应的目标风险系数;通过权重确定层,对目标风险系数与任两个备选产品之间的关联度进行处理,分别得到多个备选产品的权重。
由于目标风险等级的标准不统一,对于同一用户,采用不同的方式获取的用户的目标风险等级可能不同,而权重确定模型可以对输入的目标风险等级进行处理,从而使该权重确定模型中具有统一的风险等级,风险系数即为权重确定模型中用于表示用户的风险等级的系数,风险系数与风险等级呈正相关关系,风险系数越大,则风险等级越高,风险系数越小,则风险等级越小。
可选地,在风险确定层中,可以预先设置风险系数的取值范围及最大查找次数,采用二分法,从取值范围中查找到一个风险系数,使根据该风险系数确定的夏普比率(SharpeRatio)最大,将该风险系数作为目标风险系数。其中,夏普比率用于表示产品的收益与承担的风险之间的比例,夏普比率越大,表示产品组合越好,夏普比率越小,表示产品组合越差。
在一种可能实现方式中,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品对应于多个风险等级的权重,多个风险等级包括目标风险等级和至少一个参考风险等级,至少一个参考风险等级与目标风险等级之间间隔的等级数量不超过预设数量。
例如,有5个备选产品、目标风险等级及两个参考风险等级,则对目标风险等级及5个备选产品中任两个备选产品之间的关联度进行处理之后,每个备选产品可以得到对应的3个权重,5个备选产品可以得到对应的15个权重。
在一种可能实现方式中,终端通过权重确定模型,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品对应于多个风险等级的权重。也就是说,终端通过权重确定模型获取的多个备选数据的权重,可以是对应于多个风险等级的权重,该多个风险等级中可以包括目标风险等级、比该目标风险等级小的风险等级以及比该目标风险等级大的风险等级,从而可以从多个风险等级中选取任一风险等级对应的目标产品。并且,由于是对目标风险等级处理才确定的多个风险等级,可以保证多个风险等级与用户的目标风险等级相关。
可选地,权重确定模型至少包括风险确定层及权重确定层,终端通过风险确定层,对目标风险等级进行处理,得到多个风险系数;通过权重确定层,对多个风险系数与多个备选产品中任两个备选产品之间的关联度进行处理,得到多个备选产品对应于多个风险系数的权重。其中,多个风险系数包括目标风险等级对应的目标风险系数和至少一个参考风险等级对应的参考风险系数,且目标风险系数不是多个风险系数中的最小风险系数,也不是多个风险系数中的最大风险系数。
可选地,终端获取目标风险系数之后,将该目标风险系数作为中间系数,向该目标风险系数的两侧分别扩展出k个风险系数,将扩展出的2*k个风险系数作为参考风险等级对应的参考风险系数,从而得到多个风险系数,每个风险系数对应一个风险等级。其中,k为正整数。
具体地,终端可以根据目标风险系数及正整数n,该正整数n的取值范围为(2,k),k为大于2的正整数,将该目标风险系数乘以一个正整数n,从而得到k个大于该目标风险系数的参考风险系数,将该目标风险系数除以一个正整数n,从而得到k个小于该目标风险系数的参考风险系数。或者,终端获取m个数值,m为大于1的正整数,根据该m个数值将风险系数的取值范围划分为m个取值区间,每个取值区间中包括m个数值中的1个数值,从m个取值区间中选取出连续的n个取值区间得到取值范围(a,b),n为不大于m的正整数,该取值范围包括目标风险系数,且a对应的夏普比率及b对应的夏普比率与目标风险系数对应的夏普比率相比,差值最大,再将取值范围(a,b)划分为2*k个取值区间,从每个取值区间中选取一个数值作为参考风险系数。
在一种可能实现方式中,通过权重确定层,对风险系数、多个备选产品的属性数据及多个备选产品中任两个备选产品之间的关联度进行处理,得到多个备选产品对应于风险系数的权重,以使在确定风险系数的情况下,任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系,且多个备选产品的权重与对应的属性数据的乘积之和为最大值。
另外,上述基于权重确定模型,确定多个备选产品的权重的过程中,终端是通过权重确定模型,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品的权重,基于上述步骤202中,将多个备选产品对应的多个关联度构成关联度矩阵的可选方式,终端也可以通过权重确定模型,对目标风险等级及多个备选产品对应的多个关联度构成的关联度矩阵进行处理,分别得到多个备选产品的权重。
对应地,产品数据包括多个备选产品的属性数据矩阵时,终端也可以通过权重确定模型,对目标风险等级、多个备选数据对应的属性数据矩阵及多个备选产品对应的多个关联度构成的关联度矩阵进行处理,分别得到多个备选产品的权重。
对于上述多个风险等级的情况,当产品数据包括多个备选产品对应的多个关联度构成的关联度矩阵时,终端通过权重确定模型,对目标风险等级及多个备选产品对应的多个关联度构成的关联度矩阵进行处理,分别得到多个备选产品对应于多个风险等级的权重。或者,产品数据包括多个备选数据对应的属性数据矩阵及多个备选产品对应的多个关联度构成的关联度矩阵时,终端也可以通过权重确定模型,对目标风险等级、多个备选数据对应的属性数据矩阵及多个备选产品对应的多个关联度构成的关联度矩阵进行处理,分别得到多个备选产品对应于多个风险等级的权重。
