CN112132679A - 产品推荐方法及装置 - Google Patents
产品推荐方法及装置 Download PDFInfo
- Publication number
- CN112132679A CN112132679A CN202011064661.2A CN202011064661A CN112132679A CN 112132679 A CN112132679 A CN 112132679A CN 202011064661 A CN202011064661 A CN 202011064661A CN 112132679 A CN112132679 A CN 112132679A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- data
- income
- sample data
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates 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
- 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
Abstract
本发明公开了一种产品推荐方法及装置,其中该方法包括:获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;根据用户风险评估结果,为所述用户推荐产品。本发明可以高效、精确和安全地为用户推荐产品。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及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。
当前金融行业的理财产品,在用户购买前大多会提供问答式的问卷调查,其中包含有数十道选择题,系统通过用户的选项来判断用户的风险偏好,得出高中低等风险判断,进而推荐或者限制用户投资不同风险层级的产品。这样的风险评估模型在以前数年的时间里确实取得了一定的效果,但是在人工智能和大数据技术日益发展的今天,渐渐地不能跟上新时期的风险评估需求,无法高效、精确和安全地为用户推荐产品。
发明内容
本发明实施例提供一种产品推荐方法,用以高效、精确和安全地为用户推荐产品,该方法包括:
获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
根据用户风险评估结果,为所述用户推荐产品。
本发明实施例还提供一种产品推荐装置,用以高效、精确和安全地为用户推荐产品,该装置包括:
获取单元,用于获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
评估单元,用于将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
推荐单元,用于根据用户风险评估结果,为所述用户推荐产品。
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产品推荐方法。
本发明实施例还提供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产品推荐方法的计算机程序。
本发明实施例中,产品推荐方案,与现有技术中大多通过提供问答式的问卷调查,进行产品推荐,无法高效、精确和安全地为用户推荐产品的技术方案相比,通过:获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;根据用户风险评估结果,为所述用户推荐产品,实现了高效、精确和安全地为用户推荐产品。
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为本发明实施例中产品推荐方法的流程示意图;
图2为本发明实施例中产品推荐的原理示意图一;
图3为本发明实施例中产品推荐的原理示意图二;
图4为本发明实施例中预先建立用户风险评估模型方法的流程示意图;
图5为本发明实施例中产品推荐装置的结构示意图。
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。
以往在银行等金融行业运用的人工智能分析系统,通常是以单模型为主。然而在近年金融领域的人工智能实践中,模型融合在AUC和准确率上对比单模型都有优势,甚至在部分场景下会带来极大效果提升。虽然会牺牲一些耗时,但是在数据精度敏感性非常高的金融投资行业,提升准确率的价值是要超于模型耗时的。因此,本发明将模型融合技术纳入到设计思路里面。
部分常用模型融合方法如下:
1)Voting:对于分类问题,采用多个基础模型,采用投票策略选择投票最多的为最终的分类。
2)averaging:对于回归问题,一方面采用简单平均法,另一方面采用加权平均法,加权平均法的思路:权值可以用排序的方法确定或者根据均方误差确定。
3)blending:交叉融合的思路是利用不同的训练集,在推荐结果中穿插不同推荐模型的结果,以确保结果的多样性。这种融合方式适用于同时能够展示较多条结果的推荐场景,并且往往用于算法间区别较大。
4)boosting:Boosting思想,即将若干个弱分类器,组合成一个强分类器的方法。Boosting的核心思想是每轮训练后对预测错误的样本赋以较大的权重,加入后续训练集合,也就是让学习算法在后续的训练集中对较难的判例进行强化学习,从而得到一个带权重的预测函数序列h,预测效果好的预测函数权重较大,反之较小。
5)stacking:stacking的核心:在训练集上进行预测,从而构建更高层的学习器。
stacking训练过程:
①拆解训练集。将训练数据随机且大致均匀的拆为m份。
