CN111695938A - 产品推送方法及系统 - Google Patents
产品推送方法及系统 Download PDFInfo
- Publication number
- CN111695938A CN111695938A CN202010503422.6A CN202010503422A CN111695938A CN 111695938 A CN111695938 A CN 111695938A CN 202010503422 A CN202010503422 A CN 202010503422A CN 111695938 A CN111695938 A CN 111695938A
- Authority
- CN
- China
- Prior art keywords
- product
- existing
- pushing
- newly added
- customer
- 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.)
- Granted
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种产品推送方法及系统。该产品推送方法包括:获取客户的当前客户特征和现有产品的产品特征;将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;根据产品预测值确定现有产品的产品推送参数;将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。本发明可以简化推送流程,提高推送可扩展性,降低推送成本。
Description
技术领域
本发明涉及数据处理技术领域,具体地,涉及一种产品推送方法及系统。
背景技术
基于数据仓库快速、准确地检测客户金融需求为主要特征的智能营销管理(EBM)模式可以帮助商业银行获得在关键时刻及时捕捉并响应客户的理性和感性需求的能力。EBM已经成为行之有效的市场营销管理手段,并为商业银行带来可观的经营效益,与传统的大众营销实现0.6%的客户营销成功率相比,可实现18%-34%的客户营销成功率。
随着行内业务蓬勃发展,营销活动体量越来越大,而可曝光给客户的产品栏位数量有限。现有技术向客户推送手工排序后的产品,其操作繁琐、可扩展性差、成本高昂,不能满足新形势下的产品推送要求。
发明内容
本发明实施例的主要目的在于提供一种产品推送方法及系统,以简化推送流程,提高推送可扩展性,降低推送成本。
为了实现上述目的,本发明实施例提供一种产品推送方法,包括:
获取客户的当前客户特征和现有产品的产品特征;
将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
根据产品预测值确定现有产品的产品推送参数;
将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
本发明实施例还提供一种产品推送系统,包括:
第一获取单元,用于获取客户的当前客户特征和现有产品的产品特征;
产品预测值单元,用于将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
产品推送参数单元,用于根据产品预测值确定现有产品的产品推送参数;
第一推送单元,用于将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的产品推送方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的产品推送方法的步骤。
本发明实施例的产品推送方法及系统先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
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。
图1是本发明实施例中产品推送方法的流程图;
图2是本发明另一实施例中产品推送方法的流程图;
图3是本发明实施例中创建产品决策树模型的流程图;
图4是本发明实施例中创建其中一个产品决策树模型的示意图;
图5是本发明实施例中产品推送系统的结构框图;
图6是本发明另一实施例中产品推送系统的结构框图;
图7是本发明实施例中计算机设备的结构框图。
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,所描述的实施例仅仅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。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术向客户推送手工排序后的产品,其操作繁琐、可扩展性差、成本高昂,本发明实施例提供一种产品推送方法,以简化推送流程,提高推送可扩展性,降低推送成本。以下结合附图对本发明进行详细说明。
图1是本发明实施例中产品推送方法的流程图。如图1所示,产品推送方法包括:
S101:获取客户的当前客户特征和现有产品的产品特征。
其中,客户特征(包括当前客户特征和历史客户特征)包括:基础信息(如客户人口统计信息(如年龄、性别、职业、婚姻情况等)和联系信息)、产品信息(如客户在银行签署的协议、持有的产品和账户金额)、行为信息(如客户的资金交易信息和投融资信息)、关联信息(如客户的资金关联、担保关联何投资关联)、预测信息(如客户行为的预测的结果和产品购买的预测结果)、评价信息(如客户贡献何风险等级)、营销信息(如银行对客户营销的活动轨迹和渠道触点的响应信息)、风险信息(如客户征信、高法失信和信用卡逾期)、位置信息(如客户的行动范围、办公地点和物流)、财务信息(如客户的财务报表)、管理信息(如客户在银行的管户情况)、经营信息(如客户名下企业的经营状况)、偏好信息(如客户的风险偏好和渠道偏好)和社交信息(如客户在各类网站、APP的社交信息)。