在一种可能实现方式中,产品推荐界面还包括产品推荐按钮,终端响应于对该产品推荐按钮的触发操作,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取备选产品的权重。其中,触发操作可以为点击操作、滑动操作或其他操作。
205、终端根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。
本申请实施例中,终端根据获取的多个备选产品的权重,选取权重较大的备选产品作为目标产品,使目标产品的权重大于其他备选产品的权重,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。
在选取目标产品时,终端可以设置选取的目标产品的预设数量,从多个备选产品中选取预设数量个目标产品,使该预设数量个目标产品的权重大于其他备选产品的权重;或者,终端可以设置预设权重,从多个备选产品中选取权重不小于预设权重的备选产品作为目标产品。终端选取目标产品之后,可以向用户显示选取的目标产品,或者将目标产品下发给用户,向用户推荐目标产品。
在一种可能实现方式中,终端根据多个备选产品的权重选取多个目标产品之后,根据多个目标产品的权重,重新分配多个目标产品的权重,以使多个目标产品的权重之和为1,向用户显示重新分配权重之后的多个目标产品及权重,或者,将重新分配权重之后的多个目标产品及权重下发给用户,使用户可以根据多个目标产品及对应的权重购买产品。
例如,向用户推荐了目标产品1、目标产品2和目标产品3,目标产品1的权重为0.5,目标产品2的权重为0.3,目标产品3的权重为0.2,用户的购买金额为1万元,则可以购买5000元的目标产品1,购买3000元的目标产品2,购买2000元的目标产品3。
在一种可能实现方式中,基于上述步骤203中获取多个备选产品对应于对个风险等级的权重的实施方式,终端根据多个备选产品对应于任一风险等级的权重选取目标产品,将目标产品推荐给用户。
可选地,终端将该多个风险等级推荐给用户,用户从该多个风险等级中选择一个风险等级,终端根据多个产品对应于用户选择的风险等级的权重选取目标产品,将目标产品推荐给用户。
参见图3,向用户推荐目标产品的过程中,终端获取目标风险等级及产品数据,对产品数据进行半衰处理,根据目标风险等级,获取对应最大夏普比率的风险系数,作为目标风险等级对应的目标风险系数,根据该目标风险系数,获取至少一个参考风险系数,根据获取的目标风险系数、参考风险系数及产品数据,获取多个备选产品对应于每个风险系数的权重,根据每个风险系数对应的一组权重,从多个备选产品中选取目标产品,调整目标产品的权重,向用户推荐目标产品。图3中采用虚线标出的步骤可以为权重确定模型中获取权重的过程。
另外,终端可以周期性地获取最新的产品数据,根据目标风险等级及最新的产品数据,重新获取多个备选产品的权重,更新向用户推荐的目标产品,保证推荐的目标产品是当前最佳的产品。
在一种可能实现方式中,终端通过推荐产品显示区域,显示推荐的目标产品及对应的权重,用户后续可以根据推荐的目标产品及对应的权重获取产品。
另外,在一种可能实现方式中,产品推荐界面还包括产品获取按钮,终端响应于对产品获取按钮的触发操作,显示目标产品对应的产品获取界面。其中,产品获取界面包括选取出的目标产品,用户可以通过产品获取界面购买目标产品。
需要说明的是,本申请实施例仅是以执行主体为终端为例进行说明,在另一实施例中,可以由终端与服务器进行交互实现目标产品推荐。终端获取目标风险等级,确定备选产品之后,向服务器发送产品推荐指令,该产品推荐指令携带多个备选产品及用户的目标风险等级,服务器根据接收到的产品推荐指令,获取多个备选产品的属性数据及任两个备选产品之间的关联度,根据目标风险等级及任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,将选取的目标产品及对应的权重发送给终端,终端进行显示。
需要说明的是,上述实施例仅是以一个用户为例进行说明,在另一实施例中,对于多个不同的用户,任两个用户对应的多个备选产品可以相同,也可以不同,即使多个备选产品相同,当目标风险等级不同时,多个备选产品对应的权重也不同,从而向不同的用户推荐的产品可以相同,也可以不同。
本申请实施例提供的方法,显示产品推荐界面,响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级,响应于用户在产品显示区域的选择操作,获取产品数据,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。本申请实施例提供的产品推荐方式,根据获取的备选产品的权重,向用户推荐目标产品,在获取备选产品的权重的过程中,考虑任两个备选产品之间的关联度,使任两个备选产品的权重乘积与关联度呈负相关关系,从而保证关联度较高的任两个备选产品的权重不会均为较大的权重,使推荐的目标产品具有分散性,不会将关联度较大的两个备选产品均推荐给用户,提高了推荐的目标产品的准确性。
并且,用户可以在产品推荐界面中进行操作,选择备选产品或风险等级,实现人机交互,且可以显示推荐的目标产品,更加便捷,使用户可以快速获取推荐的目标产品。
