CN112163963B - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112163963B CN112163963B CN202011036207.6A CN202011036207A CN112163963B CN 112163963 B CN112163963 B CN 112163963B CN 202011036207 A CN202011036207 A CN 202011036207A CN 112163963 B CN112163963 B CN 112163963B
- Authority
- CN
- China
- Prior art keywords
- service
- recommended
- probability
- recommendation
- purchase
- 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 53
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000011521 glass Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q40/08—Insurance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能领域,根据待推荐业务对应的业务购买概率和业务推荐概率确定推荐成功概率,有效提高业务推荐的准确度。尤其涉及一种业务推荐方法、装置、计算机设备和存储介质,该业务推荐方法包括:获取基本属性数据和动态特征数据,以及获取至少一个待推荐业务;根据基本属性数据、动态特征数据、交叉项特征以及待推荐业务,确定待推荐业务对应的业务推荐概率;根据历史业务购买记录,确定待推荐业务对应目标用户的业务购买概率;根据业务购买概率和业务推荐概率确定待推荐业务的推荐成功概率,并将推荐成功概率大于预设推荐概率值的待推荐业务向目标用户推荐。此外,本申请还涉及区块链技术,基本属性数据和动态特征数据可存储于区块链中。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
现有的财产保险公司的保险业务除了常规的车险业务,还包括非车险业务。由于非车险业务是财产保险公司收入的重要组成部分,因此财产保险公司需要大力对非车险业务进行推广。
在现有的电销过程中,由于非车业务种类繁多,电销人员无法得到哪些客户有非车险业务的需求,无法有针对性地向客户推荐业务;从而导致在业务推荐过程中的业务推荐的准确性较低。
因此如何提高业务推荐的准确度成为亟需解决的问题。
发明内容
本申请提供了一种业务推荐方法、装置、计算机设备和存储介质,通过根据基本属性数据、动态特征数据以及交叉项特征确定业务推荐概率,并结合业务购买概率得到每个待推荐业务对应的业务推荐概率,可以有效地提高业务推荐的准确度。
第一方面,本申请提供了一种业务推荐方法,所述方法包括:
获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务;
对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征;
根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;
根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;
根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
第二方面,本申请还提供了一种业务推荐装置,所述装置包括:
数据获取模块,用于获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务;
交叉特征计算模块,用于对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征;
推荐概率确定模块,用于根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;
购买概率确定模块,用于根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;
成功概率确定模块,用于根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的业务推荐方法。
第四方面,本申请还提供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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的业务推荐方法。