产品特征包括风险信息(如投资风险层级等评级信息)、周期信息(如产品申购期、封闭期和销售期)、费率信息(如前端手续费、后端手续费和投资管理费)和运作信息(如开放封闭类型、净值类型或非净值类型)。
S102:将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值。
其中,产品预测值的数量为该现有产品的产品决策树模型的数量。例如,该现有产品共有T个产品决策树模型(个体学习器),则共有T个产品预测值hi。
S103:根据产品预测值确定现有产品的产品推送参数。
T个产品决策树模型之间是相互独立的,可以并行,产品预测值包括{h1,h2,……,hT}。由于随机森林模型中,样本的选取是随机的,特征的选取也是随机的,每个产品决策树模型的权重是一样的,所以采用简单平均法确定产品推送参数:
其中,S为产品推送参数,值位于0-1之间,T为产品预测值的数量,hi为第i个产品预测值。
S104:将产品推送参数按由大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
图1所示的产品推送方法的执行主体可以为计算机。由图1所示的流程可知,本发明实施例的产品推送方法先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
新增产品没有历史交易记录,无法构建模型,可以采用基于产品的协同过滤算法,向客户推荐和他们之前购买过的产品相似的产品。图2是本发明另一实施例中产品推送方法的流程图。如图2所示,产品推送方法还包括:
S201:获取新增产品的产品特征和现有产品的产品特征。
S202:根据新增产品的产品特征和现有产品的产品特征确定新增产品与现有产品之间的相似度。
一实施例中,S202包括:确定新增产品的产品特征与现有产品的产品特征的共同特征;根据新增产品的产品特征与现有产品的产品特征的共同特征确定新增产品与现有产品之间的相似度。
例如,新增产品和现有产品共有j个共同特征,可以通过如下公式确定新增产品与现有产品之间的相似度:
Ui为新增产品的第i个共同特征,Vi为现有产品的第i个共同特征,Cosuv为新增产品与现有产品之间的相似度。
表1
风险信息 | 周期信息 | 费率信息 | 运作信息 | |
U<sub>i</sub> | 1(高) | 1(短) | 1(高) | 2(开放) |
V<sub>i</sub> | 1(高) | 2(中) | 2(中) | 1(封闭) |
表1是本发明实施例中共同特征表。如表1所示,当共同特征为风险信息、周期信息、费率信息和运作信息时,高风险信息的量化数值为1,短期周期信息的量化数值为1,中期周期信息的量化数值为2,高费率信息的量化数值为1,中费率信息的量化数值为2,开放运作信息的量化数值为2,封闭运作信息的量化数值为1,则新增产品与该现有产品之间的相似度为:
S203:确定相似度的最大值对应的现有产品的产品推送参数作为新增产品的产品推送参数。
例如,当新增产品W的相似度的最大值对应的现有产品为L,则L的产品推送参数SL为新增产品W的产品推送参数。
S204:将现有产品的产品推送参数和新增产品的产品推送参数按由大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品和新增产品。
具体实施时,当同一产品推送参数对应多个商品时,可以按照客户购买该产品的交易额对产品进行降序排列。新增产品的对应的交易额为零,则对于同一产品推送参数对应的新增产品,可以根据其产品特征(如风险信息、周期信息、费率信息和运作信息)确定该新增产品的特征参数,根据该特征参数对新增产品进行降序排列。例如,先将现有产品的产品推送参数和新增产品的产品推送参数按由大到小的顺序进行排序,再按照客户购买该商品的交易额对现有产品和新增产品进行降序排列,最后根据产品的特征参数对现有产品和新增产品进行降序排列。
图3是本发明实施例中创建产品决策树模型的流程图。如图3所示,在随机森林算法下基于历史客户特征和产品特征创建产品决策树模型的步骤包括:
S301:获取正样本和负样本。
其中,正样本包括购买现有产品的客户的历史客户特征和现有产品的产品特征;负样本包括未购买现有产品的客户的历史客户特征和现有产品的产品特征。正样本与负样本的数量比为1:3。
例如,客户e购买过现有产品x,客户f未购买过现有产品x,则正样本为客户e的历史客户特征和x的产品特征,负样本为客户f的历史客户特征和x的产品特征。
在执行S302之前,还可以包括:对正样本和负样本进行数据清洗,剔除数据异常、无效的样本,将金额、日期等特征做log变换,使特征的数值在一定程度上符合正态分布。
S302:从正样本和负样本中选取第一预设数量的样本作为训练集。
例如,通过Bagging(Bootstrap aggregating,引导聚集算法)从正样本和负样本中随机采样选出D个样本,共进行T次采样,生成T个训练集,T个训练集分别用于训练T个产品决策树模型。训练集中的样本包括正样本和负样本。
S303:根据从训练集中选取的第二预设数量的特征创建产品决策树模型。
特征包括历史客户特征和产品特征。例如,训练集中的样本共有M个特征,随机从M个特征中选取n个特征,n<<M。根据n个特征中的其中一个特征A的数值a将D个样本分为小于或等于a的第一集合和大于a的第二集合。第一集合有D1个样本,第二集合有D2个样本。