图4是本申请实施例提供的一种权重确定模型训练方法的流程图。该方法应用于计算机设备中,参见图4,该实施例包括:
401、计算机设备获取样本用户的样本风险等级。
步骤401的具体实施方式与上述图2所示的实施例中步骤201的实施方式类似,在此不再赘述。
402、计算机设备获取样本产品数据及多个样本备选产品的样本权重。
其中,样本产品数据至少包括多个样本备选产品中任两个样本备选产品之间的样本关联度,任两个样本备选产品的权重乘积与任两个样本备选产品之间的样本关联度呈负相关关系。
在一种可能实现方式中,样本产品数据还包括多个样本备选产品的样本属性数据,计算机设备对获取的样本属性数据及样本关联度进行半衰处理,减小样本产品数据中与当前时间间隔较长的样本产品数据的影响,使训练出的权重确定模型更加具有时效性。
在一种可能实现方式中,计算机设备获取样本关联度矩阵,对获取的样本关联度矩阵进行缩放处理,以使缩放处理之后的样本关联度矩阵与单位矩阵之间的差值最小,避免用于训练权重确定模型的多个样本关联度矩阵之间的差值较大,影响训练出的权重确定模型的准确性。
步骤402的具体实施方式与上述图2所示的实施例中步骤202的实施方式类似,在此不再赘述。与上述步骤202的实施方式不同的是,步骤402中需要获取多个样本备选产品的样本权重。
403、计算机设备根据样本风险等级、样本产品数据及多个样本备选产品的样本权重,训练权重确定模型。
例如,将样本风险等级及多个样本备选产品对应的多个样本关联度输入至待训练的权重确定模型,基于权重确定模型,得到多个备选产品的多个预测权重,对于每个备选产品的预测权重与样本权重之间的差异,调整权重确定模型中的各项参数,减小预测权重与样本权重之间的差异,以使权重确定模型学习到根据风险等级及多个关联度确定最佳的权重的能力。
又例如,将样本风险等级及多个样本备选产品对应的多个样本关联度构成的样本关联度矩阵输入至待训练的权重确定模型,基于权重确定模型,得到多个备选产品的多个预测权重,对于每个备选产品的预测权重与样本权重之间的差异,调整权重确定模型中的各项参数,减小预测权重与样本权重之间的差异,以使权重确定模型学习到根据风险等级及关联度矩阵确定最佳的权重的能力。
又例如,将样本风险等级、多个样本备选产品的样本属性数据及多个样本备选产品对应的多个样本关联度输入至待训练的权重确定模型,基于权重确定模型,得到多个备选产品的多个预测权重,对于每个备选产品的预测权重与样本权重之间的差异,调整权重确定模型中的各项参数,减小预测权重与样本权重之间的差异,以使权重确定模型学习到根据风险等级、属性数据矩阵及关联度矩阵确定最佳的权重的能力。
另外,可以训练通用的权重确定模型,则训练出的权重确定模型可以适用于任一用户;也可以针对某一用户,训练适用于该用户的权重确定模型。
训练通用的权重确定模型时,采用多个用户的样本风险等级,以及任意的多个备选产品对应的产品数据;而训练针对某一用户的权重确定模型时,仅采用该用户的风险等级,以及该用户偏好的备选产品,对于该用户来说,训练出的权重确定模型更加准确。
本申请实施例提供的方法,获取样本风险等级,获取样本产品数据及多个样本备选产品的样本权重,根据样本风险等级、样本产品数据及多个样本备选产品的样本权重,训练权重确定模型。本申请实施例提供的权重确定模型的训练方式,在训练权重确定模型的过程中,考虑了样本备选产品之间的关联度,训练出的权重确定模型更加准确,使用该权重确定模型确定备选产品的权重时,提高了权重的准确性,从而提高了推荐目标产品的准确性。
图5是本申请实施例提供的一种目标产品推荐装置的框图。参见图5,该装置包括:
推荐界面显示模块501,用于显示产品推荐界面,产品推荐界面包括风险等级显示区域和产品显示区域;
风险等级获取模块502,用于响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级;
产品数据获取模块503,用于响应于用户在产品显示区域中的选择操作,获取产品数据,产品数据包括多个备选产品中任两个备选产品之间的关联度,关联度用于表示两个备选产品的收益率之间的关联程度;
权重获取模块504,用于根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,以使任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系;
产品推荐模块505,用于根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品,目标产品的权重大于其他备选产品的权重。
本申请实施例提供的装置,显示产品推荐界面,响应于用户在风险等级显示区域中的选择操作,获取用户的目标风险等级,响应于用户在产品显示区域中的选择操作,获取产品数据,根据目标风险等级及多个备选产品中任两个备选产品之间的关联度,获取多个备选产品的权重,根据多个备选产品的权重选取目标产品,通过产品推荐界面中的推荐产品显示区域,显示推荐的目标产品。该装置根据获取的备选产品的权重,向用户推荐目标产品,在获取备选产品的权重的过程中,考虑任两个备选产品之间的关联度,使任两个备选产品的权重乘积与关联度呈负相关关系,从而保证关联度较高的任两个备选产品的权重不会均为较大的权重,使推荐的目标产品具有分散性,不会将关联度较大的两个备选产品均推荐给用户,提高了推荐的目标产品的准确性。
