CN111951044A - 银行终端交互方法及系统 - Google Patents

Abstract

本发明提供了银行终端交互方法及系统，方法包括：获取登录银行终端的当前客户信息；根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。本发明利用交易数据作为样本数据对模型进行训练，根据客户过往交易数据，推测客户当前的交易需求，在产品界面上优先展现推荐的产品及服务，达到精准营销，提升银行服务客户的整体水平。

Description

银行终端交互方法及系统

技术领域

本发明涉及数据处理技术，具体的讲是一种银行终端交互方法及系统。

背景技术

银行金融服务无孔不入的今天，生活的方方面面都离不开银行。银行汇聚了庞大客户的金融数据、业务数据、行为数据。

如何利用这些数据信息分析挖掘所蕴含的客户行为规律，预测客户潜在需求，提升客户体验，实现获客、活客、粘客的目标，有很大的经济价值和社会价值。

发明内容

为预测客户潜在需求，智能调整银行自助渠道的相关系统，提供因人而异量身定制的千人千面交互，本发明实施例提供了一种银行终端交互方法，方法包括：

获取登录银行终端的当前客户信息；

根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

本发明实施例中，所述的利用机器学习算法和样本数据建立的分类模型包括：

根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

本发明实施例中，所述的根据所述当前客户信息和所述的分类模型确定当前用户的特征数据；

根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

根据确定的特征维度集合确定当前用户的特征数据。

本发明实施例中，所述的样本数据包括：线下银行终端的用户交易数据、线上银行终端的用户交易数据；

所述的预设的特征维度包括：用户的画像特征、服务特征、产品特征及行为特征；

所述的特征维度集合包括：用户的画像特征、服务特征、产品特征及行为特征对应的特征数据；

所述的客户信息包括：客户身份信息、IP地址、客户地区、客户交易时间及客户在线时长。

同时，本发明还提供一种银行终端交互系统，包括：银行终端、交互服务器；其中，所述的交互服务器包括：

信息获取模块，用于获取登录银行终端的当前客户信息；

特征数据确定模块，根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

反馈模块，用于根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

本发明实施例中，所述的交互服务器还包括：

特征推导模块，用于根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

模型训练模块，用于利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

本发明实施例中，所述的特征数据确定模块包括：

集合确定单元，用于根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

特征数据确定单元，用于根据确定的特征维度集合确定当前用户的特征数据。

同时，本发明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可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上述方法。

同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

本发明提供一种基于机器学习算法建立的分类模型，利用线上、线下的交易数据作为样本数据对模型进行训练，客户的用户画像归类会进一步精确，银行的用户画像会进一步完善，客户下一次使用银行系统，会展现推荐的银行服务/银行产品，所展现的银行服务/银行产品也会相应调整到客户可能需要的模式，缩短银行服务供给路径，简化银行服务使用体验，提高银行产品转化率，据客户过往交易数据，推测客户当前的交易需求，在产品界面上优先展现推荐的产品/相似产品，减少无关广告、无关产品的投放，抓紧需求，达到精准营销。提高客户使用银行服务/产品的效益：根据同类客户过往交易数据，对高频客户、成熟客户使用银行服务、购买银行产品的方案进行评分，把评分最高的方案展现给低频客户、新手客户，作为推荐参考，缩短新手客户和成熟客户的差距，提升银行服务客户的整体水平。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