基尼指数是节点的Gini(基尼)不纯度,表示根据节点中的样本分布对随机选择的样本分类错误的概率,基尼指数计算公式为:
例如,特征A的数值a对应的基尼指数为:
其中,GDA为特征A的数值a对应的基尼指数,D1为第一集合的样本数量,D2为第二集合的样本数量,D为训练集中的样本数量,CD1 k为第一集合D1中第k个样本类型的样本数量,CD2 k为第二集合D2中第k个样本类型的样本数量。本发明中共有两种样本类型(正样本和负样本)。计算n个特征中各种集合划分情况对应的基尼指数,将最小基尼指数对应的特征作为根节点创建产品决策树模型。
图4是本发明实施例中创建其中一个产品决策树模型的示意图。如图4所示,D(D=6)个样本的基尼指数为:
当根据特征A的数值3.5将D(D=6)个样本分为小于或等于3.5的第一集合和大于3.5的第二集合时,位于根节点左边的子节点的D1=4,Value=[2,2],即第一集合中有2个负样本和2个正样本,位于根节点右边的叶节点的D2=2,Value=[0,2],即第二集合中有0个负样本和2个正样本,对应的基尼指数为:
此时的基尼指数GDA为最小值,将特征A作为根节点,分裂为A<=3.5的子节点和A>3.5的叶节点。因为第二集合中的样本类别为1,所以无需继续分裂第二集合。第二集合中正样本的数量大于负样本的数量,因此第二集合所在的叶节点对应的产品预测值h=1。当叶节点中的基尼指数为0时,说明预测的分类已被合理分配,已无错误分类的概率。
以此类推,当特征A的数值1.5将D1个样本分为小于或等于1.5的第三集合和大于1.5的四集合时,其基尼指数为最小值,此时将A<=3.5的子节点分裂为A<=1.5的子节点和A>1.5的子节点。A<=1.5的子节点的D3=2,Value=[1,1],即第三集合中有1个负样本和1个正样本,A>1.5的子节点的D4=2,Value=[1,1],即第四集合中有1个负样本和1个正样本。
当特征B的数值1.5将D3个样本分为小于或等于1.5的第五集合和大于1.5的六集合时,其基尼指数为最小值,此时将A<=1.5的子节点分裂为B<=1.5的叶节点和B>1.5的叶节点。B<=1.5的叶节点的D5=1,Value=[1,0],即第五集合中有1个负样本和0个正样本,B>1.5的叶节点的D6=1,Value=[0,1],即第六集合中有0个负样本和1个正样本。因为第五集合和第六集合中的样本类别为1,所以无需继续分裂第五集合和第六集合。第五集合中负样本的数量大于正样本的数量,因此第五集合所在的叶节点对应的产品预测值h=0。第六集合中正样本的数量大于负样本的数量,因此第六集合所在的叶节点对应的产品预测值h=1。
当特征B的数值1.5将D4个样本分为小于或等于1.5的第七集合和大于1.5的八集合时,其基尼指数为最小值,此时将A>1.5的子节点分裂为B<=1.5的叶节点和B>1.5的叶节点。B<=1.5的叶节点的D7=1,Value=[0,1],即第七集合中有0个负样本和1个正样本,B>1.5的叶节点的D8=1,Value=[1,0],即第八集合中有1个负样本和0个正样本。因为第七集合和第八集合中的样本类别为1,所以无需继续分裂第七集合和第八集合。第七集合中正样本的数量大于负样本的数量,因此第七集合所在的叶节点对应的产品预测值h=1。第八集合中负样本的数量大于正样本的数量,因此第八集合所在的叶节点对应的产品预测值h=0。
本发明还可以将近一个月的产品购买记录作为验证集。当训练集训练好产品决策树模型后,导入验证集对产品决策树模型进行验证,以达到模型的回归目的。
本发明实施例的具体流程如下:
1、从正样本和负样本中选取第一预设数量的样本作为训练集。
2、根据从训练集中选取的第二预设数量的特征创建产品决策树模型。
3、将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值。
4、根据产品预测值确定现有产品的产品推送参数。
5、确定新增产品的产品特征与现有产品的产品特征的共同特征。
6、根据新增产品的共同特征的数值和现有产品的共同特征的数值确定新增产品与现有产品之间的相似度。
7、确定相似度的最大值对应的现有产品的产品推送参数作为新增产品的产品推送参数。
8、将产品推送参数按由大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品和新增产品。
综上,本发明实施例的产品推送方法先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定现有产品的产品推送参数,根据新增产品与现有产品之间的相似度确定新增产品的产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品和新增产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
基于同一发明构思,本发明实施例还提供了一种产品推送系统,由于该系统解决问题的原理与产品推送方法相似,因此该系统的实施可以参见方法的实施,重复之处不再赘述。
图5是本发明实施例中产品推送系统的结构框图。图6是本发明另一实施例中产品推送系统的结构框图。如图5-图6所示,产品推送系统包括:
第一获取单元,用于获取客户的当前客户特征和现有产品的产品特征;
