CN112330412B - 一种产品推荐方法、装置、计算机设备及存储介质 - Google Patents
一种产品推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112330412B CN112330412B CN202011288851.2A CN202011288851A CN112330412B CN 112330412 B CN112330412 B CN 112330412B CN 202011288851 A CN202011288851 A CN 202011288851A CN 112330412 B CN112330412 B CN 112330412B
- Authority
- CN
- China
- Prior art keywords
- data
- customer
- client
- portrait
- historical
- 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 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005406 washing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect 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
- 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
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能，具体应用于机器学习中，揭露了一种产品推荐方法、装置、计算机设备及存储介质，包括接收推荐指令及客户需求数据；解析推荐指令，得到客户名称，根据客户名称获取客户数据；根据客户数据，生成事实标签画像；将事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，评估模型为根据历史事实标签画像来构建的；根据客户需求数据，生成客户需求特征画像；将事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品；输出所述待推荐金融产品。本申请还涉及区块链技术，所述客户数据存储于区块链中。本申请能给客户准确推荐符合其实际需求和承受能力的金融产品。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着社会的不断发展，越来越多的企业为使其自身的利益不受损害，其够买金融产品的需求越来越旺盛，而对于出售金融产品的机构，例如银行等。对于数以千计的金融产品，如何对客户进行针对性推荐产品，在现有技术中，仅通过客户历史数据与客户需求就进行推荐，其给客户推荐的产品不能很好的贴近客户的实际需求和其承受能力，推荐的产品准确性低；此外，对于客户提出的服务需求，现有技术需要业务人员需要通过多个系统、多种渠道获取客户的相关评价信息，在客户信息收集和分析数据中的工作量大，进而导致推荐效率低。因此，如何准确而高效的推荐产品成为了亟待解决的问题。
发明内容
本申请提供了一种产品推荐方法、装置、计算机设备及存储介质，以解决现有技术中针对客户需求和其承受能力不能准确推荐产品给客户且推荐效率不高的问题。
为解决上述问题，本申请提供了一种产品推荐方法，包括：
接收推荐指令及客户需求数据；
解析所述推荐指令，得到客户名称，根据所述客户名称获取客户数据；
根据所述客户数据，生成事实标签画像；
将所述事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
根据所述客户需求数据，生成客户需求特征画像；
将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
输出所述待推荐金融产品。
进一步的，所述根据所述客户名称获取客户数据包括：
通过网络爬虫从网页上采集所述客户数据。
进一步的，所述根据所述客户名称获取客户数据包括：
基于所述客户名称，向预设数据库发送调用请求，所述调用请求携带验签令牌；
接收所述数据库返回的验签结果，并在验签结果为通过时，调用所述数据库中与所述客户名称匹配的信息数据，作为客户数据；
所述验签的方式为RSA非对称加密方式。
进一步的，在所述生成事实标签画像之前，还包括：
利用随机森林算法对客户数据进行清洗，以去除冗余和错误的所述客户数据；
将清洗后的所述客户数据根据属性来进行内部关联；
根据所述关联结果将所述客户数据分为客户基本信息数据、第一历史数据和第二历史数据。
进一步的，在所述将清洗后的所述客户数据根据属性来进行内部关联之后，还包括：
将所述关联后的所述客户数据利用数据表结构进行记录。
进一步的，所述事实标签画像包括客户基本特征画像、第一历史画像和第二历史画像；所述根据所述客户数据，生成事实标签画像包括：
基于所述客户基本信息数据构建所述客户基本特征画像；
基于所述第一历史数据构建所述第一历史画像；
基于所述第二历史数据构建所述第二历史画像。
进一步的，在所述将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品之后，还包括：
在客户接受所述金融产品推荐后，收集客户反馈数据；
利用所述客户反馈数据对所述推荐模型进行再训练。
为了解决上述问题，本申请还提供一种产品推荐装置，所述装置包括：
接收模块，用于接收推荐指令及客户需求数据；
解析获取模块，用于解析所述推荐指令，得到客户名称，根据客户名称获取客户数据；
事实标签画像模块，用于根据所述客户数据，生成事实标签画像；
评估模块，用于将事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
客户需求特征画像模块，用于根据所述客户需求数据，生成客户需求特征画像；
推荐模块，用于将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
输出模块，用于输出所述待推荐金融产品。
为了解决上述问题，本申请还提供一种计算机设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述所述的产品推荐方法。
为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的产品推荐方法。
根据本申请实施例提供的产品推荐方法、装置、计算机设备及存储介质，与现有技术相比至少具有以下有益效果：
通过接收并解析推荐指令，得到客户名称，并根据客户名称来获取客户数据；并根据客户数据生成事实标签画像，将事实标签输入至评估模型，得到客户参与金融产品损失承受能力值，以判断客户参与金融产品损失承受能力的大小；并根据接收到的客户需求数据，生成客户需求特征画像；将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，并输出待推荐金融产品。通过评估模型和推荐模型的配合使用，能给客户准确推荐符合其实际需求和承受能力的金融产品，并提高了推荐效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图做一个简单介绍，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为本申请一实施例提供的产品推荐方法的流程示意图；
图2为本申请一实施例提供的产品推荐装置的模块示意图；
图3为本申请一实施例的计算机设备的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例，也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供一种产品推荐方法。参照图1所示，为本申请一实施例提供的产品推荐方法的流程示意图。
在本实施例中，产品推荐方法包括：
S1、接收推荐指令及客户需求数据；
具体的，即接收用户在前端点击的“开始推荐”并输入“客户需求数据”等指令传送至后台，后台将接收推荐指令和客户需求数据。
所述客户需求数据包括：承保范围、赔付额度要求、投保时长、付款方式和承保对象等。
S2、解析所述推荐指令，得到客户名称，根据所述客户名称获取客户数据；
前端在点击“开始推荐”时，需填写“客户名称”，所以接收到的推荐指令中含有“客户名称”，通过解析所述推荐指令来获取客户名称，并基于客户名称，通过多种方式来获取客户数据，如通过网络爬虫方式获取网页上的有关客户数据或者在公司数据库中查找与客户名称对应的客户数据。
进一步的，所述根据所述客户名称获取客户数据包括：
通过网络爬虫从网页上采集所述客户数据。
具体的，通过网络爬虫(例如使用sprapy爬虫框架)从工商登记部门、信用中国、行政执法、司法部门公示网站等网络渠道采集客户的公开数据、业务数据等。采集的数据可以包括图片数据、文本数据等。
还可通过企业查或天眼查等企业数据服务商购买。
通过网络爬虫收集客户数据，可以快速的从多个网页中获取到客户数据。
进一步的，所述根据所述客户名称获取客户数据包括：
基于所述客户名称，向预设数据库发送调用请求，所述调用请求携带验签令牌；
接收所述数据库返回的验签结果，并在验签结果为通过时，调用所述数据库中与所述客户名称匹配的信息数据，作为客户数据；
所述验签的方式为RSA非对称加密方式。
在公司内部，对于历史客户的数据都会保存至预设数据库中，所以在获取客户数据时，会进行查询步骤，若查询到有该客户数据，将调取所述客户数据；在调取客户数据时，数据库会进行验签步骤，以保证数据的安全，避免泄露数据等问题。
通过获取数据库中保存的客户数据，提升了客户数据的真实信息，通过验签步骤也保证客户数据的安全。
S3、根据所述客户数据，生成事实标签画像；
进一步的，在所述生成事实标签画像之前，还包括：
利用随机森林算法对客户数据进行清洗，以去除冗余和错误的所述客户数据；
将清洗后的所述客户数据根据属性来进行内部关联；
根据所述关联结果将所述客户数据分为客户基本信息数据、第一历史数据和第二历史数据。
具体的，所述清洗是使用大数据算法，例如随机森林算法或多元回归算法等，针对汇集的客户数据进行去除无效性、删除重复性、纠正错误性等“问题数据”；
而关联，则是针对清洗后的数据进行相关性分析，利用Apriori算法来发现数据属性之间的规律，并根据属性进行关联。例如，发现位于同一时间段的数据会具有一定的相关性，发现位于同一时间段的所有数据会具有相同的属性。
Apriori算法是一种挖掘出数据关联规则(Association Rules)的算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。进而根据属性来进行关联；
例如客户数据包括：历史投保产品、历史投保类型、历史投保标的物、历史投保费率及保费、担保期限、商事登记信息、变更信息、业务范围、涉及的司法案件、行政处罚、企业信用信息、理赔时间、理赔原因类型、赔付额度和理赔次数等；在经过内部关联处理后，将得到历史投保产品、历史投保类型、历史投保标的物、历史投保费率及保费和担保期限被关联在一起，商事登记信息、变更信息、业务范围、涉及的司法案件、行政处罚和企业信用信息被关联在一起；理赔时间、理赔原因类型、赔付额度和理赔次数被关联在一起。
根据上述关联结果，客户数据被分为了三类，将这三类定义为客户基本数据、第一历史数据和第二历史数据三种类型的数据；
所述第一历史数据为客户历史投保数据类型，包括：历史投保产品、历史投保类型、历史投保标的物、历史投保费率及保费和担保期限等。
客户基本数据包括：商事登记信息、变更信息、业务范围、涉及的司法案件、行政处罚、企业信用信息等。
所述第二历史数据为历史理赔数据类型，包括理赔时间、理赔原因类型、赔付额度和理赔次数等。
通过清洗和关联步骤对数据进行预处理并根据关联结果进行分类，保证了数据正确性和关联性。