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获得其他的附图。

图1为本发明提供的银行终端交互方法的流程图；

图2为本发明提供的银行终端交互系统的框图；

图3为本发明实施例提供的一种基于机器学习的千人千面的银行智能交互系统的示意图；

图4为本实施例中自助渠道服务框图；

图5为本实施例中机器学习服务器框图；

图6为本实施例中数据预处理模块结构图；

图7为本实施例中数据清洗模块结构图；

图8为本实施例中数据规范化模块结构图；

图9为本实施例中数据聚合模块结构图；

图10为本实施例中特征推导模块结构图；

图11为本实施例中特征选择模块结构图；

图12为本实施例中模型优化模块结构图；

图13为本实施例中客户数据进入机器学习服务器训练的方法流程图；

图14为本实施例中客户进入自助渠道首页的方法流程图；

图15为本发明实施例提供的电子设备示意图。

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。

如图1所示，为本发明提供的银行终端交互方法，其包括：

步骤S101，获取登录银行终端的当前客户信息；

步骤S102，根据当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

步骤S103，根据特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

本发明提供的银行终端交互方法，利用登录银行终端的当前客户信息，即客户在网点柜面、智能设备办理业务、购买产品、在线上手机银行、网上银行等APP办理业务、购买产品、使用银行卡进行消费的客户信息，根据客户信息和预先建立的分类模型确定当前用户的特征数据，对客户的用户画像归类，根据特征数据向银行终端的反馈与客户进行交互的交互数据，从而实现银行可以预测客户的行为、偏好、需求，系统记住了客户的常用银行服务(如转账)、常用银行产品(如7天理财产品)，获得系统的推荐功能，同时，银行系统会推荐跟当前客户同属一种类型的其他客户的常用银行服务(如余额变动提醒)、常用银行产品(如小额短期现金贷款产品)。进一步解决低频客户、新手客户进入银行系统后用什么银行服务、银行产品的问题，同时，可以有效缓解低频客户、新手客户进入银行系统后怎么用银行服务、银行产品的问题。

本发明实施例中，所述的利用机器学习算法和样本数据建立的分类模型包括：

根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

本发明提供的银行终端交互方法，根据银行终端交互系统的实际需求确定预设的特征维度，利用预设的特征维度确定训练样本集合，通过机器学习算法建立分类模型，通过利用线上线下用户的交易数据作为样本数据进行模型训练，建立更准确的分类模型，从而实现银行对客户进行精细化的分类，提供更有价值、更高效、更准确的反馈交互数据。

一方面，本发明实施例中，所述的根据所述当前客户信息和所述的分类模型确定当前用户的特征数据；

根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

根据确定的特征维度集合确定当前用户的特征数据。

本发明实施例中，所述的样本数据包括：线下银行终端的用户交易数据、线上银行终端的用户交易数据；

所述的预设的特征维度包括：用户的画像特征、服务特征、产品特征及行为特征；

所述的特征维度集合包括：用户的画像特征、服务特征、产品特征及行为特征对应的特征数据；

所述的客户信息包括：客户身份信息、IP地址、客户地区、客户交易时间及客户在线时长。

本发明提供的交互方法，利用客户在网点柜面、智能设备办理业务、购买产品，在线上手机银行、网上银行等APP办理业务、购买产品，使用银行卡进行消费时的客户信息，实现客户的用户归类，展现推荐的银行服务/银行产品，并且根据用户历史数据对模型进一步训练优化，从而实现所展现的银行服务/银行产品也会相应调整到客户可能需要的模式。

同时，本发明还提供一种银行终端交互系统，如图2所示，该系统包括：银行终端21、交互服务器20；其中，交互服务器20包括：

信息获取模块201，用于获取登录银行终端的当前客户信息；

特征数据确定模块202，根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

反馈模块203，用于根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

通过本发明提供的银行终端交互系统，利用登录银行终端的当前客户的客户信息，根据客户信息和预先建立的分类模型确定当前用户的特征数据，对客户的用户画像归类，根据特征数据向银行终端的反馈交互数据，从而实现银行可以预测客户的行为、偏好、需求，系统记住了客户的常用银行服务、常用银行产品，获得系统的推荐功能，同时，银行系统会推荐跟当前客户同属一种类型的其他客户的常用银行服务)、常用银行产品，进一步解决低频客户、新手客户进入银行系统后用什么银行服务、银行产品的问题，同时，可以有效缓解低频客户、新手客户进入银行系统后怎么用银行服务、银行产品的问题。

本发明实施例中，所述的交互服务器21还包括：

特征推导模块，用于根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

模型训练模块，用于利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

本发明实施例中，所述的特征数据确定模块包括：

集合确定单元，用于根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

特征数据确定单元，用于根据确定的特征维度集合确定当前用户的特征数据。

本发明提供的银行终端交互系统，从客户的个人信息，银行的服务信息，银行的产品信息，客户使用银行服务的行为信息，客户购买银行产品的行为信息等多种信息中筛选出主要因素并设计特征，利用机器学习算法对筛选出的数据进行模型训练，以训练好的模型预测客户可能需要的银行服务或者银行产品。

本发明提供一种预测客户潜在需求，智能调整银行自助渠道的系统，该系统包括：线下的智能终端，线上的手机银行、网上银行等，提供一种能因人而异量身定制的千人千面交互系统及方法，从而提升客户体验，提高客户转化率，高效供给银行服务、银行产品。