在一种可能实现方式中,参见图6,产品数据还包括多个备选产品的属性数据,产品数据获取模块503,包括:
收益率获取单元5031,用于对于每个备选产品,根据备选产品在多个历史周期内的收益,获取备选产品的多个收益率;
属性数据获取单元5032,用于根据备选产品的多个收益率,获取备选产品的属性数据,属性数据至少包括备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。
在另一种可能实现方式中,参见图6,产品数据获取模块502,还包括:
半衰处理单元5033,用于根据预设半衰系数,对备选产品的属性数据进行半衰处理,得到备选产品半衰处理后的属性数据。
在另一种可能实现方式中,参见图6,产品数据获取模块503,还包括:
属性数据获取单元5032,还用于获取多个备选产品的属性数据;
协方差获取单元5034,用于根据多个备选产品中任两个备选产品的属性数据,获取任两个备选产品的属性数据之间的协方差;
关联度获取单元5035,用于将协方差作为任两个备选产品之间的关联度;或者,根据预设半衰系数,对协方差进行半衰处理得到半衰处理之后的协方差,作为任两个备选产品之间的关联度。
在另一种可能实现方式中,目标风险等级、多个备选产品中任两个备选产品之间的关联度与多个备选产品的权重满足以下关系:
其中,B表示目标风险等级,i、j表示备选产品的序号,i、j为不大于M的正整数,M表示多个备选产品的数量,M为正整数,xi表示备选产品i的权重,xj表示备选产品j的权重,Aij表示备选产品i与备选产品j之间的关联度。
在另一种可能实现方式中,产品数据还包括多个备选产品的属性数据,多个备选产品的属性数据与多个备选产品的权重满足以下关系:
其中,n表示备选产品的序号,n为不大于M的正整数,M表示多个备选产品的数量,M为正整数,xn表示备选产品n的权重,Rn表示备选产品n的属性数据,max(·)表示。
在另一种可能实现方式中,权重获取模块504,还用于:
通过权重确定模型,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品的权重,任两个备选产品的权重乘积与任两个备选产品之间的关联度呈负相关关系;
在另一种可能实现方式中,参见图6,权重确定模型至少包括风险确定层及权重确定层;
权重获取模块504,包括:
第一系数获取单元5041,用于通过风险确定层,对目标风险等级进行处理,得到与目标风险等级对应的目标风险系数;
第一权重获取单元5042,用于通过权重确定层,对目标风险系数与任两个备选产品之间的关联度进行处理,分别得到多个备选产品的权重。
在另一种可能实现方式中,所权重获取模块504,还用于:
对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品对应于多个风险等级的权重,多个风险等级包括目标风险等级和至少一个参考风险等级,至少一个参考风险等级与目标风险等级之间间隔的等级数量不超过预设数量。
在另一种可能实现方式中,产品推荐模块505,还用于:
根据多个备选产品对应于任一风险等级的权重选取目标产品,将目标产品推荐给用户。
在另一种可能实现方式中,权重获取模块504,用于:
通过权重确定模型,对目标风险等级及多个备选产品中任两个备选产品之间的关联度进行处理,分别得到多个备选产品对应于多个风险等级的权重。
在另一种可能实现方式中,参见图6,权重确定模型至少包括风险确定层及权重确定层;
权重获取模块504,还包括:
第二系数获取单元5043,用于通过风险确定层,对目标风险等级进行处理,得到多个风险系数,多个风险系数包括目标风险等级对应的目标风险系数和至少一个参考风险等级对应的参考风险系数,且目标风险系数不是多个风险系数中的最小风险系数,也不是多个风险系数中的最大风险系数;
第二权重获取单元5044,用于通过权重确定层,对多个风险系数与多个备选产品中任两个备选产品之间的关联度进行处理,得到多个备选产品对应于多个风险系数的权重。
在另一种可能实现方式中,装置还包括:
第一样本数据获取模块506,用于获取样本用户数据,样本用户数据包括样本风险等级;
第二样本数据获取模块507,用于获取样本产品数据及多个样本备选产品的样本权重,样本产品数据至少包括多个样本备选产品的样本属性数据及多个样本备选产品中任两个样本备选产品之间的样本关联度,任两个样本备选产品的权重乘积与任两个样本备选产品之间的样本关联度呈负相关关系;
模块训练模块508,用于根据样本用户数据、样本产品数据及多个样本备选产品的样本权重,训练权重确定模型。
在另一种可能实现方式中,多个备选产品中包括无风险产品,无风险产品的收益率为固定数值。
在另一种可能实现方式中,风险等级获取模块502,用于风险等级显示区域中包括多个风险等级,响应于对任一风险等级的触发操作,将任一风险等级作为目标风险等级。
在另一种可能实现方式中,产品数据获取模块503,包括:
备选产品获取单元5036,用于产品显示区域中包括多个产品类型,响应于对任一产品类型的触发操作,将属于任一产品类型的产品作为备选产品;或者,
备选产品获取单元5036,还用于产品显示区域中包括多个产品,响应于对任一产品的触发操作,将任一产品作为备选产品。
在另一种可能实现方式中,产品推荐模块505,用于通过推荐产品显示区域,显示推荐的目标产品及对应的权重。
在另一种可能实现方式中,产品推荐界面还包括产品获取按钮,该装置还包括:
获取界面显示模块509,用于响应于对产品获取按钮的触发操作,显示目标产品对应的产品获取界面。
需要说明的是:上述实施例提供的目标产品推荐装置在进行目标产品推荐时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的目标产品推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图7示出了本申请一个示例性实施例提供的终端700的结构示意图。
通常,终端700包括有:处理器701和存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以在集成有GPU(Graphics Processing Unit,图像处理的交互器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器701所具有以实现本申请中方法实施例提供的目标产品推荐方法。
在一些实施例中,终端700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地,外围设备包括:射频电路704、触摸显示屏705、和电源709中的至少一种。
外围设备接口703可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中,处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上;在一些其他实施例中,处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路704包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及8G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时,显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时,显示屏705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏705可以为一个,设置终端700的前面板;在另一些实施例中,显示屏705可以为至少两个,分别设置在终端700的不同表面或呈折叠设计;在再一些实施例中,显示屏705可以是柔性显示屏,设置在终端700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源706用于为终端700中的各个组件进行供电。电源706可以是交流电、直流电、一次性电池或可充电电池。当电源706包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图8是本申请实施例提供的一种服务器的结构示意图,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)801和一个或一个以上的存储器802,其中,该存储器802中存储有至少一条指令,该至少一条指令由该处理器801加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
图8所示的服务器用于执行上述实施例中计算机设备所执行的步骤。
在示例性实施例中,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条指令,该至少一条指令由该一个或多个处理器加载并执行以实现如上述实施例中目标产品推荐方法。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令,该至少一条指令由处理器加载并执行以实现如上述实施例中目标产品推荐方法。例如,该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序,该计算机程序包括至少一条指令,该指令由处理器加载并执行以实现如上述实施例中目标产品推荐方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种目标产品推荐方法,其特征在于,所述方法包括:
显示产品推荐界面,所述产品推荐界面包括风险等级显示区域和产品显示区域;
响应于用户在所述风险等级显示区域中的选择操作,获取所述用户的目标风险等级;
响应于所述用户在所述产品显示区域中的选择操作,获取产品数据,所述产品数据包括多个备选产品中任两个备选产品之间的关联度,所述关联度用于表示两个备选产品的收益率之间的关联程度;
根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,以使所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系;