②在拆解后的训练集上训练模型,同时在测试集上预测。利用m-1份训练数据进行训练,预测剩余一份;在此过程进行的同时,利用相同的m-1份数据训练,在真正的测试集上预测;如此重复m次,将训练集上m次结果叠加为1列,将测试集上m次结果取均值融合为1列。
③使用k个分类器重复2过程。将分别得到k列训练集的预测结果,k列测试集预测结果。
④训练3过程得到的数据。将k列训练集预测结果和训练集真实label进行训练,将k列测试集预测结果作为测试集。
与本发明最相似的方案是目前比较流行的智能投顾产品。目前主流的智能投顾平台一般都通过网页或APP的形式与用交互,在用户注册后,会要求用户先接受风险评估调查问卷,智能投顾系统便可以评估出投资者的风险偏好水平、确定理财方案,自动生成相应的投资配置组合。这种模式的优点是速度快效率高,整个流程下来所花的时间仅需几分钟,达到高效、精准匹配用户资产管理目标。
通过上述可知,现有智能投顾产品的缺点也比较明显,在风险评估阶段为了追求速度和效率,导致问卷的题目数量和质量都无法达到比较高的要求,同时对于用户种类的划分也会变得模糊。而以上原因会导致以下缺点:
第一,由于对客户交互时间严格限制要求,因此问卷的题目数量和质量不高,会导致训练数据量少、特征不明显,训练数据的问题同时会导致模型智能下降,客户的精确定位很难做到;
第二,由于模型训练时间成本、人力成本等原因,通常问卷和题目内容固定,导致无法适应金融产品日新月异、更新换代的要求;
第三,单一由问卷调查得出的用户群体划分模糊,则无法精确针对每个客户群体提供相适应的金融投资服务。不同的客户群体,可能回答出相近的问卷答案,比如两人的表面年收入相近,都愿意投资股票,并且都表示愿意最多承担30%亏损,但是甲用户有多套房产且有固定租金收入,乙用户背负房贷且为家庭唯一收入来源,很明显两人的用户群体不能划分在一起。所以看似相近的风险评估结果,实际的内在客户需求可能相差甚远。
本发明实施例则通过构建用户收入、用户消费、用户资金承受能力、用户风险偏好以及用户交易历史等等特征作为用户风险评估的几大特征方面,在几大特征中均建立机器学习/深度神经网络模型,取得各个特征的模型后,采用模型融合技术,最终得到完整的用户风险评估模型。以上的方法既可以在用户app/网页入口处建立快速高效准确的评估体系,同时也支持初步判定为潜在大客户/VIP后,进行进一步语音/现场接洽以及评估,精准划分客户群体,精确定位客户投资需求,作为有的放矢地推荐相关产品的数据支撑。
综上,本发明的目标是:改变以往仅从风险偏好问卷调查的方式,通过从多渠道获取用户授权的数据,建立基于用户收入、用户消费、用户资金承受能力、用户风险偏好以及用户交易历史等等方面的多个人工智能模型融合,从而绘制出用户风险评估雷达图,并选择出适合用户参考的金融产品范围。下面对该产品推荐方案进行详细介绍。
图1为本发明实施例中产品推荐方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
步骤102:将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
步骤103:根据用户风险评估结果,为所述用户推荐产品。
本发明实施例中,产品推荐方案,与现有技术中大多通过提供问答式的问卷调查,进行产品推荐,无法高效、精确和安全地为用户推荐产品的技术方案相比,通过:获取用户收入特征数据、用户消费特征数据、用户资金承受能力特征数据、用户风险偏好特征数据及用户历史交易特征数据;将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;根据用户风险评估结果,为所述用户推荐产品,实现了高效、精确和安全地为用户推荐产品。
首先,结合图2和图3,介绍预先建立各个模型的步骤。
1.数据收集:通过大量理财产品的公开数据建立公开数据集,内容包括有产品投资人的收入区间占比,投资金额分布、投资周期分布、投资产品类型(股票、基金、债券、期货、贵金属等等)、投资收益情况等等。通过自有产品的历史数据(包括问卷调查数据和交易数据)建立历史数据集。通过按照本发明方法更新后的问卷数据(包含了更多的问答)、客户提供数据、语音访谈数据等数据建立实时新数据集。
2.基于上述数据,进行特征工程。数据采集、数据清洗、数据采样,然后进行特征处理、特征选择等常规做法。对于不同的模块(用户收入、用户消费、用户资金承受能力、用户风险偏好以及用户交易历史)需要选择不同的数据和不同的模型,找到最佳的对应实践,注意不同模型的数据可以互相作为输入输出。用户交易历史以及用户声明的风险偏好数据较多为非结构数据,可以使用深度神经网络模型。
3.根据第2步得到的模块模型,或直接采用模型加入模型融合,或参与模型的输出数据加入模型融合,在多模型融合后,得到用户风险评估模型。
4.通过系统上线后的新数据(当前数据,实时数据),对模型进行验证,若推断的误差较大,则利用新数据对模型进行再训练,利用海量生产数据提高模型的AUC曲线和准确率。
即,在一个实施例中,如图4所示,可以按照如下方法预先建立用户风险评估模型:
步骤201:采集用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据;
步骤202:根据用户收入特征样本数据,建立用户收入模型;
步骤203:根据用户消费特征样本数据,建立用户消费模型;
步骤204:根据用户历史交易特征样本数据,建立用户历史交易模型;
步骤205:根据用户风险偏好特征样本数据,建立用户风险偏好模型;
步骤206:根据用户收入模型、用户消费模型和用户历史交易模型的输出数据,建立用户资金承受能力模型;
步骤207:将用户收入模型、用户消费模型、用户历史交易模型、用户风险偏好模型及用户资金承受能力模型进行融合处理,得到所述用户风险评估模型。
具体实施时,上述预先建立用户风险评估模型的方案进一步提高了产品推荐的效率、准确性和安全性。
如图2所示,本发明实施例可以包括数据收集、特征工程、用户收入模型、用户消费模型、用户历史交易模型、用户风险偏好模型、用户资金承受能力模型和用户风险评估模型几个模块。数据收集来源于公开数据、历史交易数据、客户提供数据以及新生产数据,用户收入模型和用户消费模型使用机器学习算法,用户历史交易模型、用户风险偏好模型以及用户资金承受能力模型使用深度神经网络模型,其中用户资金承受能力模型将基于用户收入模型、用户消费模型和用户历史交易模型的输出数据。最后采用多模型融合,得到用户风险评估模型,评估出用户的收入等级、消费等级、交易能力、风险偏好、客户等级、资金能力等等维度,再由后台推荐系统依照结果进行推荐,或者供营销人员提供精确产品营销。具体地:
1、数据收集:如图3所示,通过收集市面上大量理财/投资产品的公开数据建立公开数据集,内容需要包括有产品投资人的收入区间占比分布,投资金额分布、投资周期分布、投资产品类型(股票、基金、债券、期货、贵金属等等)、投资收益情况等等。通过自有已有产品的历史数据(包括以往的问卷调查数据和系统中存量用户历史交易数据)建立历史数据集。通过按照本发明方法更新后的问卷数据(需要包含了收入情况、消费情况、风险偏好、投资能力等等更多更全面的问答)建立新的问卷数据,根据客户授权提供的银行流水数据,根据文字描述与语音访谈数据等数据建立NLP数据集。
2、中间数据:如图3所示,各模型产生的中间数据将可以用于其他模型的训练输入,例如用户收入模型和用户消费模型的数据可以用于训练用户资金承受能力模型。
3、数据反馈:如图3所示,生产系统产生的新的数据(生产数据,当前数据)将反馈至模型进行训练,提升模型AUC和准确率,理论上,生产数据量越大,模型将越准确。
在一个实施例中,上述产品推荐方法还可以包括:
采集当前样本数据;
利用当前样本数据对所述用户风险评估模型进行验证处理;
根据验证结果,更新所述用户风险评估模型。
具体实施时,利用系统上线后的新数据(当前样本数据),即利用实时的生产数据,对模型进行验证,若推断的误差较大,则利用新数据对用户风险评估模型进行再训练,利用海量生产数据提高模型的AUC曲线和准确率,利用更新后的用户风险评估模型进行产品推荐,进一步提高了产品推荐的效率、准确性和安全性。
在一个实施例中,所述用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据可以来自于公开数据、问卷数据、流水数据、交易数据和神经语言程序学NLP数据。
具体实施时,所述用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据可以来自于公开数据、问卷数据、流水数据、交易数据和神经语言程序学NLP数据,利用这些数据训练得到用户风险评估模型,进一步提高了产品推荐的效率、准确性和安全性。
在一个实施例中,上述产品推荐方法还可以包括:对用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据进行预处理,得到预处理后的特征数据;
将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果,可以包括:将所述预处理后的特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果。
具体实施时,在获取了用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据后,对这些特征数据进行预处理,得到预处理后的特征数据,进而将所述预处理后的特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果,进一步提高了产品推荐的效率、准确性和安全性。
综上,本发明实施例通过分析多个金融产品后,提炼出用户收入、用户消费、用户资金承受能力、用户风险偏好以及用户交易历史等等特征作为金融产品风险评估的几大重点特征,其中:
首先,用户收入可以包括固定收入、经营收入、劳务报酬、分红收入和投资收入等等,数据来源可以来自用户主动说明或者在用户授权下提供的银行流水等等,通过机器学习模型得到用户的参考年收入等级,例如12万以下、12万至20万、20万至35万、35万至60万等等,这个收入等级不是按照某一年的收入确定,而是分析出未来数年用户可能的年收入等级,即建立用户收入模型,将获取的当前用户收入特征数据,输入预先建立的用户收入模型预测用户的收入等级,即该用户收入模型的输入为用户收入特征数据,输出为用户的收入等级数据。
其次,用户消费可以包括固定支出和其他支出,数据来源同样可以来自用户主动说明或者在用户授权下提供的银行流水等,通过机器学习模型得到用户的参考消费等级,同理,建立用户消费模型,将获取的当前用户消费特征数据,输入预先建立的用户消费模型预测用户的消费等级,即该用户消费模型的输入为用户消费特征数据,输出为用户的消费等级数据。
接着,用户交易历史的数据,主要来源于用户主动提供,可以包含用户在股票、基金、债券、银行理财、储蓄、保险等等的交易历史以及盈亏状况,通过NLP自然语言处理,梳理出用户交易历史的情况。即根据用户交易历史的数据,建立了用户历史交易模型,利用该用户历史交易模型得到用户交易历史的情况。
接着,用户资金承受能力的数据部分来自于之前用户收入等级和用户消费等级的结果,另一部分来自于用户问卷调查的针对性问题,例如用户历史交易数据,通过机器学习得出用户资金承受能力的线性回归模型,即根据用户的收入等级数据、用户的消费等级数据和用户历史交易数据,建立了用户资金承受能力模型,利用该用户资金承受能力模型预测用户的资金承受能力,即用户资金承受能力模型的输入是用户的收入等级数据、用户的消费等级数据和用户历史交易数据,该用户资金承受能力模型的输出是用户资金承受能力数据。
最后,用户风险偏好模型的输入是根据前面几大特征如用户收入、用户消费、用户资金承受能力以及用户交易历史的数据,加上用户问卷的针对性问题,对于VIP大客户甚至需要加入面谈记录的NLP数据,该模型的输出是预测用户风险偏好数据;最后基于以上数据使用深度神经网络进行训练,产生出更加精确和全面的用户风险评估模型。
本发明实施例基于已有大量交易数据的金融公司或者金融产品,则在已有交易数据的存量上已经形成壁垒。另外对于多模型融合的技术上,在金融领域下更加是技术和数据同时具备时才可以得到良好效果。具体地,本发明实施例:
1、转变已有思路,在满足用户体验的快速效率同时,增加用户风险评估模型的数据来源,多渠道的数据来源既包括公开数据,也包括客户授权下的交易数据,也支持模型间的数据输入输出,这样的数据处理方式,对投资产品进行用户风险评估,是比较新颖和必要的。
2、根据用户风险等级评估的几大要素,通过多种不同的多模型融合技术尝试,得出最佳实践的模型。由于模型数量多,算法种类多,数据复杂,因此在训练过程中的技术尝试,均有保护意义,价值重大。
相比传统的问卷方式,本发明的预测准确性将得到大幅提升,同时对于客户的服务更加精细化差异化,对于客户需求因人定制的理想场景可能得以实现。
本发明实施例中还提供了一种产品推荐装置,如下面的实施例所述。由于该装置解决问题的原理与产品推荐方法相似,因此该装置的实施可以参见产品推荐方法的实施,重复之处不再赘述。
图5为本发明实施例中产品推荐装置的结构示意图,如图5所示,该装置包括:
获取单元01,用于获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
评估单元02,用于将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
推荐单元03,用于根据用户风险评估结果,为所述用户推荐产品。
在一个实施例中,上述产品推荐装置还可以包括:建立单元,用于按照如下方法预先建立用户风险评估模型:
采集用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据;
根据用户收入特征样本数据,建立用户收入模型;
根据用户消费特征样本数据,建立用户消费模型;
根据用户历史交易特征样本数据,建立用户历史交易模型;
根据用户风险偏好特征样本数据,建立用户风险偏好模型;
根据用户收入模型、用户消费模型和用户历史交易模型的输出数据,建立用户资金承受能力模型;
将用户收入模型、用户消费模型、用户历史交易模型、用户风险偏好模型及用户资金承受能力模型进行融合处理,得到所述用户风险评估模型。
在一个实施例中,上述产品推荐装置还可以包括:
采集单元,用于采集当前样本数据;
验证单元,用于利用当前样本数据对所述用户风险评估模型进行验证处理;
更新单元,用于根据验证结果,更新所述用户风险评估模型。
在一个实施例中,所述用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据可以来自于公开数据、问卷数据、流水数据、交易数据和神经语言程序学NLP数据。
在一个实施例中,上述产品推荐装置还可以包括:预处理单元,用于对用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据进行预处理,得到预处理后的特征数据;
所述评估单元具体可以用于:将所述预处理后的特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果。
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产品推荐方法。
本发明实施例还提供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产品推荐方法的计算机程序。
本发明实施例中,产品推荐方案,与现有技术中大多通过提供问答式的问卷调查,进行产品推荐,无法高效、精确和安全地为用户推荐产品的技术方案相比,通过:获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;根据用户风险评估结果,为所述用户推荐产品,实现了高效、精确和安全地为用户推荐产品。
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)
1.一种产品推荐方法,其特征在于,包括:
获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
根据用户风险评估结果,为所述用户推荐产品。
2.如权利要求1所述的产品推荐方法,其特征在于,按照如下方法预先建立用户风险评估模型:
采集用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据;
根据用户收入特征样本数据,建立用户收入模型;
根据用户消费特征样本数据,建立用户消费模型;
根据用户历史交易特征样本数据,建立用户历史交易模型;
根据用户风险偏好特征样本数据,建立用户风险偏好模型;
根据用户收入模型、用户消费模型和用户历史交易模型的输出数据,建立用户资金承受能力模型;
将用户收入模型、用户消费模型、用户历史交易模型、用户风险偏好模型及用户资金承受能力模型进行融合处理,得到所述用户风险评估模型。
3.如权利要求2所述的产品推荐方法,其特征在于,还包括:
采集当前样本数据;
利用当前样本数据对所述用户风险评估模型进行验证处理;
根据验证结果,更新所述用户风险评估模型。
4.如权利要求2所述的产品推荐方法,其特征在于,所述用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据来自于公开数据、问卷数据、流水数据、交易数据和神经语言程序学NLP数据。
5.如权利要求1所述的产品推荐方法,其特征在于,还包括:对用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据进行预处理,得到预处理后的特征数据;
将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果,包括:将所述预处理后的特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果。
6.一种产品推荐装置,其特征在于,包括:
获取单元,用于获取用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据;
评估单元,用于将所述特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果;所述用户风险评估模型根据预先建立的用户收入模型、用户消费模型、用户资金承受能力模型、用户风险偏好模型及用户历史交易模型融合得到,所述用户资金承受能力模型根据用户收入模型、用户消费模型及用户历史交易模型的输出数据得到;
推荐单元,用于根据用户风险评估结果,为所述用户推荐产品。
7.如权利要求6所述的产品推荐装置,其特征在于,还包括:建立单元,用于按照如下方法预先建立用户风险评估模型:
采集用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据;
根据用户收入特征样本数据,建立用户收入模型;
根据用户消费特征样本数据,建立用户消费模型;
根据用户历史交易特征样本数据,建立用户历史交易模型;
根据用户风险偏好特征样本数据,建立用户风险偏好模型;
根据用户收入模型、用户消费模型和用户历史交易模型的输出数据,建立用户资金承受能力模型;
将用户收入模型、用户消费模型、用户历史交易模型、用户风险偏好模型及用户资金承受能力模型进行融合处理,得到所述用户风险评估模型。
8.如权利要求7所述的产品推荐装置,其特征在于,还包括:
采集单元,用于采集当前样本数据;
验证单元,用于利用当前样本数据对所述用户风险评估模型进行验证处理;
更新单元,用于根据验证结果,更新所述用户风险评估模型。
9.如权利要求7所述的产品推荐装置,其特征在于,所述用户收入特征样本数据、用户消费特征样本数据、用户历史交易特征样本数据及用户风险偏好特征样本数据来自于公开数据、问卷数据、流水数据、交易数据和神经语言程序学NLP数据。
10.如权利要求6所述的产品推荐装置,其特征在于,还包括:预处理单元,用于对用户收入、用户消费、用户资金承受能力、用户风险偏好及用户历史交易特征数据进行预处理,得到预处理后的特征数据;
所述评估单元具体用于:将所述预处理后的特征数据输入预先建立的用户风险评估模型,得到用户风险评估结果。
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任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064661.2A CN112132679A (zh) | 2020-09-30 | 2020-09-30 | 产品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064661.2A CN112132679A (zh) | 2020-09-30 | 2020-09-30 | 产品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132679A true CN112132679A (zh) | 2020-12-25 |
Family
ID=73843888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011064661.2A Pending CN112132679A (zh) | 2020-09-30 | 2020-09-30 | 产品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132679A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
CN114581249A (zh) * | 2022-03-22 | 2022-06-03 | 山东大学 | 基于投资风险承受能力评估的金融产品推荐方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN108985638A (zh) * | 2018-07-25 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种用户投资风险评估方法和装置以及存储介质 |
CN109492863A (zh) * | 2018-09-28 | 2019-03-19 | 平安普惠企业管理有限公司 | 金融单证的自动生成方法及装置 |
CN109670960A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 产品数据的推送方法、装置、设备及存储介质 |
CN110223155A (zh) * | 2019-04-25 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 投资推荐信息的推送方法、装置及计算机设备 |
CN110458668A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 确定产品推荐算法的方法及装置 |
-
2020
- 2020-09-30 CN CN202011064661.2A patent/CN112132679A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN108985638A (zh) * | 2018-07-25 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种用户投资风险评估方法和装置以及存储介质 |