在实际应用中,第一获取单元可以为特征工程单元100,特征工程单元经线上APP、PC端和线下人工营销触点收集信息,获取360度全景客户画像特征,包括基础信息、产品信息、评价信息、营销信息、行为信息、风险信息、关联信息、位置信息、预测信息、财务信息、管理信息、经营信息、偏好信息、社交信息等1000多个特征;获取银行发行的产品特征,包括风险信息、周期信息、费率信息、运作信息等50多个特征,以备后续建立模型使用。
产品预测值单元,用于将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
产品推送参数单元,用于根据产品预测值确定现有产品的产品推送参数;
第一推送单元,用于将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
在其中一种实施例中,还包括:
第二获取单元,用于获取新增产品的产品特征和现有产品的产品特征;
相似度确定单元,用于根据新增产品的产品特征和现有产品的产品特征确定新增产品与现有产品之间的相似度;
产品推送参数确定单元,用于确定相似度的最大值对应的现有产品的产品推送参数作为新增产品的产品推送参数;
第二推送单元,用于将现有产品的产品推送参数和新增产品的产品推送参数按由大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品和新增产品。
在实际应用中,还包括:冷启动模块300,冷启动模块300包括第二获取单元、相似度确定单元和产品推送参数确定单元。第二推送单元可以为排序模块400。
在其中一种实施例中,还包括:产品决策树创建单元,用于:
获取正样本和负样本;正样本包括购买现有产品的客户的历史客户特征和现有产品的产品特征;负样本包括未购买现有产品的客户的历史客户特征和现有产品的产品特征;
从正样本和负样本中选取第一预设数量的样本作为训练集;
根据从训练集中选取的第二预设数量的特征创建产品决策树模型;特征包括历史客户特征和产品特征。
在实际应用中,产品决策树创建单元可以为模型构建单元200。
在其中一种实施例中,相似度确定单元具体用于:
确定新增产品的产品特征与现有产品的产品特征的共同特征;
根据新增产品的产品特征与现有产品的产品特征的共同特征确定新增产品与现有产品之间的相似度。
综上,本发明实施例的产品推送系统先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定现有产品的产品推送参数,根据新增产品与现有产品之间的相似度确定新增产品的产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品和新增产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
本发明实施例还提供能够实现上述实施例中的产品推送方法中全部步骤的一种计算机设备的具体实施方式。图7是本发明实施例中计算机设备的结构框图,参见图7,所述计算机设备具体包括如下内容:
处理器(processor)701和存储器(memory)702。
所述处理器701用于调用所述存储器702中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的产品推送方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取客户的当前客户特征和现有产品的产品特征;
将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
根据产品预测值确定现有产品的产品推送参数;
将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
综上,本发明实施例的计算机设备先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
本发明实施例还提供能够实现上述实施例中的产品推送方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的产品推送方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取客户的当前客户特征和现有产品的产品特征;
将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
根据产品预测值确定现有产品的产品推送参数;
将产品推送参数按从大到小的顺序进行排序,向客户推送排序在预设产品栏位之前的现有产品。
综上,本发明实施例的计算机可读存储介质先将当前客户特征和现有产品的产品特征输入在随机森林算法下基于历史客户特征和产品特征创建的产品决策树模型中以得到现有产品的产品预测值,再根据产品预测值确定产品推送参数,最后根据产品推送参数的排序结果向客户推送排序在预设产品栏位之前的现有产品,可以简化推送流程,提高推送可扩展性,降低推送成本。
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。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (10)
1.一种产品推送方法,其特征在于,包括:
获取客户的当前客户特征和现有产品的产品特征;
将所述当前客户特征和所述现有产品的产品特征输入在随机森林算法下基于历史客户特征和所述产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
根据所述产品预测值确定现有产品的产品推送参数;
将所述产品推送参数按从大到小的顺序进行排序,向所述客户推送排序在预设产品栏位之前的现有产品。