本发明实施例提供的基于机器学习的千人千面的银行智能交互系统，客户在网点柜面、智能设备办理业务、购买产品，在线上手机银行、网上银行等APP办理业务、购买产品，使用银行卡进行消费，客户的用户画像归类会进一步精确，银行的用户画像会进一步完善，客户下一次使用银行系统，会展现推荐的银行服务/银行产品，所展现的银行服务/银行产品也会相应调整到客户可能需要的模式，也就是线上线下不同渠道的数据汇聚起来通过机器学习，一方面可以让银行给客户进行精细化的分类(低频用户数据匹配高频用户模式)；另一方面可以让银行进一步预测客户的行为、偏好、需求(低频用户数据补充高频用户模式)；这样，客户除了可以获得系统的记忆功能，系统记住了客户的常用银行服务(如转账)、常用银行产品(如7天理财产品)，还可以获得系统的推荐功能，系统会推荐跟当前客户同属一种类型的其他客户的常用银行服务(如余额变动提醒)、常用银行产品(如小额短期现金贷款产品)。进一步解决低频客户、新手客户进入银行系统后用什么银行服务、银行产品的问题，同时，可以有效缓解低频客户、新手客户进入银行系统后怎么用银行服务、银行产品的问题(一般地，银行服务、银行产品存在较多选项需要客户选择，如期数、手续费率、金额等等；还有什么时候借，什么时候还，怎样借，怎样还等等诸如此类的选择，通过推荐同类客户的不同选择方案，以及不同方案对应优势供客户选择)。

下面结合附图对本实施例技术方案进行详细说明。

如图3所示，为本实施例提供的一种基于机器学习的千人千面的银行智能交互系统，其包括：柜面渠道1、人行渠道2、POS渠道3、自助渠道4、柜面服务器5、清算服务器6、结算服务器7、自助渠道服务器8和机器学习服务器9。

柜面渠道1，即柜面终端，通过银行内网与柜面服务器5进行数据交互，即客户在柜面人工办理业务进行的数据交互。

人行渠道2，即他行通过人行网络与本行清算服务器6进行数据交互。

POS渠道3，即POS终端，通过互联网与结算服务器7进行数据交互。

自助渠道4，包括：智能终端41、手机银行42、网上银行43，通过互联网与自助渠道服务器8进行数据交互，详见图4。

柜面服务器5，通过银行内网与机器学习服务器进行数据交互(日志)，包括：交易时间、交易地区、卡号、账户、金额、手续费、期数、服务编号、产品编号。

清算服务器6，通过银行内网与机器学习服务器进行数据交互(日志)，包括：交易时间、交易场所、卡号、账户、金额、手续费、服务编号。

结算服务器7，通过银行内网与机器学习服务器进行数据交互(日志)，包括：交易时间、交易场所、卡号、账户、金额、服务编号。

自助渠道服务器8，通过银行内网与机器学习服务器进行数据交互(日志)，包括：交易时间、交易地区、卡号、账户、金额、手续费、期数、服务编号、产品编号。

机器学习服务器9，用于实现根据当前客户信息和预先建立的分类模型确定当前用户的特征数据，根据特征数据向银行终端的反馈交互数据。

同时，机器学习服务器9还用于利用机器学习算法和样本数据建立的分类模型，具体包括：根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

具体的，如图5所示，本实施例中，机器学习服务器9包括：数据加载模块91、数据预处理模块92、特征推导模块93、模型训练模块94，模型优化模块95。

数据加载模块91，主要处理外部数据的格式，包括：登录银行终端的当前客户信息及建立分类模型时进行模型训练的样本数据。把各种不同格式的外部数据统一成一种格式，送给数据预处理模块92处理。

数据预处理模块92对统一格式的数据经过清洗、规范化、聚合成若干类数据样本，送给特征推导模块93处理。

特征推导模块93从数据样本中对特征进行衍生、提取、选择处理后得到待训练数据样本的特征维度集合；

模型训练模块94利用特征维度集合对数据样本进行训练学习，产生的模型送入模型优化模块95。

模型优化模块95对模型经过简化、繁化处理后，形成更优的模型。

柜面服务器5、清算服务器6、结算服务器7、自助渠道服务器8，把客户的业务数据、交易数据、产品数据准实时发送到机器学习服务器9。由于该系统为非入侵式系统，即对外部送入的数据格式无要求，例如：柜面服务器5、清算服务器6、结算服务器7、自助渠道服务器8可以把已有的日志文件直接发送给机器学习服务器9。