本申请公开了一种业务推荐方法、装置、计算机设备和存储介质,通过获取目标用户对应的基本属性数据和动态特征数据以及获取至少一个待推荐业务,可以对动态特征数据进行特征交叉计算,得到动态特征数据对应的交叉项特征,进而可以根据基本属性数据、动态特征数据、交叉项特征以及每个待推荐业务,确定每个待推荐业务对应的业务推荐概率;通过根据目标用户对应的历史业务购买记录,确定每个待推荐业务对应目标用户的业务购买概率,增加了历史业务购买记录这一因素,可以提高后续业务推荐的准确度;通过根据每个待推荐业务对应的业务购买概率和所述业务推荐概率,确定每个待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的待推荐业务向目标用户推荐,实现将业务购买概率与业务推荐概率结合,实现了有针对性地向目标用户推荐业务,从而提高了业务推荐的准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,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,下面描述中的附图是本申请的一些实施例,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是本申请的实施例提供的一种业务推荐方法的示意流程图;
图2是本申请的实施例提供的计算交叉项特征的子步骤的示意性流程图;
图3是本申请实施例提供的一种业务预测模型的预测过程的示意图;
图4是本申请的实施例提供的确定业务推荐概率的子步骤的示意性流程图;
图5是本申请实施例提供的一种业务预测模型的训练过程的示意性流程图;
图6是本申请的实施例提供的确定业务购买概率的子步骤的示意性流程图;
图7是本申请实施例提供的一种业务推荐装置的示意性框图;
图8是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种业务推荐方法、装置、计算机设备和存储介质。其中,该业务推荐方法可以应用于服务器或终端中,通过根据待推荐业务对应的业务购买概率和业务推荐概率确定推荐成功概率,实现有针对性地向目标用户推荐业务,可以有效提高业务推荐的准确度。
其中,服务器可以为独立的服务器,也可以为服务器集群。终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,业务推荐方法包括步骤S10至步骤S50。
步骤S10、获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务。
需要说明的是,在本申请实施例中,业务推荐方法可以应用于电销场景中,通过根据待推荐业务对应的业务购买概率和业务推荐概率确定推荐成功概率,实现有针对性地向目标用户推荐预设的业务,为目标用户推荐感兴趣的业务,极大提高了业务推荐的准确度和成交率。该业务推荐方法还可以应用于其它业务推荐场景中,在此不作限定。
具体地,可以获取预设的用户列表,依次将用户列表中的用户作为目标用户。然后,根据目标用户对应的身份标识获取目标用户对应的基本属性数据和用户动态特征数据。
示例性的,身份标识可以包括但不限于目标用户的姓名、身份证号以及手机号等等。
具体地,目标用户对应的基本属性数据可以包括年龄、性别、收入、职业等客户基本属性。动态特征数据可以包括历史保单信息、线上点击行为、保险理赔信息以及电销过程数据等等。
需要说明的是,由于目标用户的基本属性数据在一段较长时间内维持稳定,因此后续可以用在业务预测模型中作为聚类分类的特征,以将目标用户划分至对应的用户群体中,例如男性、18~24岁以及学生等细分的用户群体。动态特征是指一段时间会变化的特征,以及在一定用户群体范围内,影响目标用户对业务购买决策的特征。
在一些实施例中,可以预先采集目标用户的基本属性数据和用户动态特征数据,将目标用户的身份标识与基本属性数据、用户动态特征数据进行关联存储至本地数据库中。
需要强调的是,为进一步保证上述身份标识与基本属性数据、用户动态特征数据的关联数据的私密和安全性,上述身份标识与基本属性数据、用户动态特征数据的关联数据还可以存储于一区块链的节点中。
通过获取目标用户对应的基本属性数据和动态特征数据,后续可以根据动态特征数据计算交叉项特征,可以将基本属性数据、动态特征数据和交叉项特征输入业务预测模型中进行预测,使得预测结果更加符合用户的自身需求,进而有效提高业务预测模型预测的准确度。
具体地,可以获取至少一个待推荐业务,例如,待推荐业务A、待推荐业务B以及待推荐业务C等等。其中,待推荐业务可以是家财险、健康险、旅游险以及企业险等各险种。
需要说明的是,待推荐业务可以预先设定,用于后续根据目标用户的基本属性数据、动态特征数据以及交叉项特征预测每个待推荐业务对应的业务推荐概率。
步骤S20、对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征。
需要说明的是,通过对动态特征数据中的特征进行交叉计算,可以将得到的交叉项特征,输入业务预测模型中进行预测,使得业务预测模型对更多的特征进行预测,提高了预测结果的准确性。
请参阅图2,图2是步骤S20中对动态特征数据进行特征交叉计算,得到动态特征数据对应的交叉项特征的子步骤的示意性流程图,具体可以包括以下步骤S201和步骤S202。
步骤S201、对所述动态特征数据中的多项不同特征进行交叉组合,得到多个组合特征。
示例性的,动态特征数据包括多项不同的特征。具体地,对动态特征数据中的多项不同特征进行交叉组合,得到多个组合特征。
示例性的,对线上点击次数和历史购买业务次数这两个特征进行交叉组合,得到相应的组合特征。例如,根据预设的点击次数阈值将线上点击次数分成线上点击次数多与线上点击次数少的两类特征。根据预设的购买次数阈值将历史购买业务次数分成历史购买业务次数多与历史购买业务次数少的两类特征。从而可以得到四项组合特征:(线上点击次数多,历史购买业务次数多),(线上点击次数多,历史购买业务次数少),(线上点击次数少,历史购买业务次数多),(线上点击次数少,历史购买业务次数少)。其中,点击次数阈值和购买次数阈值可以根据实际情况设定,具体数值在此不作限定。