根据所述多个备选产品的权重选取目标产品,通过所述产品推荐界面中的推荐产品显示区域,显示推荐的所述目标产品,所述目标产品的权重大于其他备选产品的权重。
2.根据权利要求1所述的方法,其特征在于,所述产品数据还包括所述多个备选产品的属性数据,所述获取产品数据,包括:
对于每个备选产品,根据所述备选产品在多个历史周期内的收益,获取所述备选产品的多个收益率;
根据所述备选产品的多个收益率,获取所述备选产品的属性数据,所述属性数据至少包括所述备选产品的平均收益率、期望收益率或收益率的波动性参数中的至少一项。
3.根据权利要求2所述的方法,其特征在于,所述根据所述备选产品的多个收益率,获取所述备选产品的属性数据之后,所述方法还包括:
根据预设半衰系数,对所述备选产品的属性数据进行半衰处理,得到所述备选产品半衰处理后的属性数据。
4.根据权利要求1所述的方法,其特征在于,所述获取产品数据,包括:
获取所述多个备选产品的属性数据;
根据所述多个备选产品中任两个备选产品的属性数据,获取所述任两个备选产品的属性数据之间的协方差;
将所述协方差作为所述任两个备选产品之间的关联度;或者,根据预设半衰系数,对所述协方差进行半衰处理得到半衰处理之后的协方差,作为所述任两个备选产品之间的关联度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,包括:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重,以使所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系。
8.根据权利要求7所述的方法,其特征在于,所述权重确定模型至少包括风险确定层及权重确定层;
所述通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重,包括:
通过所述风险确定层,对所述目标风险等级进行处理,得到与所述目标风险等级对应的目标风险系数;
通过所述权重确定层,对所述目标风险系数与所述任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品的权重。
9.根据权利要求1所述的方法,其特征在于,所述根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,包括:
对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,所述多个风险等级包括所述目标风险等级和至少一个参考风险等级,所述至少一个参考风险等级与所述目标风险等级之间间隔的等级数量不超过预设数量。
10.根据权利要求9所述的方法,其特征在于,所述根据所述多个备选产品的权重选取目标产品,将所述目标产品推荐给所述用户,包括:
根据所述多个备选产品对应于任一风险等级的权重选取目标产品,将所述目标产品推荐给用户。
11.根据权利要求9所述的方法,其特征在于,所述对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,包括:
通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重。
12.根据权利要求11所述的方法,其特征在于,所述权重确定模型至少包括风险确定层及权重确定层;
所述通过权重确定模型,对所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度进行处理,分别得到所述多个备选产品对应于多个风险等级的权重,包括:
通过所述风险确定层,对所述目标风险等级进行处理,得到多个风险系数,所述多个风险系数包括所述目标风险等级对应的目标风险系数和所述至少一个参考风险等级对应的参考风险系数,且所述目标风险系数不是所述多个风险系数中的最小风险系数,也不是所述多个风险系数中的最大风险系数;
通过所述权重确定层,对所述多个风险系数与所述多个备选产品中任两个备选产品之间的关联度进行处理,得到所述多个备选产品对应于所述多个风险系数的权重。
13.一种目标产品推荐装置,其特征在于,所述装置包括:
推荐界面显示模块,用于显示产品推荐界面,所述产品推荐界面包括风险等级显示区域和产品显示区域;
风险等级获取模块,用于响应于用户在所述风险等级显示区域中的选择操作,获取所述用户的目标风险等级;
产品数据获取模块,用于响应于所述用户在所述产品显示区域中的选择操作,获取产品数据,所述产品数据包括多个备选产品中任两个备选产品之间的关联度,所述关联度用于表示两个备选产品的收益率之间的关联程度;
权重获取模块,用于根据所述目标风险等级及所述多个备选产品中任两个备选产品之间的关联度,获取所述多个备选产品的权重,以使所述任两个备选产品的权重乘积与所述任两个备选产品之间的关联度呈负相关关系;
产品推荐模块,用于根据所述多个备选产品的权重选取目标产品,通过所述产品推荐界面中的推荐产品显示区域,显示推荐的所述目标产品,所述目标产品的权重大于其他备选产品的权重。
14.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条指令,所述至少一条指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求12任一项所述的目标产品推荐方法所执行的操作。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求12任一项所述的目标产品推荐方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438219.5A CN111681068A (zh) | 2020-05-21 | 2020-05-21 | 目标产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438219.5A CN111681068A (zh) | 2020-05-21 | 2020-05-21 | 目标产品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681068A true CN111681068A (zh) | 2020-09-18 |
Family
ID=72452771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438219.5A Pending CN111681068A (zh) | 2020-05-21 | 2020-05-21 | 目标产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125000A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京有竹居网络技术有限公司 | 内容输出方法、装置、计算机可读介质及电子设备 |
-
2020
- 2020-05-21 CN CN202010438219.5A patent/CN111681068A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125000A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京有竹居网络技术有限公司 | 内容输出方法、装置、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
US20200294111A1 (en) | Determining target user group | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN110335157A (zh) | 保险产品推荐方法、设备及存储介质 | |
US11669875B2 (en) | Pricing method and device, and non-transient computer-readable storage medium | |
CN111552888A (zh) | 内容推荐方法、装置、设备及存储介质 | |
US11410111B1 (en) | Generating predicted values based on data analysis using machine learning | |
CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN108647064A (zh) | 操作路径导航的方法及装置 | |
CN114331492A (zh) | 媒体资源的推荐方法、装置、设备及存储介质 | |
CN111681068A (zh) | 目标产品推荐方法、装置、设备及存储介质 | |
CN113869377A (zh) | 训练方法、装置及电子设备 | |
KR20160026477A (ko) | 사용자 맞춤 주식투자정보 제공방법, 장치 및 시스템 | |
CN115375434A (zh) | 一种界面布局的调整方法及相关装置 | |
CN109460778A (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110705654B (zh) | 用于监控资产的方法、装置、电子设备及介质 | |
CN112418929A (zh) | 一种数据共享方法及装置 | |
Liu et al. | Portfolio-based ranking of traders for social trading | |
CN111859147A (zh) | 对象推荐方法、对象推荐装置和电子设备 | |
CN109472455A (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN109472454A (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN115905552A (zh) | 意图匹配方法、装置、计算机设备和存储介质 | |
CN115034851A (zh) | 产品决策推荐方法及装置 | |
CN114387096A (zh) | 计算机数据显示方法、装置以及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200918 |