2.根据权利要求1所述的产品推送方法,其特征在于,还包括:
获取新增产品的产品特征和所述现有产品的产品特征;
根据所述新增产品的产品特征和所述现有产品的产品特征确定所述新增产品与所述现有产品之间的相似度;
确定所述相似度的最大值对应的现有产品的产品推送参数作为所述新增产品的产品推送参数;
将所述现有产品的产品推送参数和所述新增产品的产品推送参数按由大到小的顺序进行排序,向所述客户推送排序在预设产品栏位之前的现有产品和新增产品。
3.根据权利要求1所述的产品推送方法,其特征在于,在随机森林算法下基于历史客户特征和所述产品特征创建产品决策树模型的步骤包括:
获取正样本和负样本;所述正样本包括购买所述现有产品的客户的历史客户特征和所述现有产品的产品特征;所述负样本包括未购买所述现有产品的客户的历史客户特征和所述现有产品的产品特征;
从所述正样本和所述负样本中选取第一预设数量的样本作为训练集;
根据从所述训练集中选取的第二预设数量的特征创建所述产品决策树模型;所述特征包括所述历史客户特征和所述产品特征。
4.根据权利要求2所述的产品推送方法,其特征在于,根据所述新增产品的产品特征和所述现有产品的产品特征确定所述新增产品与所述现有产品之间的相似度包括:
确定所述新增产品的产品特征与所述现有产品的产品特征的共同特征;
根据所述新增产品的产品特征与所述现有产品的产品特征的共同特征确定所述新增产品与所述现有产品之间的相似度。
5.一种产品推送系统,其特征在于,包括:
第一获取单元,用于获取客户的当前客户特征和现有产品的产品特征;
产品预测值单元,用于将所述当前客户特征和所述现有产品的产品特征输入在随机森林算法下基于历史客户特征和所述产品特征创建的产品决策树模型中,得到现有产品的产品预测值;
产品推送参数单元,用于根据所述产品预测值确定现有产品的产品推送参数;
第一推送单元,用于将所述产品推送参数按从大到小的顺序进行排序,向所述客户推送排序在预设产品栏位之前的现有产品。
6.根据权利要求5所述的产品推送系统,其特征在于,还包括:
第二获取单元,用于获取新增产品的产品特征和所述现有产品的产品特征;
相似度确定单元,用于根据所述新增产品的产品特征和所述现有产品的产品特征确定所述新增产品与所述现有产品之间的相似度;
产品推送参数确定单元,用于确定所述相似度的最大值对应的现有产品的产品推送参数作为所述新增产品的产品推送参数;
第二推送单元,用于将所述现有产品的产品推送参数和所述新增产品的产品推送参数按由大到小的顺序进行排序,向所述客户推送排序在预设产品栏位之前的现有产品和新增产品。
7.根据权利要求5所述的产品推送系统,其特征在于,还包括:产品决策树创建单元,用于:
获取正样本和负样本;所述正样本包括购买所述现有产品的客户的历史客户特征和所述现有产品的产品特征;所述负样本包括未购买所述现有产品的客户的历史客户特征和所述现有产品的产品特征;
从所述正样本和所述负样本中选取第一预设数量的样本作为训练集;
根据从所述训练集中选取的第二预设数量的特征创建所述产品决策树模型;所述特征包括所述历史客户特征和所述产品特征。
8.根据权利要求6所述的产品推送系统,其特征在于,所述相似度确定单元具体用于:
确定所述新增产品的产品特征与所述现有产品的产品特征的共同特征;
根据所述新增产品的产品特征与所述现有产品的产品特征的共同特征确定所述新增产品与所述现有产品之间的相似度。
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4任一项所述的产品推送方法的步骤。
10.一种计算机可读存储介质,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4任一项所述的产品推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503422.6A CN111695938B (zh) | 2020-06-05 | 2020-06-05 | 产品推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503422.6A CN111695938B (zh) | 2020-06-05 | 2020-06-05 | 产品推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695938A true CN111695938A (zh) | 2020-09-22 |
CN111695938B CN111695938B (zh) | 2023-07-18 |
Family
ID=72479439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010503422.6A Active CN111695938B (zh) | 2020-06-05 | 2020-06-05 | 产品推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695938B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182052A (zh) * | 2020-10-12 | 2021-01-05 | 中国铁塔股份有限公司 | 一种参数展示方法、装置、电子设备和可读存储介质 |
CN112288474A (zh) * | 2020-10-27 | 2021-01-29 | 上海淇馥信息技术有限公司 | 多渠道产品推送方法、装置及电子设备 |
