CN112070615A - 基于知识图谱的理财产品推荐方法及装置 - Google Patents

基于知识图谱的理财产品推荐方法及装置 Download PDF

Info

Publication number
CN112070615A
CN112070615A CN202010909492.1A CN202010909492A CN112070615A CN 112070615 A CN112070615 A CN 112070615A CN 202010909492 A CN202010909492 A CN 202010909492A CN 112070615 A CN112070615 A CN 112070615A
Authority
CN
China
Prior art keywords
customer
product
client
potential
information
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
CN202010909492.1A
Other languages
English (en)
Inventor
丁平
李帅
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010909492.1A priority Critical patent/CN112070615A/zh
Publication of CN112070615A publication Critical patent/CN112070615A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Investment, e.g. financial instruments, portfolio management or fund management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING; COUNTING
    • G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce, e.g. shopping or e-commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping
    • G06Q30/0631—Item recommendations

Abstract

本发明公开了一种基于知识图谱的理财产品推荐方法及装置，其中该方法包括：获取各个存量客户的客户信息；将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；向各个潜在客户推送目标理财产品的产品信息。本发明能够预测出意图购买待推荐理财产品的潜在客户，进而向其推荐相应的理财产品，大大提高了理财产品推荐的准确率。

Description

基于知识图谱的理财产品推荐方法及装置
技术领域
本发明涉及大数据分析领域，尤其涉及一种基于知识图谱的理财产品推荐方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着金融行业的不断发展，各大银行能够性客户提供的理财产品也越来越丰富，如何向客户精准推荐理财产品，是各大银行十分关注的问题。
现有各种银行理财产品系统，大都是通过采集每个客户的各种信息(例如，性别、地域、职业、消费等级、消费习惯、购买行为等)，对每个客户进行精准画像，分析客户对理财产品的兴趣、偏好、需求等，借助一些机器学习算法(例如，决策树算法等)，预测每个客户意图购买的理财产品，进而向各个客户推荐其意图购买的理财产品。这种借助机器学习算法对客户意图购买的理财产品进行预测，其预测准确率完全依赖于采集的客户信息是否全面，如果能够采集每个客户的全量信息，则预测结果相当精准。
然而，在对客户信息进行采集的过程中，往往存在大量信息无法被正常采集，甚至可能采集到一些错误的信息，会大大影响理财产品推荐结果的准确率。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供了一种基于知识图谱的理财产品推荐方法，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该方法包括：获取各个存量客户的客户信息；将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；向各个潜在客户推送目标理财产品的产品信息。
本发明实施例中还提供了一种基于知识图谱的理财产品推荐装置，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该装置包括：客户信息获取模块，用于获取各个存量客户的客户信息；理财产品预测模块，用于将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；种子客户筛选模块，用于获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；潜在客户挖掘模块，用于将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；理财产品推荐模块，用于向各个潜在客户推送目标理财产品的产品信息。
本发明实施例中还提供了一种计算机设备，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该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基于知识图谱的理财产品推荐方法。
本发明实施例中还提供了一种计算机可读存储介质，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该计算机可读存储介质存储有执行上述基于知识图谱的理财产品推荐方法的计算机程序。
本发明实施例中，在获取到各个存量客户的客户信息后，将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值，进而将概率值超过预设阈值的一个或多个存量客户，确定为种子客户，将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户，最后向各个潜在客户推送目标理财产品的产品信息，与现有技术中借助机器学习算法对客户意图购买的理财产品进行预测的技术方案相比，本发明实施例利用预先训练好的机器学习算法模型，对各个客户意图购买的理财产品进行预测后，利用预先构建的客户关系知识图谱，对意图购买理财产品的潜在客户进行深度挖掘，能够预测出意图购买待推荐理财产品的潜在客户，进而向其推荐相应的理财产品，大大提高了理财产品推荐的准确率。
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为本发明实施例中提供的一种基于知识图谱的理财产品推荐方法流程图；
图2为本发明实施例中提供的一种可选的基于知识图谱的理财产品推荐方法流程图；
图3为本发明实施例中提供的一种可选的基于知识图谱的理财产品推荐方法流程图；
图4为本发明实施例中提供的一种基于知识图谱的理财产品推荐装置示意图；
图5为本发明实施例中提供的一种可选的基于知识图谱的理财产品推荐装置示意图。
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。
本发明实施例中提供了一种基于知识图谱的理财产品推荐方法，可以应用但不限于手机银行、智能柜台、柜面前端等多种客户端的理财产品推荐。
图1为本发明实施例中提供的一种基于知识图谱的理财产品推荐方法流程图，如图1所示，该方法可以包括如下步骤：
S101，获取各个存量客户的客户信息。
需要说明的是，本发明实施例中存量客户是指银行系统内已有客户信息的客户，例如，在银行系统办理过存取款业务或购买过理财产品的客户。
S102，将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值。
在具体实施时，可以采集大量客户的客户信息及其购买的理财产品信息，采用各种机器学习算法，通过机器学习，训练出一个理财产品推荐模型，以实现对单个客户意图购买理财产品的概率进行预测。
在一个实施例中，本发明实施例中提供的基于知识图谱的理财产品推荐方法还可以包括如下步骤：对基于迭代决策树GBDT模型进行机器学习训练，得到理财产品推荐模型。
S103，获取概率值超过预设阈值的一个或多个存量客户，作为种子客户。
需要说明的是，对于某个理财产品，如果通过理财产品推荐模型预测出某个客户购买该理财产品的概率值超过预设阈值，则表明该客户对该理财产品有兴趣，很有可能购买该理财产品。将该客户作为种子客户，基于客户关系知识图谱查找出的该客户的关联客户，可能是该理财产品的潜在客户。
S104，将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户。
在具体实施时，根据各个客户意图购买目标理财产品的概率值，筛选出种子客户后，将种子客户的客户信息输入到预先构建的客户关系知识图谱中，能够查找出种子客户的关联客户，这些关联客户则为该目标理财产品的潜在购买客户。
在执行上述S104之前，本发明实施例中提供的基于知识图谱的理财产品推荐方法还可以包括如下步骤：构建客户关系知识图谱，客户关系知识图谱中的客户实体包括：产品信息、资产情况、行业职业、家庭信息、年龄、性别、教育情况；客户关系知识图谱中的关系包括：客户与产品之间的关系、客户与客户之间的交易关系。
S105，向各个潜在客户推送目标理财产品的产品信息。
在确定出意图购买目标理财产品的潜在客户后，可以至少向这些潜在客户推送目标理财产品的产品信息。
由上可知，本发明实施例中提供了一种基于知识图谱的理财产品推荐方法，在获取到各个存量客户的客户信息后，将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值，进而将概率值超过预设阈值的一个或多个存量客户，确定为种子客户，将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户，最后向各个潜在客户推送目标理财产品的产品信息。
通过本发明实施例中提供的基于知识图谱的理财产品推荐方法，利用预先训练好的机器学习算法模型，对各个客户意图购买的理财产品进行预测后，利用预先构建的客户关系知识图谱，对意图购买理财产品的潜在客户进行深度挖掘，能够预测出意图购买待推荐理财产品的潜在客户，进而向其推荐相应的理财产品，大大提高了理财产品推荐的准确率。
在挖掘出潜在客户后，为了向潜在客户推荐更丰富的理财产品，在一个实施例中，如图2所示，在执行上述S104之后，本发明实施例中提供的基于知识图谱的理财产品推荐方法还可以包括如下步骤：
S201，获取每个潜在客户关联的一个或多个理财产品的产品信息；
S202，将每个潜在客户关联的一个或多个理财产品的产品信息，推送至每个潜在客户。
在一种实施方式中，上述S201可以基于预先构建的客户关系知识图谱中查找与每个潜在客户关联的理财产品，进而将查找出的理财产品的产品信息，推送至每个潜在客户；在另一种实施方式中，上述S201可以将每个潜在客户的客户信息输入到预先训练好的机器学习模型中，得到每个潜在客户对待推荐理财产品的概率值，将概率值超过预设阈值的待推荐理财产品，确定为每个潜在客户关联的理财产品，进而通过上述S202将这些理财产品的产品信息推送至每个潜在客户。
进一步地，为了向各个潜在客户准确推荐更丰富的理财产品，在一个实施例中，如图3所示，在执行上述S201之后，本发明实施例中提供的基于知识图谱的理财产品推荐方法还可以包括如下步骤：
S301，根据各个潜在客户的客户信息构建潜在客户集合；
S302，根据各个潜在客户关联的一个或多个理财产品的产品信息，构建待推荐理财产品集合；
S303，根据潜在客户集合和待推荐理财产品集合，计算每个潜在客户意图购买待推荐理财产品集合中各个待推荐理财产品的概率值；
S304，将概率值超过预设阈值的待推荐理财产品的产品信息，推送至每个潜在客户。
作为一种可选的实施方式，本发明实施例中提供的基于知识图谱的理财产品推荐方法，在具体实施时，可以包括如下步骤：
①构建客户关系知识图谱。客户关系知识图谱中的客户实体可以包括但不限于：产品信息、资产情况、行业职业、家庭信息、年龄、性别、教育情况等，客户关系知识图谱中的关系包括产品客户关系、客户客户交易关系等。
②利用机器学习模型，对意图购买理财产品的客户进行预测。在具体实施时，可数据提取、数据预分析、抽取数据特征、特征处理、组织样本，然后对GBDT模型进行机器学习，训练得到一个理财产品预测模型，将单个客户的客户信息输入到训练好的理财产品预测模型中，预测出单个客户意图购买目标理财产品(某个待推荐的理财产品)的概率值。
③以预测概率值较高(例如，预测概率值大于预设阈值)的客户实体作为种子客户，基于预先构建的客户关系知识图谱分析种子客户关联的其他客户(即潜在客户)。
假设种子客户实体标记为Ai。与种子客户存在交易关系的实体客户集合为Set(Ai)＝{R1,R2,……,Rn}。对于Set(Ai)集合中的客户，存在部分客户由于信息的缺失导致无法预测客户意图购买的理财产品P。对于客户集合Set(Ai)中的各个客户，进行如下理财产品预测：
第一种情况：对于资产信息、行业信息等缺失的客户，该客户Rj的理财产品预测与客户Ai的理财产品相同。
第二种情况：对于客户信息相对完整，获取客户Ai的待推荐产品集合(即待推荐理财产品列表)和预测概率集合P_PROB(Ai)＝{(P(Ai)j,PROB(Ai)j)}；
其中，j＝1,2…m；P(Ai)j表示客户Ai的待推荐理财产品j，PROB(Ai)j表示客户Ai意图购买待推荐理财产品j的概率。
获取Set(Ai)中客户Rk的待推荐产品集合和预测概率集合
P_PROB(Rk)＝{(P(Rk)j,PROB(Rk)j)}；
确定客户Rk的待推荐产品集合：
P_PROB(Rk)＝Max(P_PROB(Ai),P_PROB(Rk))
＝Max({(P(Ai)j,PROB(Ai)j)},{(P(Rk)j,PROB(Rk)j)})
＝{P(m),Max(PROB(Ai)m,PROB(Rk)m)},m＝1,2,3…h。
④确定待推荐客户名单。在确定待推荐客户及其意图购买的待推荐理财产品后，可通过手机银行等客户端向指定客户推荐其意图购买的理财产品。
本发明实施例中，利用预先构建的客户关系图谱，充分挖掘客户和客户之间的相关性；利用预先训练好的机器学习算法模型预测单个客户意图购买目标理财产品的概率值，进而结合客户之间的关系，深度挖掘潜在客户意图购买理财产品的概率值，以便根据潜在客户意图购买理财产品的概率值，确定向潜在客户推荐的理财产品。
本发明实施例中还提供了一种基于知识图谱的理财产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与上述基于知识图谱的理财产品推荐方法相似，因此该装置的实施可以参见上述基于知识图谱的理财产品推荐方法的实施，重复之处不再赘述。
图4为本发明实施例中提供的一种基于知识图谱的理财产品推荐装置示意图，如图4所示，该装置包括：客户信息获取模块401、理财产品预测模块402、种子客户筛选模块403、潜在客户挖掘模块404和理财产品推荐模块405。
其中，客户信息获取模块401，用于获取各个存量客户的客户信息；理财产品预测模块402，用于将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；种子客户筛选模块403，用于获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；潜在客户挖掘模块404，用于将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；理财产品推荐模块405，用于向各个潜在客户推送目标理财产品的产品信息。
由上可知，本发明实施例中提供了一种基于知识图谱的理财产品推荐装置，通过客户信息获取模块401获取各个存量客户的客户信息；通过理财产品预测模块402将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；通过种子客户筛选模块403将概率值超过预设阈值的一个或多个存量客户，确定为种子客户；通过潜在客户挖掘模块404将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；通过理财产品推荐模块405向各个潜在客户推送目标理财产品的产品信息。
通过本发明实施例中提供的基于知识图谱的理财产品推荐装置，利用预先训练好的机器学习算法模型，对各个客户意图购买的理财产品进行预测后，利用预先构建的客户关系知识图谱，对意图购买理财产品的潜在客户进行深度挖掘，能够预测出意图购买待推荐理财产品的潜在客户，进而向其推荐相应的理财产品，大大提高了理财产品推荐的准确率。
在一个实施例中，如图5所示，本发明实施例中提供的基于知识图谱的理财产品推荐装置还可以包括：理财产品信息获取模块406，用于获取每个潜在客户关联的一个或多个理财产品的产品信息；其中，理财产品推荐模块405还用于将每个潜在客户关联的一个或多个理财产品的产品信息，推送至每个潜在客户。
在一个实施例中，如图5所示，本发明实施例中提供的基于知识图谱的理财产品推荐装置还可以包括：潜在客户集合构建模块407，用于根据各个潜在客户的客户信息构建潜在客户集合；待推荐产品列表构建模块408，用于根据各个潜在客户关联的一个或多个理财产品的产品信息，构建待推荐理财产品集合；客户产品关联概率确定模块409，用于根据潜在客户集合和待推荐理财产品集合，计算每个潜在客户意图购买待推荐理财产品集合中各个待推荐理财产品的概率值；其中，理财产品推荐模块405还用于将概率值超过预设阈值的待推荐理财产品的产品信息，推送至每个潜在客户。
在一个实施例中，如图5所示，本发明实施例中提供的基于知识图谱的理财产品推荐装置还可以包括：知识图谱构建模块410，用于构建客户关系知识图谱，客户关系知识图谱中的客户实体包括：产品信息、资产情况、行业职业、家庭信息、年龄、性别、教育情况；客户关系知识图谱中的关系包括：客户与产品之间的关系、客户与客户之间的交易关系。
在一个实施例中，如图5所示，本发明实施例中提供的基于知识图谱的理财产品推荐装置还可以包括：机器学习模块411，用于对基于迭代决策树GBDT模型进行机器学习训练，得到理财产品推荐模型。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该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基于知识图谱的理财产品推荐方法。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有各种银行理财产品系统，借助机器学习算法对客户意图购买的理财产品进行预测，由于采集的客户信息不全面，导致预测结果不准确的技术问题，该计算机可读存储介质存储有执行上述基于知识图谱的理财产品推荐方法的计算机程序。
综上所述，本发明实施例中提供了一种基于知识图谱的理财产品推荐方法、装置、计算机设备及计算机可读存储介质，与现有技术中借助机器学习算法对客户意图购买的理财产品进行预测的技术方案相比，本发明实施例利用预先训练好的机器学习算法模型，对各个客户意图购买的理财产品进行预测后，利用预先构建的客户关系知识图谱，对意图购买理财产品的潜在客户进行深度挖掘，能够预测出意图购买待推荐理财产品的潜在客户，进而向其推荐相应的理财产品，大大提高了理财产品推荐的准确率。
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 (12)

1.一种基于知识图谱的理财产品推荐方法，其特征在于，包括：
获取各个存量客户的客户信息；
将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；
获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；
将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；
向各个潜在客户推送所述目标理财产品的产品信息。
2.如权利要求1所述的方法，其特征在于，在将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户之后，所述方法还包括：
获取每个潜在客户关联的一个或多个理财产品的产品信息；
将每个潜在客户关联的一个或多个理财产品的产品信息，推送至每个潜在客户。
3.如权利要求2所述的方法，其特征在于，在获取每个潜在客户关联的一个或多个理财产品的产品信息之后，所述方法还包括：
根据各个潜在客户的客户信息构建潜在客户集合；
根据各个潜在客户关联的一个或多个理财产品的产品信息，构建待推荐理财产品集合；
根据所述潜在客户集合和待推荐理财产品集合，计算每个潜在客户意图购买所述待推荐理财产品集合中各个待推荐理财产品的概率值；
将概率值超过预设阈值的待推荐理财产品的产品信息，推送至每个潜在客户。
4.如权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
构建客户关系知识图谱，所述客户关系知识图谱中的客户实体包括：产品信息、资产情况、行业职业、家庭信息、年龄、性别、教育情况；所述客户关系知识图谱中的关系包括：客户与产品之间的关系、客户与客户之间的交易关系。
5.如权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
对基于迭代决策树GBDT模型进行机器学习训练，得到所述理财产品推荐模型。
6.一种基于知识图谱的理财产品推荐装置，其特征在于，包括：
客户信息获取模块，用于获取各个存量客户的客户信息；
理财产品预测模块，用于将每个存量客户的客户信息，输入到预先通过机器学习训练好的理财产品推荐模型中，输出每个存量客户意图购买目标理财产品的概率值；
种子客户筛选模块，用于获取概率值超过预设阈值的一个或多个存量客户，作为种子客户；
潜在客户挖掘模块，用于将种子客户的客户信息输入到预先构建的客户关系知识图谱中，输出种子客户关联的一个或多个潜在客户；
理财产品推荐模块，用于向各个潜在客户推送所述目标理财产品的产品信息。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：理财产品信息获取模块，用于获取每个潜在客户关联的一个或多个理财产品的产品信息；
其中，所述理财产品推荐模块还用于将每个潜在客户关联的一个或多个理财产品的产品信息，推送至每个潜在客户。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
潜在客户集合构建模块，用于根据各个潜在客户的客户信息构建潜在客户集合；
待推荐产品列表构建模块，用于根据各个潜在客户关联的一个或多个理财产品的产品信息，构建待推荐理财产品集合；
客户产品关联概率确定模块，用于根据所述潜在客户集合和待推荐理财产品集合，计算每个潜在客户意图购买所述待推荐理财产品集合中各个待推荐理财产品的概率值；
其中，所述理财产品推荐模块还用于将概率值超过预设阈值的待推荐理财产品的产品信息，推送至每个潜在客户。
9.如权利要求6至8任一项所述的装置，其特征在于，所述装置还包括：
知识图谱构建模块，用于构建客户关系知识图谱，所述客户关系知识图谱中的客户实体包括：产品信息、资产情况、行业职业、家庭信息、年龄、性别、教育情况；所述客户关系知识图谱中的关系包括：客户与产品之间的关系、客户与客户之间的交易关系。
10.如权利要求6至8任一项所述的装置，其特征在于，所述装置还包括：
机器学习模块，用于对基于迭代决策树GBDT模型进行机器学习训练，得到所述理财产品推荐模型。
11.一种计算机设备，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5任一所述基于知识图谱的理财产品推荐方法。
12.一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5任一项所述基于知识图谱的理财产品推荐方法的计算机程序。
CN202010909492.1A 2020-09-02 2020-09-02 基于知识图谱的理财产品推荐方法及装置 Pending CN112070615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010909492.1A CN112070615A (zh) 2020-09-02 2020-09-02 基于知识图谱的理财产品推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010909492.1A CN112070615A (zh) 2020-09-02 2020-09-02 基于知识图谱的理财产品推荐方法及装置

Publications (1)

Publication Number Publication Date
CN112070615A true CN112070615A (zh) 2020-12-11

Family

ID=73665314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010909492.1A Pending CN112070615A (zh) 2020-09-02 2020-09-02 基于知识图谱的理财产品推荐方法及装置

Country Status (1)

Country Link
CN (1) CN112070615A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763183A (zh) * 2021-08-01 2021-12-07 北京开科唯识技术股份有限公司 一种信息处理方法、系统及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763183A (zh) * 2021-08-01 2021-12-07 北京开科唯识技术股份有限公司 一种信息处理方法、系统及电子设备

Similar Documents

Publication Publication Date Title
US20180253657A1 (en) Real-time credit risk management system
Efstratiadis et al. One decade of multi-objective calibration approaches in hydrological modelling: a review
CN110659744B (zh) 训练事件预测模型、评估操作事件的方法及装置
US8990145B2 (en) Probabilistic data mining model comparison
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
US20090177612A1 (en) Method and Apparatus for Analyzing Data to Provide Decision Making Information
US20190251458A1 (en) System and method for particle swarm optimization and quantile regression based rule mining for regression techniques
US10248974B2 (en) Assessing probability of winning an in-flight deal for different price points
US10902446B2 (en) Top-down pricing of a complex service deal
CN110738564A (zh) 贷后风险评估方法及装置、存储介质
CN110400022B (zh) 自助柜员机现金用量预测方法及装置
Egwim et al. Applied artificial intelligence for predicting construction projects delay
CN110738527A (zh) 一种特征重要性排序方法、装置、设备和存储介质
Gelper et al. Multivariate out-of-sample tests for Granger causality
US9324026B2 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
CN110689368A (zh) 一种移动应用内广告点击率预测系统设计方法
Schetgen et al. Predicting donation behavior: Acquisition modeling in the nonprofit sector using Facebook data
US20110231336A1 (en) Forecasting product/service realization profiles
CN112070615A (zh) 基于知识图谱的理财产品推荐方法及装置
Hanslo et al. Machine learning models to predict agile methodology adoption
Benin et al. Estimating household income to monitor and evaluate public investment programs in Sub-Saharan Africa
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN111951050A (zh) 理财产品推荐方法及装置
Burger et al. Deriving Correlation Matrices for Missing Financial Time-Series Data
Kuznietsova Analytical Technologies for Clients' Preferences Analyzing with Incomplete Data Recovering.

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