CN109670960A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 产品数据的推送方法、装置、设备及存储介质 |
CN109492863A (zh) * | 2018-09-28 | 2019-03-19 | 平安普惠企业管理有限公司 | 金融单证的自动生成方法及装置 |
CN110223155A (zh) * | 2019-04-25 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 投资推荐信息的推送方法、装置及计算机设备 |
CN110458668A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 确定产品推荐算法的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
CN114581249A (zh) * | 2022-03-22 | 2022-06-03 | 山东大学 | 基于投资风险承受能力评估的金融产品推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hill et al. | Expert stock picker: the wisdom of (experts in) crowds | |
Finlay | Credit scoring, response modeling, and insurance rating: a practical guide to forecasting consumer behavior | |
Bachmann et al. | The impact of international outsourcing on labour market dynamics in Germany | |
CN106875206A (zh) | 信息获取、评估、问卷调查方法、装置及服务器 | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
CN111401828A (zh) | 一种强化排序的动态智能面试方法、装置、设备及计算机存储介质 | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN111291925A (zh) | 一种基于人工智能的金融市场预测及决策的系统、方法 | |
CN112132679A (zh) | 产品推荐方法及装置 | |
Ahmadzadeh et al. | Studying the critical success factors of ERP in the banking sector: a DEMATEL approach | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
Zhai et al. | Read the news, not the books: forecasting firms’ long-term financial performance via deep text mining | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
de Vries et al. | Towards identifying the business value of big data in a digital business ecosystem: A case study from the financial services industry | |
CN115186174A (zh) | 基于机器学习的众包任务个性化推荐方法和系统 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
CN112734566A (zh) | 授信额度获取方法、装置及计算机设备 | |
Hasan et al. | A proposed fuzzy model for reducing the risk of insolvent loans in the credit sector as applied in Egypt | |
Theuri et al. | The impact of Artficial Intelligence and how it is shaping banking | |
Dash et al. | An empirical study for customer relationship management in banking sector using machine learning techniques | |
Adams-Prassl et al. | Firm concentration & job design: the case of schedule flexible work arrangements | |
US20240119529A1 (en) | Machine learning based personalized ethical interest and sensitivity profile generation for investment management | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
Wan | Research on predicting credit card customers’ service using logistic regression and Bp neural network |
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 |