CN113052689A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138958A1 (en) * | 2001-05-31 | 2004-07-15 | Koji Watarai | Sales prediction using client value represented by three index axes as criteron |
CN106295832A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 产品信息推送方法及装置 |
CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
CN108898496A (zh) * | 2018-07-05 | 2018-11-27 | 北京京东金融科技控股有限公司 | 产品推荐方法、装置、介质及电子设备 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
CN110335064A (zh) * | 2019-06-05 | 2019-10-15 | 平安科技(深圳)有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
-
2020
- 2020-06-05 CN CN202010503422.6A patent/CN111695938B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138958A1 (en) * | 2001-05-31 | 2004-07-15 | Koji Watarai | Sales prediction using client value represented by three index axes as criteron |
CN106295832A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 产品信息推送方法及装置 |
CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
CN108898496A (zh) * | 2018-07-05 | 2018-11-27 | 北京京东金融科技控股有限公司 | 产品推荐方法、装置、介质及电子设备 |
CN110335064A (zh) * | 2019-06-05 | 2019-10-15 | 平安科技(深圳)有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182052A (zh) * | 2020-10-12 | 2021-01-05 | 中国铁塔股份有限公司 | 一种参数展示方法、装置、电子设备和可读存储介质 |
CN112288474A (zh) * | 2020-10-27 | 2021-01-29 | 上海淇馥信息技术有限公司 | 多渠道产品推送方法、装置及电子设备 |
CN113052689A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
CN113052689B (zh) * | 2021-04-30 | 2024-03-26 | 中国银行股份有限公司 | 一种基于决策树的产品推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111695938B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600369A (zh) | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN111695938B (zh) | 产品推送方法及系统 | |
CN103927615B (zh) | 将实体与类别相关联 | |
WO2021169659A1 (zh) | 资源信息推送方法、装置、服务器及存储介质 | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114896506A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
CN111709825A (zh) | 异常产品识别方法及系统 | |
Leventhal | Predictive Analytics for Marketers: Using Data Mining for Business Advantage | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN115423499A (zh) | 模型训练方法、价格预测方法、终端设备以及存储介质 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
US11379929B2 (en) | Advice engine | |
CN113298642A (zh) | 一种订单检测方法、装置、电子设备及存储介质 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
CN113935780B (zh) | 基于生存分析的客户流失风险的预测方法、及其相关设备 | |
CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |