CN111967972B - 理财产品推荐方法及装置 - Google Patents
理财产品推荐方法及装置 Download PDFInfo
- Publication number
- CN111967972B CN111967972B CN202010833706.1A CN202010833706A CN111967972B CN 111967972 B CN111967972 B CN 111967972B CN 202010833706 A CN202010833706 A CN 202010833706A CN 111967972 B CN111967972 B CN 111967972B
- Authority
- CN
- China
- Prior art keywords
- financial product
- customer
- graph
- financial
- clients
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 239000000203 mixture Substances 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Technology Law (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种理财产品推荐方法及装置,该方法包括:基于客户的社交关系,构建社交网络图;基于理财产品的属性信息,构建理财产品知识图谱;基于客户购买理财产品的历史交易信息,构建二部图;根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;基于每个客户对于每个理财产品的评分,向客户推荐理财产品。本发明可以向客户精准地推荐理财产品。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种理财产品推荐方法及装置。
背景技术
目前客户购买银行的理财产品,大多是参考现有的收益率、起购金额、时间期限等因素,银行客户经理给客户推荐理财产品大多是基于客户的资产金额以及历史购买记录来进行。一方面没有充分挖掘客户之间的关联关系,另一方面购买了某种理财产品的客户也无法得到相近客户的购买信息。这导致理财推荐不能准确把握客户对不同理财产品的购买意愿,无法实现精准推荐。而随着数据的积累以及技术不断创新,在获客、活客方面越来越需要深入挖掘客户与客户之间、产品与产品之间、客户与产品之间的关联关系,从而给客户推荐出更精准的理财产品。
以往的推荐方法大多基于传统的机器学习建模,特征往往依赖于手工设计,灵活性差,不能提取多维度的空间特征,不能够充分挖掘客户与产品之间的关联关系。推荐结果很大程度依赖于人为预设的参数和手工定义的特征,不能做到精准推荐。
发明内容
本发明实施例提出一种理财产品推荐方法,用以向客户精准地推荐理财产品,该方法包括:
基于客户的社交关系,构建社交网络图;
基于理财产品的属性信息,构建理财产品知识图谱;
基于客户购买理财产品的历史交易信息,构建二部图;
根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
基于每个客户对于每个理财产品的评分,向客户推荐理财产品。
本发明实施例提出一种理财产品推荐装置,用以向客户精准地推荐理财产品,该装置包括:
社交网络图构建模块,用于基于客户的社交关系,构建社交网络图;
理财产品知识图谱构建模块,用于基于理财产品的属性信息,构建理财产品知识图谱;
二部图构建模块,用于基于客户购买理财产品的历史交易信息,构建二部图;
异构图构建模块,用于根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
预测模块,用于基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
推荐模块,用于基于每个客户对于每个理财产品的评分,向客户推荐理财产品。
本发明实施例还提出了一种计算机设备,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,所述处理器执行所述计算机程序时实现上述理财产品推荐方法。
本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述理财产品推荐方法的计算机程序。
在本发明实施例中,基于客户的社交关系,构建社交网络图;基于理财产品的属性信息,构建理财产品知识图谱;基于客户购买理财产品的历史交易信息,构建二部图;根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;基于每个客户对于每个理财产品的评分,向客户推荐理财产品。在上述实施例中,构建了社交网络图、产品知识图谱、二部图,最后建立了客户与理财产品异构图,该客户与理财产品异构图包括了客户与理财产品的多种关系,基于图神经网络模型对客户与理财产品异构图进行预测,即可获得准确地客户与理财产品之间的关系,即每个客户对于每个理财产品的评分,从而向客户精准推荐理财产品。
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。在附图中:
图1为本发明实施例中理财产品推荐方法的流程图;
图2为本发明实施例中一个社交网络图的示意图;
图3为本发明实施例中一个理财产品知识图谱的示意图;
图4为本发明实施例中一个二部图的示意图;
图5为本发明实施例中一个异构图的示意图;
图6为本发明实施例中采用图神经网络模型进行预测的原理图;
图7为本发明实施例中理财产品推荐装置的示意图;
图8为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
发明人发现,现有的理财产品推荐存在以下缺点:
a)客户可能由于理财知识有限,无法选择到最适合自身、收益最大化的理财产品;
b)客户无法获取到关系人购买了什么类型的理财产品;
c)客户不能准确把握现有条件下还可以购买什么理财产品;
d)产品经理只能根据自己的理财经验为客户进行推荐,不能准确把握客户的购买意愿;
e)产品经理只能给现有的客群进行推荐,无法找到客户相关联的衍生客户。
由于存在以上缺点,现在的银行理财产品推荐营销方式会遗漏很多重要信息,且只能根据经验知识来进行推荐,无法挖掘客户之间关联关系,不能准确把握客户购买意愿。针对上述缺点,本发明实施例通过构建客户与理财产品异构图构建并预测,从而为客户精准推荐相应的理财产品。
图1为本发明实施例中理财产品推荐方法的流程图,如图1所示,该方法包括:
步骤101,基于客户的社交关系,构建社交网络图;
步骤102,基于理财产品的属性信息,构建理财产品知识图谱;
步骤103,基于客户购买理财产品的历史交易信息,构建二部图;
步骤104,根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
步骤105,基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
步骤106,基于每个客户对于每个理财产品的评分,向客户推荐理财产品。
在本发明实施例提出的方法中,构建了社交网络图、产品知识图谱、二部图,最后建立了客户与理财产品异构图,该客户与理财产品异构图包括了客户与理财产品的多种关系,通过对客户与理财产品异构图进行预测,即可获得准确地客户与理财产品之间的关系,即每个客户对于每个理财产品的评分,从而向客户精准推荐理财产品。
在一实施例中,所述方法还包括:
根据客户的历史交易行为,识别客户的社交关系。
在上述实施例中,根据客户的历史交易行为挖掘识别客户的社交关系,比如客户和客户之间的转账关系,客户之间的这种历史交易行为使得两个客户在购买理财产品上有相似性。图2为本发明实施例中一个社交网络图的示意图,圆形代表客户,边代表客户之间的关系,例如合作伙伴、朋友等。
在步骤102中,基于理财产品的属性信息,比如是活期、定期、风险等级(中低、中、中高等)、是否净值型等属性信息,来构建理财产品知识图谱,直接将理财产品作为节点体现在知识图谱中,图3为本发明实施例中一个理财产品知识图谱的示意图,方形代表理财产品,理财产品之间的边代表理财产品之间的关系。
在步骤103中,基于客户购买理财产品的历史交易信息,构建二部图,二部图的定义为:设G=(V,E)是一个无向图,如果顶点V可分割为两个互不相交的子集(A,B),并且图中的每条边(i,j)所关联的两个顶点i和j分别属于这两个不同的顶点集(i in A,j in B),则称图G为一个二部图。图4为本发明实施例中一个二部图的示意图,圆形代表客户,方形代表理财产品,边代表客户购买过理财产品。
在步骤104中,根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图,其中,图5为本发明实施例中一个异构图的示意图,圆形代表客户,方形代表理财产品,边代表两个对象之间存在关系。
在一实施例中,每个客户对于每个理财产品的评分采用客户与理财产品异构图中每个客户与每个理财产品之间存在边的概率来表示;
基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分,包括:
将客户与理财产品异构图输入至图神经网络模型中,预测客户与理财产品异构图中客户与理财产品之间存在边的概率;
基于每个客户对于每个理财产品的评分,向客户推荐理财产品,包括:
确定每个客户对应的存在边的概率最高的理财产品为向每个客户推荐的理财产品。
在上述实施例中,采用的是图神经网络模型进行预测图神经网络(GNN)模型定义为:在计算机科学中,图是由两个部件组成的一种数据结构:顶点(vertices)和边(edges)。一个图G可以用它包含的顶点V和边E的集合来描述。图神经网络模型是一种直接在图结构上运行的神经网络形成的模型。图神经网络是在图域上运行的基于深度学习的方法。图6为本发明实施例中采用图神经网络模型进行预测的原理图,进行边预测,即预测哪些客户和哪些理财产品之间存在边,以及存在边的概率,进而给客户推荐评分最高的产品,并挖掘潜在客户,如图6中五角星所示为预测的边。具体实施时,例如可以使用GCN作为编码器,然后使用解码器对边信息进行重构,由此完成边预测的任务。图6中ReLU为线性整流函数(Rectified Linear Unit),又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function),通常指代以斜坡函数及其变种为代表的非线性函数。
从图6可以看出,图神经网络模型对于图数据的学习方式是一种端到端的学习,一端是图数据,另一端是结果。具体模型实现大致分为两步,第一步:将节点属性信息进行仿射变换,学习属性特征之间的交互模式;第二步:将节点所满足的关系与结构的性质映射到一个新的向量空间中,从空域来看是迭代地聚合邻居节点的过程,从而更新当前节点的特征。在图神经网络模型中,通过堆叠图层卷积,节点属性信息的编码学习和结构信息的编码学习被不断交替进行,从而完成对图数据中更加复杂的模式学习。
在一实施例中,图神经网络模型为图卷积网络模型(Graph ConvolutionalNetworks)、图注意力网络模型(Graph Attention Networks)、图自编码器模型(GraphAuto-encoder)、图生成网络模型(Graph Generative Networks)或图时空网络模型(GraphSpatial-Temporal Networks)。
当然,可以理解的是,还可以有其他算法实现的图神经网络模型,相关变化例均应落入本发明的保护范围。
本发明采用基于图神经网络模块,将学习过程直接架构于图数据之上,具体优势体现在:
1、可以充分学习节点的属性和图的结构信息(即节点之间的关系信息);
2、传统基于手工特征的方法,人工干预明显,打标工作量大,人为设定权重存在很大误差,本申请方法可以避免上述误差;
3、图神经网络模型可以学习到更高阶的交互信息,从而得出更为精确的预测结果;
4、传统机器学习算法(比如树模型、随机森林等)是通过构建特征工程来建模的,它没有能力从数据中去获得有用的知识,而是通过将人的经验转化为机器学习算法识别的特征。图神经网络建模可以自动学习判别有用的特征,直接输出预测的结果,降低对特征工程的依赖。
综上所述,在本发明实施例提出的方法中,基于客户的社交关系,构建社交网络图;基于理财产品的属性信息,构建理财产品知识图谱;基于客户购买理财产品的历史交易信息,构建二部图;根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;基于每个客户对于每个理财产品的评分,向客户推荐理财产品。在上述实施例中,构建了社交网络图、产品知识图谱、二部图,最后建立了客户与理财产品异构图,该客户与理财产品异构图包括了客户与理财产品的多种关系,通过对客户与理财产品异构图进行预测,即可获得准确地客户与理财产品之间的关系,即每个客户对于每个理财产品的评分,从而向客户精准推荐理财产品。
本发明实施例还提出一种理财产品推荐装置,其原理与理财产品推荐方法类似,这里不再赘述。
图7为本发明实施例中理财产品推荐装置的示意图,如图7所示,该装置包括:
社交网络图构建模块701,用于基于客户的社交关系,构建社交网络图;
理财产品知识图谱构建模块702,用于基于理财产品的属性信息,构建理财产品知识图谱;
二部图构建模块703,用于基于客户购买理财产品的历史交易信息,构建二部图;
异构图构建模块704,用于根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
预测模块705,用于基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
推荐模块706,用于基于每个客户对于每个理财产品的评分,向客户推荐理财产品。
在一实施例中,所述装置还包括社交关系识别模块707,用于:
根据客户的历史交易行为,识别客户的社交关系。
在一实施例中,每个客户对于每个理财产品的评分采用客户与理财产品异构图中每个客户与每个理财产品之间存在边的概率来表示;
预测模块705具体用于:
将客户与理财产品异构图输入至图神经网络模型中,预测客户与理财产品异构图中客户与理财产品之间存在边的概率;
推荐模块706具体用于:
确定每个客户对应的存在边的概率最高的理财产品为向每个客户推荐的理财产品。
综上所述,在本发明实施例提出的装置中,基于客户的社交关系,构建社交网络图;基于理财产品的属性信息,构建理财产品知识图谱;基于客户购买理财产品的历史交易信息,构建二部图;根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;基于每个客户对于每个理财产品的评分,向客户推荐理财产品。在上述实施例中,构建了社交网络图、产品知识图谱、二部图,最后建立了客户与理财产品异构图,该客户与理财产品异构图包括了客户与理财产品的多种关系,通过对客户与理财产品异构图进行预测,即可获得准确地客户与理财产品之间的关系,即每个客户对于每个理财产品的评分,从而向客户精准推荐理财产品。
本申请的实施例还提供一种计算机设备,图8为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的理财产品推荐方法中全部步骤,所述计算机设备具体包括如下内容:
处理器(processor)801、存储器(memory)802、通信接口(CommunicationsInterface)803和通信总线804;
其中,所述处理器801、存储器802、通信接口803通过所述通信总线804完成相互间的通信;所述通信接口803用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输;
所述处理器801用于调用所述存储器802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理财产品推荐方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质,能够实现上述实施例中的理财产品推荐方法中全部步骤,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理财产品推荐方法的全部步骤。
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。
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。
Claims (8)
1.一种理财产品推荐方法,其特征在于,包括:
基于客户的社交关系,构建社交网络图;
基于理财产品的属性信息,构建理财产品知识图谱;
基于客户购买理财产品的历史交易信息,构建二部图;
根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
基于每个客户对于每个理财产品的评分,向客户推荐理财产品;
每个客户对于每个理财产品的评分采用客户与理财产品异构图中每个客户与每个理财产品之间存在边的概率来表示;
基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分,包括:将客户与理财产品异构图输入至图神经网络模型中,预测客户与理财产品异构图中客户与理财产品之间存在边的概率;
基于每个客户对于每个理财产品的评分,向客户推荐理财产品,包括:确定每个客户对应的存在边的概率最高的理财产品为向每个客户推荐的理财产品。
2.如权利要求1所述的理财产品推荐方法,其特征在于,还包括:
根据客户的历史交易行为,识别客户的社交关系。
3.如权利要求1所述的理财产品推荐方法,其特征在于,图神经网络模型为图卷积网络模型、图注意力网络模型、图自编码器模型、图生成网络模型或图时空网络模型。
4.一种理财产品推荐装置,其特征在于,包括:
社交网络图构建模块,用于基于客户的社交关系,构建社交网络图;
理财产品知识图谱构建模块,用于基于理财产品的属性信息,构建理财产品知识图谱;
二部图构建模块,用于基于客户购买理财产品的历史交易信息,构建二部图;
异构图构建模块,用于根据社交网络图、产品知识图谱、二部图,构建客户与理财产品异构图;
预测模块,用于基于图神经网络模型预测客户与理财产品异构图中每个客户对于每个理财产品的评分;
推荐模块,用于基于每个客户对于每个理财产品的评分,向客户推荐理财产品;
每个客户对于每个理财产品的评分采用客户与理财产品异构图中每个客户与每个理财产品之间存在边的概率来表示;
预测模块具体用于:将客户与理财产品异构图输入至图神经网络模型中,预测客户与理财产品异构图中客户与理财产品之间存在边的概率;
推荐模块具体用于:确定每个客户对应的存在边的概率最高的理财产品为向每个客户推荐的理财产品。
5.如权利要求4所述的理财产品推荐装置,其特征在于,还包括社交关系识别模块,用于:
根据客户的历史交易行为,识别客户的社交关系。
6.如权利要求4所述的理财产品推荐装置,其特征在于,图神经网络模型为图卷积网络模型、图注意力网络模型、图自编码器模型、图生成网络模型或图时空网络模型。
7.一种计算机设备,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3任一项所述方法。
8.一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3任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833706.1A CN111967972B (zh) | 2020-08-18 | 2020-08-18 | 理财产品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833706.1A CN111967972B (zh) | 2020-08-18 | 2020-08-18 | 理财产品推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967972A CN111967972A (zh) | 2020-11-20 |
CN111967972B true CN111967972B (zh) | 2024-02-27 |
Family
ID=73389608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833706.1A Active CN111967972B (zh) | 2020-08-18 | 2020-08-18 | 理财产品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967972B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801803B (zh) * | 2021-02-07 | 2024-02-02 | 中国工商银行股份有限公司 | 一种理财产品推荐方法和装置 |
CN112907379B (zh) * | 2021-03-15 | 2024-02-02 | 中国工商银行股份有限公司 | 理财产品推荐方法和装置 |
CN113159893B (zh) * | 2021-04-26 | 2023-08-29 | 平安科技(深圳)有限公司 | 基于门控图神经网络的消息推送方法、装置及计算机设备 |
CN113409121B (zh) * | 2021-06-29 | 2022-02-15 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
CN113469819A (zh) * | 2021-07-15 | 2021-10-01 | 中国银行股份有限公司 | 基金产品的推荐方法、相关装置及计算机存储介质 |