本实施例中，如图6所示，数据预处理模块92，包括：数据清洗模块921、数据规范化模块922、数据聚合模块923。

其中，如图7所示，数据清洗模块921，包括：缺失值处理模块9211、异常值检测与处理模块9212、调配样本比例权重模块9213。

缺失值处理模块9211发现并纠正数据文件中可识别的错误并处理，包括：删除缺失值、填充缺失值，本发明实施例中，可选：随机填充法、均值填充法、最相似填充法、回归填充法、k近邻填充法。

异常值检测与处理模块9212对系统误差、人为误差或者数据本身变异引起的与平均值偏差超过三倍标准差的测定值进行检测，本发明实施例中，可选：单变量异常值检测、多变量异常值检测。

调配样本比例权重模块9213，对样本比例不平衡导致模型对样本数较多的分类造成过拟合的情况进行优化，通过调整正负样本的比例，或者增大样本数较少类别的样本的权重，让分类器更加关注数目较少的样本。

如图8所示，数据规范化模块922，包括：数据无量化处理模块9221、连续变量离散化处理模块9222、离散变量处理模块9223。

数据无量化处理模块9221对不同规格的数据转换成同一规格，本发明实施例中，可选：标准化方法、极值化方法、均值化方法、标准差化方法。

连续变量离散化处理模块9222把连续变量转化成离散变量，本发明实施例中，可选：卡方检验方法、信息增益方法。

离散变量处理模块9223将分类变量量化处理，本发明实施例中，有序分类变量和无序分类变量进行量化处理转化成离散变量和离散变量哑变量化处理。

如图9所示，数据聚合模块923，包括：数据分类执行模块9231、数据分类统计模块9232、数据分类合并模块9233。

数据分类执行模块9231，数据交互时，根据当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；根据确定的特征维度集合确定当前用户的特征数据。模型训练时，按推导的维度特征把数据分成N类，本实施例中维度特征可能包括：用户画像的特征(如：年龄、性别、职业等)、服务特征、产品特征、行为特征(如：地域、时间、交易时长、在线时长等)。

数据分类统计模块9232，对分成的N类数据统计其数据量。

数据分类合并模块9233，对数据量少于设定参数的数据分类M，计算与它相似的数据分类M’，合并数据分类M和数据分类M’形成新的数据分类M”，本实施例汇总，确定数据分类M’的过程可以类似下面的方法：

对数据分类M和数据分类K，按维度计算相似度：

similarity(M,K)＝W1*F(m1-k1)+W2*F(m2-k2)…+Wn*F(mn-kn)

其中，Wi为特征i(i＝1,2,3…n)的权重，F为反三角函数，mi为数据分类M在特征i上面的值，ki为数据分类K在特征i上面的值，找出相似度similarity(M,K)最大的数据分类即为M’。

如图10所示，特征推导模块93，包括：特征衍生模块931(可选：单一变量的基础转换、变量通过添加时间维度进行衍生、多变量的运算)、特征提取模块932(可选：线性特征提取、非线性特征提取)、特征选择模块933。、如图11所示，特征选择模块933，包括：特征过滤模块(可选：基于方差的特征过滤、相关性特征过滤、基于信息增益的特征过滤)；

wrapper模块，用于实现递归特征消除法，wrapper模块实现Wrapper方式特征选择；Wrapper，包装法，根据目标函数，通常是预测效果评分，每次选择若干特征，或者排除若干特征；

embedded模块，线性模型和正则化，本发明实施例中可选：正则化，用于实现Embedded方式特征选择，Embedded，也称嵌入法，相比前两种方法要更加复杂，它利用机器学习算法和模型进行训练，得到各个特征的权值系数，根据权值系数从大到小来选择特征。

如图12所示，模型优化模块95，包括：简化模型模块951(可选：相关矩阵、主分量分析、序列特征减少)、繁化模型模块952(可选：模型组合)，详见图12。模型根据当前T时的存量数据学习，从全量数据(日志)A里面挑出特征A’(A’是A的子集)，然后，预测出推荐的银行服务/银行产品S；根据T+1时的增量数据学习，评价用户实践进入的银行服务器/银行产品S’(S’可能是S的子集，也可能和S不相交)，通过命中率评判当前模型的得分，并自动发起调整特征A’的值.