步骤S202、根据预设的交叉算法,分别对所述多个组合特征进行计算,得到所述多个组合特征对应的交叉项特征。
在本申请实施例中,预设的交叉算法可以包括FM(Factorization Machine,因子分解机)算法。需要说明的是,FM算法可以在特征高度稀疏的数据场景下,考虑特征与特征之间的交互作用,并对不同特征进行交叉组合。交叉计算过程:首先是特征组合,通过对两两特征进行组合,引入交叉项特征;其次是通过引入隐向量,即对参数矩阵进行矩阵分解,完成对特征的参数估计。
具体地,FM算法是通过在线性表达式后面加入了新的交叉项特征及对应的权值,如下式所示:
式中,y表示目标函数;w0表示初始权重或偏置项,wi表示每个特征xi对应的权值;i表示第i个特征;j表示第j个特征;n表示特征的总数;wij表示特征xi与特征xj对应的权重;表示交叉项特征。
其中,wij令组成参数对称阵W=VTV,则交叉项特征的求解过程为:
具体地,可以根据FM算法分别对多个组合特征进行计算,得到多个组合特征对应的交叉项特征。示例性的,根据FM算法对(线上点击次数多,历史购买业务次数多)、(线上点击次数多,历史购买业务次数少)、(线上点击次数少,历史购买业务次数多)以及(线上点击次数少,历史购买业务次数少)等组合特征进行计算,得到对应的交叉特特征。
步骤S30、根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率。
具体地,可以通过训练后的业务预测模型,根据基本属性数据、动态特征数据、交叉项特征以及每个待推荐业务,确定每个待推荐业务对应的业务推荐概率。
请参阅图3,图3是本申请实施例提供的一种业务预测模型的预测过程的示意图。如图3所示,根据基本属性数据、动态特征数据、交叉项特征以及每个待推荐业务,生成目标用户对应的待预测数据;将待预测数据输入训练后的业务预测模型中,通过业务预测模型的预测,得到每个待推荐业务对应的业务推荐概率。
请参阅图4,图4是步骤S30中根据基本属性数据、动态特征数据、交叉项特征以及每个待推荐业务,确定每个待推荐业务对应的业务推荐概率的子步骤的示意性流程图,具体包括以下步骤S301至步骤S303。
步骤S301、从区块链节点中获取训练后的业务预测模型。
需要说明的是,在本申请实施例中,训练后的业务预测模型存储在区块链节点中;在进行业务预测的时候,可以从从区块链节点中获取训练后的业务预测模型。
具体地,在从区块链节点中获取训练后的业务预测模型之前,需要对初始的业务预测模型进行训练,得到训练后的业务预测模型。初始的业务预测模型的训练过程,如图5所示,图5是本申请实施例提供的一种初始的业务预测模型的训练过程的示意性流程图,具体可以包括以下步骤S3011至步骤S3013。
步骤S3011、确定初始的业务预测模型。
具体地,业务预测模型可以包括预测性延迟迁移(predictive lazy migration,PLM)算法和逻辑回归(Logistic Regression,LR)算法两部分。其中,PLM算法用于进行用户分群,LR算法用于进行分类回归。
示例性的,LR算法可以是sigmoid函数。需要说明的是,sigmoid函数是一种非线性作用函数;sigmoid函数常被用作神经网络的阈值函数,将变量映射到0-1之间。
可以理解的是,在本申请实施例中,业务预测模型用于根据条件概率分布函数计算特征在某个业务类别下的条件概率。示例性的,条件概率分布函数如下所示:
式中,x表示特征;u表示特征对应的参数;表示特征xi对应的权值的转置矩阵。若以softmax函数作为分类函数σ(x),以sigmoid函数作为拟合函数η(x),且g(x)=x,则上式中的条件概率分布函数可以表示为:
需要说明的是,由于PLM算法的数据量大、特征规模大,因此需要使用FTRL(Followed the Regularized Leader)算法对PLM算法进行优化。
示例性的,基于FTRL算法对PLM算法进行优化,优化后的PLM算法对应的条件概率分布函数的计算过程如下:
在本申请实施例中,业务预测模块可以通过上述条件概率分布函数,可以计算特征在某个业务类别下的条件概率,即可以得到每个待推荐业务对应的业务推荐概率。
步骤S3012、获取预设数量的样本用户的用户数据,以及获取预设的业务特征数据,将所述用户数据与所述业务特征数据作为训练样本。
具体地,用户数据包括样本用户对应的基本属性数据、动态特征数据以及交叉项特征。其中,交叉项特征是基于预设的交叉算法,根据动态特征数据中的特征进行计算得到的。具体的计算过程,请参见上述实施例的详细说明,具体过程在此不再赘述。
示例性的,基本属性数据可以包括但不限于年龄、性别、收入、职业等客户基本属性。动态特征数据可以包括历史保单信息、线上点击行为、保险理赔信息以及电销过程数据等等。
具体地,预设的业务特征数据可以包括但不限于业务类别、业务价值区间以及业务推荐等级等等。
示例性的,对于车险这一业务类别,可以包括玻璃险、划痕险以及涉水险等等。其中,玻璃险对应的业务价值区间可以是300元-500元;划痕险对应的业务价值区间可以是100元-200元;涉水险对应的业务价值区间可以是200元-500元。业务推荐等级可以包括高、中和低这三个等级。
通过将业务特征数据作为训练样本的其中一部分数据,在训练过程中,业务特征数据可以作为业务预测模型的分类特征,参与聚类,从而提高了业务预测模型的预测准确度。
在一些实施例中,可以对训练样本进行业务类别标注,得到携带业务标注类别的训练样本。其中,标注的业务类别可以根据样本用户对应的购买业务进行确定。示例性的,若样本用户购买了业务A,则对该样本用户对应的训练样本标注业务A。
需要说明的是,通过对训练样本进行业务类别标注,可以在业务预测模型预测得到训练样本的预测业务类别后,根据业务标注类别和预测业务类别计算出损失函数值。
步骤S3013、基于预设的损失函数和梯度下降算法,将所述训练样本输入所述初始的业务预测模型中迭代训练至收敛,得到训练后的业务预测模型。
在本申请实施例中,损失函数用于根据业务标注类别和预测业务类别计算出损失函数值;梯度下降算法用于根据损失函数值对业务预测模型的参数进行调整,以使业务预测模型的损失函数值达到最小值。
需要说明的是,损失函数用来评价模型的预测值和真实值不一样的程度,损失函数越小,通常模型的性能越好。示例性的,损失函数可以包括但不限于0-1损失函数、绝对值损失函数、对数损失函数、平方损失函数以及指数损失函数等等。在本申请实施例中,预设的损失函数可以是对数损失函数。
具体地,对数损失函数的计算过程如下:
示例性的,梯度下降算法可以包括但不限于批量梯度下降法(Batch GradientDescent)、随机梯度下降法(Stochastic Gradient Descent)以及小批量梯度下降法(Mini-batch Gradient Descent)等等。
具体地,梯度下降算法的计算过程为:
式中,表示参数u的偏导值;/>表示权重w的偏导值。
具体地,将训练样本输入初始的业务预测模型中训练,输出训练样本对应的预测业务类别;基于对数损失函数,根据训练样本对应的预测业务类别和业务标注类别计算出损失函数值;然后梯度下降算法调整业务预测模型中的参数,进行下一轮的训练并计算每一轮的损失函数值;当计算得到的损失函数值小于预设损失值或不再变小时,则训练结束,得到训练后的业务预测模型。
在一些实施例中,为进一步保证上述训练后的业务预测模型的私密和安全性,上述训练后的业务预测模型还可以存储于一区块链的节点中。当需要使用训练后的业务预测模型时,可以从区块链的节点中获取。
通过基于损失函数和梯度下降算法对初始的业务预测模型进行训练,可以提高训练好的业务预测模型的准确度,减少预测误差,进而提高了后续业务推荐的准确度。
步骤S302、根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个待推荐业务,生成所述目标用户对应的待预测数据。
需要说明的是,通过将基本属性数据、动态特征数据、交叉项特征以及每个待推荐业务作为待预测数据,可以基于训练后的业务预测模型对待预测数据进行预测,得到每个待推荐业务对应的业务推荐概率。其中,基本属性数据、动态特征数据、交叉项特征属于目标用户自身的特征,可以在业务预测模型中作为聚类分类的特征,使得预测结果更加符合用户的自身需求,进而有效提高业务预测模型预测的准确度。
步骤S303、将所述待预测数据输入所述训练后的业务预测模型中预测,得到每个所述待推荐业务对应的业务推荐概率。
具体地,将上述的待预测数据输入训练后的业务预测模型中预测,可以获取训练后的业务预测模型输出的每个所述待推荐业务对应的业务推荐概率。
示例性的,对于待推荐业务A,则将待预测数据输入训练后的业务预测模型中预测,得到待推荐业务A对应的业务推荐概率为0.3。
示例性的,对于待推荐业务B,则将待预测数据输入训练后的业务预测模型中预测,得到待推荐业务B对应的业务推荐概率为0.4。
步骤S40、根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率。
具体地,历史业务购买记录包括至少一个待推荐业务。可以理解的是,待推荐业务可以基于目标用户的历史购买的业务进行设定。
需要说明的是,在本申请实施例中,可以预先在本地数据库中存储用户的历史业务购买记录,在需要的时候,可以根据目标用户对应的身份标识在本地数据库中查询目标用户对应的历史业务购买记录。
请参阅图6,图6是步骤S40中根据目标用户对应的历史业务购买记录,确定每个待推荐业务对应目标用户的业务购买概率的子步骤的示意性流程图,具体包括以下步骤S401至步骤S403。
步骤S401、从所述历史业务购买记录中提取每个所述待推荐业务对应的购买次数以及首次购买时间。
示例性的,首次购买时间是指历史业务购买记录中第一次购买待推荐业务对应的年份。例如,在历史业务购买记录中,购买业务A的年份有2015年、2018年和2020年,则购买业务A的首次购买时间为2015年,购买业务A的购买次数为3。
步骤S402、根据当前时间与每个所述待推荐业务对应的所述首次购买时间之差,确定每个所述待推荐业务对应的时间因子。
需要说明的是,时间因子是指业务对应的首次购买时间与当前时间的差值。
示例性的,若当前时间为2020年,业务A对应的首次购买时间为2015年,则可以确定业务A对应的时间因子为5。
示例性的,若当前时间为2020年,业务B对应的首次购买时间为2015年,则可以确定业务B对应的时间因子为5。
步骤S403、根据所述购买次数与所述时间因子之比,确定每个所述待推荐业务对应所述目标用户的所述业务购买概率。
可以理解的是,购买次数越多,对应的待推荐业务的业务购买概率越大;时间因子越小,对应的待推荐业务的业务购买概率越大。例如,目标用户去年购买的业务,今年依然可能继续购该业务。在本申请实施例中,通过引入购买次数和时间因子,可以通过购买次数和时间来确定每个待推荐业务对应目标用户的业务购买概率,进一步提高了后续业务推荐的准确性。
示例性的,对于待推荐业务A,若在历史业务购买记录中待推荐业务A对应的购买次数为3次,时间因子为5,则可以确定待推荐业务A对应的业务购买概率为0.6。
示例性的,对于待推荐业务B,若在历史业务购买记录中待推荐业务B对应的购买次数为2次,时间因子为5,则可以确定待推荐业务B对应的业务购买概率为0.4。
步骤S50、根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
在一些实施例中,根据每个待推荐业务对应的业务购买概率和业务推荐概率,确定每个待推荐业务对应的推荐成功概率,可以包括:根据预设的权重比值,对每个待推荐业务对应的业务购买概率和业务推荐概率进行加权并在加权后求和,得到每个待推荐业务对应的推荐成功概率。
示例性的,预设的权重比值可以根据实际情况设定,例如,权重比值为2:8,也可以是3:7。
具体地,对每个待推荐业务对应的业务购买概率和业务推荐概率进行加权并在加权后求和,得到每个待推荐业务对应的推荐成功概率。
示例性的,对于待推荐业务A,若待推荐业务A对应的业务购买概率为0.6,业务推荐概率为0.3,且权重比值为2:8,则在进行加权与求和后,得到待推荐业务A对应的推荐成功概率为0.8*0.6+0.2*0.3=0.54。
示例性的,对于待推荐业务B,若待推荐业务B对应的业务购买概率为0.4,业务推荐概率为0.4,且权重比值为2:8,则在进行加权与求和后,得到待推荐业务B对应的推荐成功概率为0.8*0.4+0.2*0.4=0.4。
具体地,将推荐成功概率大于预设的成功概率值的待推荐业务向目标用户推荐。
其中,预设的成功概率值可以根据实际情况设定,具体数值在此不作限定。
示例性的,若待推荐业务A对应的推荐成功概率大于预设的成功概率值,则将待推荐业务A向目标用户推荐。
示例性的,若待推荐业务B对应的推荐成功概率小于预设的成功概率值,则不将待推荐业务B向目标用户推荐。
通过将待推荐业务对应的业务购买概率和业务预测概率进行加权求和,实现将目标用户的历史购买记录融合到推荐成功概率中,使得推荐的业务更加符合用户的需求,提高了成功推荐业务的可能性。
上述实施例提供的业务推荐方法,通过获取目标用户对应的基本属性数据和动态特征数据,后续可以根据动态特征数据计算交叉项特征,可以将基本属性数据、动态特征数据和交叉项特征输入业务预测模型中进行预测,使得预测结果更加符合用户的自身需求,进而有效提高业务预测模型预测的准确度;通过对动态特征数据中的特征进行交叉计算,可以将得到的交叉项特征,输入业务预测模型中进行预测,使得业务预测模型对更多的特征进行预测,提高了预测结果的准确性;通过将业务特征数据作为训练样本的其中一部分数据,在训练过程中,业务特征数据可以作为业务预测模型的分类特征,参与聚类,从而提高了业务预测模型的预测准确度;通过基于损失函数和梯度下降算法对初始的业务预测模型进行训练,可以提高训练好的业务预测模型的准确度,减少预测误差,进而提高了后续业务推荐的准确度;通过引入购买次数和时间因子,可以通过购买次数和时间来确定每个待推荐业务对应目标用户的业务购买概率,进一步提高了后续业务推荐的准确性;通过将待推荐业务对应的业务购买概率和业务预测概率进行加权求和,实现将目标用户的历史购买记录融合到推荐成功概率中,使得推荐的业务更加符合用户的需求,进提高了成功推荐业务的可能性。
请参阅图7,图7是本申请的实施例还提供一种业务推荐装置100的示意性框图,该业务推荐装置用于执行前述的业务推荐方法。其中,该业务推荐装置可以配置于服务器或终端中。
如图7所示,该业务推荐装置100,包括:数据获取模块101、交叉特征计算模块102、推荐概率确定模块103、购买概率确定模块104和成功概率确定模块105。
数据获取模块101,用于获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务;
交叉特征计算模块102,用于对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征;
推荐概率确定模块103,用于根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;
购买概率确定模块104,用于根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;
成功概率确定模块105,用于根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
请参阅图8,该计算机设备包括通过系统总线连接的处理器和存储器,其中,存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种业务推荐方法。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务;对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征;根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
在一个实施例中,所述动态特征数据包括多项不同的特征;所述处理器在实现对所述动态特征数据进行特征交叉计算,得到所述动态特征数据对应的交叉项特征时,用于实现:
对所述动态特征数据中的多项不同特征进行交叉组合,得到多个组合特征;根据预设的交叉算法,分别对所述多个组合特征进行计算,得到所述多个组合特征对应的交叉项特征。
在一个实施例中,所述处理器在实现根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个待推荐业务,确定每个所述待推荐业务对应的业务推荐概率时,用于实现:
从区块链节点中获取训练后的业务预测模型;根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个待推荐业务,生成所述目标用户对应的待预测数据;将所述待预测数据输入所述训练后的业务预测模型中预测,得到每个所述待推荐业务对应的业务推荐概率。
在一个实施例中,所述处理器在实现从区块链节点中获取训练后的业务预测模型之前,还用于实现:
确定初始的业务预测模型;获取预设数量的样本用户的用户数据,以及获取预设的业务特征数据,将所述用户数据与所述业务特征数据作为训练样本;基于预设的损失函数和梯度下降算法,将所述训练样本输入所述初始的业务预测模型中迭代训练至收敛,得到训练后的业务预测模型。
在一个实施例中,所述历史业务购买记录包括至少一个所述待推荐业务;所述处理器在实现根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率时,用于实现:
从所述历史业务购买记录中提取每个所述待推荐业务对应的购买次数以及首次购买时间;根据当前时间与每个所述待推荐业务对应的所述首次购买时间之差,确定每个所述待推荐业务对应的时间因子;根据所述购买次数与所述时间因子之比,确定每个所述待推荐业务对应所述目标用户的所述业务购买概率。
在一个实施例中,所述处理器在实现根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率时,用于实现:
根据预设的权重比值,对每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率进行加权并在加权后求和,得到每个所述待推荐业务对应的所述推荐成功概率。
本申请的实施例中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计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项业务推荐方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字卡(Secure Digital Card,SD Card),闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种业务推荐方法,其特征在于,包括:
获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务,其中,所述动态特征数据包括历史保单信息、线上点击行为、保险理赔信息以及电销过程中的至少一项;
对所述动态特征数据中的多项不同特征进行交叉组合,得到多个组合特征;
根据预设的交叉算法,分别对所述多个组合特征进行计算,得到所述多个组合特征对应的交叉项特征,其中,所述预设的交叉算法包括FM算法;
根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;
根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;
根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
2.根据权利要求1所述的业务推荐方法,其特征在于,所述根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个待推荐业务,确定每个所述待推荐业务对应的业务推荐概率,包括:
从区块链节点中获取训练后的业务预测模型;
根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个待推荐业务,生成所述目标用户对应的待预测数据;
将所述待预测数据输入所述训练后的业务预测模型中预测,得到每个所述待推荐业务对应的业务推荐概率。
3.根据权利要求2所述的业务推荐方法,其特征在于,所述从区块链节点中获取训练后的业务预测模型之前,还包括:
确定初始的业务预测模型;
获取预设数量的样本用户的用户数据,以及获取预设的业务特征数据,将所述用户数据与所述业务特征数据作为训练样本;
基于预设的损失函数和梯度下降算法,将所述训练样本输入所述初始的业务预测模型中迭代训练至收敛,得到训练后的业务预测模型。
4.根据权利要求3所述的业务推荐方法,其特征在于,所述用户数据包括基本属性数据、动态特征数据以及交叉项特征;所述业务特征数据包括业务类别、业务价值区间以及业务推荐等级。
5.根据权利要求1所述的业务推荐方法,其特征在于,所述历史业务购买记录包括至少一个所述待推荐业务;所述根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率,包括:
从所述历史业务购买记录中提取每个所述待推荐业务对应的购买次数以及首次购买时间;
根据当前时间与每个所述待推荐业务对应的所述首次购买时间之差,确定每个所述待推荐业务对应的时间因子;
根据所述购买次数与所述时间因子之比,确定每个所述待推荐业务对应所述目标用户的所述业务购买概率。
6.根据权利要求1-5任一项所述的业务推荐方法,其特征在于,所述根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,包括:
根据预设的权重比值,对每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率进行加权并在加权后求和,得到每个所述待推荐业务对应的所述推荐成功概率。
7.一种业务推荐装置,其特征在于,包括:
数据获取模块,用于获取目标用户对应的基本属性数据和动态特征数据,以及获取至少一个待推荐业务,其中,所述动态特征数据包括历史保单信息、线上点击行为、保险理赔信息以及电销过程中的至少一项;
交叉特征计算模块,用于对所述动态特征数据中的多项不同特征进行交叉组合,得到多个组合特征;根据预设的交叉算法,分别对所述多个组合特征进行计算,得到所述多个组合特征对应的交叉项特征,其中,所述预设的交叉算法包括FM算法;
推荐概率确定模块,用于根据所述基本属性数据、所述动态特征数据、所述交叉项特征以及每个所述待推荐业务,确定每个所述待推荐业务对应的业务推荐概率;
购买概率确定模块,用于根据所述目标用户对应的历史业务购买记录,确定每个所述待推荐业务对应所述目标用户的业务购买概率;
成功概率确定模块,用于根据每个所述待推荐业务对应的所述业务购买概率和所述业务推荐概率,确定每个所述待推荐业务对应的推荐成功概率,并将推荐成功概率大于预设的成功概率值的所述待推荐业务向所述目标用户推荐。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6任一项所述的业务推荐方法。
9.一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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至6任一项所述的业务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036207.6A CN112163963B (zh) | 2020-09-27 | 2020-09-27 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036207.6A CN112163963B (zh) | 2020-09-27 | 2020-09-27 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163963A CN112163963A (zh) | 2021-01-01 |
CN112163963B true CN112163963B (zh) | 2024-04-02 |
Family
ID=73862181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011036207.6A Active CN112163963B (zh) | 2020-09-27 | 2020-09-27 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163963B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190725B (zh) * | 2021-03-31 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
CN113191812B (zh) * | 2021-05-12 | 2024-02-02 | 深圳索信达数据技术有限公司 | 业务推荐方法、计算机设备及计算机可读存储介质 |
CN113139856B (zh) * | 2021-05-14 | 2023-04-07 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
CN113706258B (zh) * | 2021-08-31 | 2024-06-28 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN113887613B (zh) * | 2021-09-29 | 2024-06-28 | 平安银行股份有限公司 | 基于注意力机制的深度学习方法、装置、设备及存储介质 |
JP7359919B1 (ja) | 2022-09-01 | 2023-10-11 | 三井住友カード株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110276642A (zh) * | 2019-06-20 | 2019-09-24 | 卓尔智联(武汉)研究院有限公司 | 广告牌推荐方法、装置及计算机可读存储介质 |
WO2020048061A1 (zh) * | 2018-09-05 | 2020-03-12 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
CN111553759A (zh) * | 2020-03-25 | 2020-08-18 | 平安科技(深圳)有限公司 | 一种产品信息推送方法、装置、设备及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
-
2020
- 2020-09-27 CN CN202011036207.6A patent/CN112163963B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
WO2020048061A1 (zh) * | 2018-09-05 | 2020-03-12 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110276642A (zh) * | 2019-06-20 | 2019-09-24 | 卓尔智联(武汉)研究院有限公司 | 广告牌推荐方法、装置及计算机可读存储介质 |
CN111553759A (zh) * | 2020-03-25 | 2020-08-18 | 平安科技(深圳)有限公司 | 一种产品信息推送方法、装置、设备及存储介质 |
CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112163963A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
Wahab et al. | Federated against the cold: A trust-based federated learning approach to counter the cold start problem in recommendation systems | |
Wang et al. | A genetic-algorithm-based approach to the two-echelon capacitated vehicle routing problem with stochastic demands in logistics service | |
Ren et al. | Dynamic portfolio strategy using clustering approach | |
CN111737546B (zh) | 确定实体业务属性的方法及装置 | |
CN113545026A (zh) | 用于漏洞评估和补救措施识别的系统和方法 | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
US20200410355A1 (en) | Explainable machine learning based on heterogeneous data | |
Li et al. | Credit scoring by incorporating dynamic networked information | |
US11727427B2 (en) | Systems and methods for assessing, correlating, and utilizing online browsing and sales data | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
CN113761350A (zh) | 一种数据推荐方法、相关装置和数据推荐系统 | |
Rehman et al. | An intelligent context aware recommender system for real-estate | |
WO2022227792A1 (en) | Federated training of machine learning models | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN112927050A (zh) | 待推荐金融产品确定方法、装置、电子设备及存储介质 | |
Cordes et al. | Systematic literature review of the performance characteristics of Chebyshev polynomials in machine learning applications for economic forecasting in low-income communities in sub-Saharan Africa | |
Qu et al. | Confidence-aware reputation bootstrapping in composite service environments | |
CN113297478B (zh) | 基于用户生命周期的信息推送方法、装置及电子设备 | |
CN114897564A (zh) | 目标客户推荐方法及装置、电子设备和存储介质 | |
CN118313625A (zh) | 金融服务资源配置方法、装置、设备和存储介质 |
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 |