CN116450938A (zh) * | 2023-04-07 | 2023-07-18 | 北京欧拉认知智能科技有限公司 | 一种基于图谱的工单推荐实现方法及系统 |
CN116453141B (zh) * | 2023-06-13 | 2023-10-13 | 平安银行股份有限公司 | 票据潜客的识别方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
CN110515986A (zh) * | 2019-08-27 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种社交网络图的处理方法、装置及存储介质 |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
-
2020
- 2020-08-18 CN CN202010833706.1A patent/CN111967972B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
CN110515986A (zh) * | 2019-08-27 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种社交网络图的处理方法、装置及存储介质 |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
Non-Patent Citations (2)
Title |
---|
"Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation";Xin X 等;《Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval》;全文 * |
"基于隐式朋友的社会化推荐研究";余俊良;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967972A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967972B (zh) | 理财产品推荐方法及装置 | |
Cheng et al. | A non-linear case-based reasoning approach for retrieval of similar cases and selection of target credits in LEED projects | |
CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
Feng et al. | An adjustable approach to fuzzy soft set based decision making | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN109903117A (zh) | 一种用于商品推荐的知识图谱处理方法及装置 | |
Kebriaei et al. | Model-based and learning-based decision making in incomplete information cournot games: a state estimation approach | |
CN110033097B (zh) | 基于多个数据域确定用户与物品的关联关系的方法及装置 | |
CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
CN112364976A (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN116091152A (zh) | 基于多层次对比学习与多模态知识图谱的推荐方法及系统 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
CN111861750A (zh) | 一种基于决策树方法的特征衍生系统及可读存储介质 | |
CN115982463A (zh) | 资源推荐方法、装置、设备及存储介质 | |
KR101522306B1 (ko) | 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법 | |
CN112784123A (zh) | 一种图网络冷启动推荐方法 | |
CN116680469A (zh) | 一种基于动态图神经网络的序列推荐算法 | |
CN115618098B (zh) | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN116362836A (zh) | 基于用户行为序列的农产品推荐算法 | |
CN113052712B (zh) | 社交数据的分析方法、系统及存储介质 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
CN110990426B (zh) | 一种基于树搜索的rdf查询方法 |
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 |