简化模型模块951即逐一减少A’，繁化模型模块952即逐一增加A’，得到特征集A’n，根据模型算出新的推荐的银行服务/银行产品S’n，对所有S’n和用户实践进入的银行服务器/银行产品S’拟合度进行比较，找出评分最高的，从而确定最新的特征集A’n为模型的特征值。即给客户的每一笔业务都可能对模型的特征发生影响，从而影响该客户或者其他相同画像的客户的预测和推荐。

下面结合附图13、图14，对本实施例提出的一种基于机器学习的千人千面的银行智能交互系统的进行交互的步骤进行详细说明。

机器学习的流程如下，详见图13：

步骤S1101：客户所属画像调整；对预处理的数据，按推导的特征维度，通过机器学习进一步划分细化客户所属的画像，即通过客户的每笔数据完善客户所属分类(即特征集的某种组合)的数据。

本发明实施例中，客户的分类是特征集的某种组合，例如：分类1：年龄>20岁身处北京每个月10号发工资。但客户属于哪个分类是可变的，客户归属类别可以从分类1变成分类2(分类2：年龄<30岁每个月25日购买理财产品<2万)或者其他的分类，属于哪类是:机器学习的结果。这个分类或者特征集的某种组合，就是所谓的客户画像。

步骤S1102：客户画像推荐功能调整；对预处理完的数据，按推导的特征维度，通过机器学习实时调整推荐的银行服务，针对客户的每笔数据重新计算客户所属分类(即特征集的某种组合)相应银行服务的评分(例如通过计算查准率、查全率进行评分)，对银行服务的推荐重新排序，解决用了A服务后，推荐使用B服务的问题。

步骤S1103：客户画像推荐产品调整；对预处理完的数据，按推导的特征维度，通过机器学习实时调整推荐的银行产品，针对客户的每笔数据重新计算客户所属分类(即特征集的某种组合)相应银行产品的评分(例如通过计算查准率、查全率进行评分)，对银行产品的推荐重新排序，解决买了A产品后，推荐购买B产品的问题。

步骤S1104：客户画像推荐功能产品组合调整；对预处理完的数据，按推导的特征维度，通过机器学习实时调整推荐的银行服务产品组合，针对客户的每笔数据重新计算客户所属分类(即特征集的某种组合)相应银行服务产品组合的评分(例如通过计算查准率、查全率进行评分)，对银行服务产品的推荐重新排序。通过对银行服务产品在时间维度在产品维度给出一揽子使用推荐方案(如：什么时候借钱，借多少钱，什么时候购买产品，购买多少，什么时候还钱，分几期，还多少，怎样还)，以及每个组合方案的优势劣势对比，解决客户敢用银行服务、放心用银行产品的问题。

智能交互的流程如下，详见图14：

步骤S1201：客户使用银行卡登录自助渠道；客户使用银行介质登陆智能终端、手机银行、个人网银等自助渠道的终端系统，获取客户的相关数据，例如：IP地址、客户地区、客户交易时间、客户在线时长等等。

步骤S1202：客户身份识别；根据客户使用的银行介质识别客户身份，知道客户是谁。

步骤S1203：客户画像检索；根据客户身份检索相应的客户画像信息，知道客户属于哪类(即当前特征集的某种组合)。

步骤S1204：功能推荐检索；根据客户画像检索推荐的银行服务，每类客户都有预先计算好的推荐服务(推荐结果受自己曾经的数据影响，也受和自己同属一类的其他客户曾经的数据影响)，排序并选出topN服务。

步骤S1205：产品推荐检索；根据客户画像检索推荐的银行产品，每类客户都有预先计算好的推荐产品(推荐结果受自己曾经的数据影响，也受和自己同属一类的其他客户曾经的数据影响)，排序并选出topN产品。

步骤S1206：生成主页；根据推荐的银行服务/产品生成系统的交互页面，客户登陆后系统展现的首页，有固定的区域展现推荐的银行服务/银行产品(跟客户相关的)。

步骤S1207：进入服务/产品；客户选择进入的银行服务/银行产品

步骤S1208：展现服务/产品推荐的使用方案；客户进入具体的银行服务/银行产品后，展现和当前客户同属一种类型的客户是怎样使用服务或者怎样购买产品的方案(只展现最推荐的前2个方案)，并展现推荐方案的优势劣势对比，供客户参考或者直接选用。客户也可以手工输入每一步的数据，系统根据客户上一步输入的数据，自动展现下一步的推荐数据(根据机器学习服务器的返回，展现推荐数据。每类客户之所以是同一类的客户在于行为或者需求的相似性，这种相似性经过机器学习后也会作为推荐的数据展现在交易页面中辅助客户完成银行服务或者银行产品的使用)。

本实施例提供的一种基于机器学习的千人千面的银行智能交互系统。客户在网点柜面、智能设备办理业务、购买产品，在线上手机银行、网上银行等APP办理业务、购买产品，使用银行卡进行消费，客户的用户画像归类会进一步精确，银行的用户画像会进一步完善，客户下一次使用银行系统，会展现推荐的银行服务/银行产品，所展现的银行服务/银行产品也会相应调整到客户可能需要的模式。

主要有如下几方面效果与优点：

1、缩短银行服务供给路径：根据客户过往交易数据，推测客户当前的交易需求，在服务界面上优先展现推荐的服务。根据同类客户的需求，预测客户的潜在需求，直达客户的需求。

2、简化银行服务使用体验：根据客户过往交易数据，推测客户当前的交易需求，在交易中预填推荐的数据。根据同类客户的习惯，预测客户的潜在习惯，简化客户对银行系统的学习。通过自己过往的数据或者同类客户的数据，调整银行对客服务的界面，提升客户的用户体验。

3、提高银行产品转化率：根据客户过往交易数据，推测客户当前的交易需求，在产品界面上优先展现推荐的产品/相似产品，减少无关广告、无关产品的投放，抓紧需求，达到精准营销。

4、提高客户使用银行服务/产品的效益：根据同类客户过往交易数据，对高频客户、成熟客户使用银行服务、购买银行产品的方案进行评分，把评分最高的方案展现给给低频客户、新手客户，作为推荐参考，缩短新手客户和成熟客户的差距，提升银行服务客户的整体水平。

本发明实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照前述方法及装置的实施例，其内容被合并于此，重复之处不再赘述。

图15为本发明实施例的电子设备600的系统构成的示意框图。如图15所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，银行终端交互功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

获取登录银行终端的当前客户信息；

根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。

如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如上面实施例所述的银行终端交互方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的银行终端交互。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种银行终端交互方法，其特征在于，所述的方法包括：

获取登录银行终端的当前客户信息；

根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

2.如权利要求1所述的银行终端交互方法，其特征在于，所述的利用机器学习算法和样本数据建立的分类模型包括：

根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

3.如权利要求2所述的银行终端交互方法，其特征在于，所述的根据所述当前客户信息和所述的分类模型确定当前用户的特征数据；

根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

根据确定的特征维度集合确定当前用户的特征数据。

4.如权利要求3所述的银行终端交互方法，其特征在于，

所述的样本数据包括：线下银行终端的用户交易数据、线上银行终端的用户交易数据；

所述的预设的特征维度包括：用户的画像特征、服务特征、产品特征及行为特征；

所述的特征维度集合包括：用户的画像特征、服务特征、产品特征及行为特征对应的特征数据；

所述的客户信息包括：客户身份信息、IP地址、客户地区、客户交易时间及客户在线时长。

5.一种银行终端交互系统，其特征在于，所述的系统包括：银行终端、交互服务器；其中，所述的交互服务器包括：

信息获取模块，用于获取登录银行终端的当前客户信息；

特征数据确定模块，根据所述当前客户信息和预先建立的分类模型确定当前用户的特征数据；其中，所述预先建立的分类模型为利用机器学习算法和样本数据建立的分类模型；

反馈模块，用于根据所述特征数据向银行终端的反馈交互数据；其中，所述的交互数据包括：向用户推荐的产品信息和/或服务信息。

6.如权利要求5所述的银行终端交互系统，其特征在于，所述的交互服务器还包括：

特征推导模块，用于根据预设的特征维度对所述样本数据进行衍生、提取及选择处理确定训练样本特征维度集合；

模型训练模块，用于利用所述训练样本特征维度集合和机器学习算法对所述样本数据进行训练建立分类模型。

7.如权利要求6所述的银行终端交互系统，其特征在于，所述的特征数据确定模块包括：

集合确定单元，用于根据所述当前客户信息和所述分类模型确定当前客户信息对应的特征维度集合；

特征数据确定单元，用于根据确定的特征维度集合确定当前用户的特征数据。

8.如权利要求6所述的银行终端交互系统，其特征在于，

所述的样本数据包括：线下银行终端的用户交易数据、线上银行终端的用户交易数据；

所述的预设的特征维度包括：用户的画像特征、服务特征、产品特征及行为特征；

所述的特征维度集合包括：用户的画像特征、服务特征、产品特征及行为特征对应的特征数据；

所述的客户信息包括：客户身份信息、IP地址、客户地区、客户交易时间及客户在线时长。

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可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中任一项所述方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4中任一项所述方法的计算机程序。

Images