再进一步的，在所述将清洗后的所述客户数据根据属性来进行内部关联之后，还包括：
将所述关联后的所述客户数据利用数据表结构进行记录。
具体的，数据的结构化为，将关联后的各数据，即具有相同属性的数据利用相同的数据表结构记录下来，例如对保单标的物的数量、标的物名称用数据表结构记录下来。
通过将数据结构化，便于输入模型进行利用。
进一步的，所述事实标签画像包括客户基本特征画像、第一历史画像和第二历史画像；所述根据所述客户数据，生成事实标签画像包括：
基于所述客户基本信息数据构建所述客户基本特征画像；
基于所述第一历史数据构建所述第一历史画像；
基于所述第二历史数据构建所述第二历史画像。
将所述数据构建成画像，便于后续的利用。
S4、将事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
具体的，所述评估模型为采用SBM(Structure Based Model)模型训练所得的模型，训练数据为历史事实标签画像，通过将客户事实标签画像输入评估模型，将得到客户参与金融产品损失承受能力，并且所述客户参与金融产品损失承受能力值分为5个等级，客户参与金融产品损失承受能力值从大到小分为进取型、积极型、稳健型、保守型和安全型；
S5、根据所述客户需求数据，生成客户需求特征画像；
具体的，接收用户输入客户的投保需求数据，所述客户需求特征画像基于所述新投保需求数据进行构建。
需用户或客户输入的内容包括：承保范围、赔付额度要求、投保时长、付款方式和承保对象等，接收到上述数据后，来构建客户需求特征画像。
S6、将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
具体的，根据历史事实标签画像、历史客户需求特征画像和历史产品推荐方案来构建所述推荐模型，在使用模型时，仅输入事实标签画像和客户需求特征画像和客户参与金融产品损失承受能力值数据至推荐模型，从而得到至少1个待推荐金融产品。
所述推荐模型为采用随机森林模型训练所得的模型，训练数据为历史事实标签画像、历史客户需求特征画像和历史产品推荐方案，在推荐模型经过训练后，输入事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值即可得到至少1个待推荐金融产品。
历史事实标签画像、历史客户需求特征画像和历史产品推荐方案从所述数据库中获取
进一步的，在所述将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品之后，还包括：
在客户接受所述金融产品推荐后，收集客户反馈数据；
利用所述客户反馈数据对所述推荐模型进行再训练。
具体的，通过收集到的客户反馈数据，利用所述客户反馈数据对推荐模型进一步训练和优化，来实现更精准的推荐适合用户的金融产品给客户。
通过利用输出数据对模型进行在训练，可提高模型的输出精度。
S7、输出所述待推荐金融产品。
需要强调的是，为了进一步保证数据的私密性和安全性，所述客户数据还可以存储于一区块链的节点中。
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。
本申请通过接收并解析推荐指令，得到客户名称，并根据客户名称来获取客户数据；并根据客户数据生成事实标签画像，将事实标签输入至评估模型，得到客户参与金融产品损失承受能力值，以判断客户参与金融产品损失承受能力的大小；并根据接收到的客户需求数据，生成客户需求特征画像；将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，并输出待推荐金融产品。通过评估模型和推荐模型的配合使用，能给客户准确推荐符合其实际需求和承受能力的金融产品，并提高了推荐效率。
如图2所示，是本申请产品推荐装置的功能模块图。
本申请所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置100可以包括接收模块101、解析获取模块102、事实标签画像模块103、评估模块104和客户需求特征画像模块105、推荐模块106和输出模块107。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
接收模块101，用于接收推荐指令及客户需求数据；
具体的，接收模块101将接收用户在前端点击的“开始推荐”并输入“客户需求数据”等指令传送至后台，后台将接收推荐指令和客户需求数据。
解析获取模块102，用于解析所述推荐指令，得到客户名称，根据客户名称获取客户数据；
进一步的，所述解析获取模块102包括爬虫子模块；
所述爬虫子模块用于通过网络爬虫从网页上采集所述客户数据。
具体的，爬虫子模块通过网络爬虫(例如使用sprapy爬虫框架)从工商登记部门、信用中国、行政执法、司法部门公示网站等网络渠道采集客户的公开数据、业务数据等。采集的数据可以包括图片数据、文本数据等。
所述爬虫子模块通过网络爬虫收集客户数据，可以快速的从多个网页中获取到客户数据
进一步的，所述解析获取模块102包括调用子模块和接收验签子模块；
具体的，调用子模块基于所述客户名称，向预设数据库发送调用请求，所述调用请求携带验签令牌；
接收验签子模块接收所述数据库返回的验签结果，并在验签结果为通过时，调用所述数据库中与所述客户名称匹配的信息数据，作为客户数据；所述验签的方式为RSA非对称加密方式；
通过调用子模块和接收验签子模块的配合，来从数据中调取客户数据，保证了客户数据安全。
事实标签画像模块103，用于根据所述客户数据，生成事实标签画像；
进一步的，所述产品推荐装置100包括清洗模块、关联模块和分类模块；
清洗模块利用随机森林算法对客户数据进行清洗，以去除冗余和错误的所述客户数据；
关联模块将清洗后的所述客户数据根据属性来进行内部关联；
分类模块根据所述关联结果将所述客户数据分为客户基本信息数据、第一历史数据和第二历史数据。
具体的，清洗模块则是使用大数据算法，例如随机森林算法或多元回归算法等，针对汇集的客户数据进行去除无效性、删除重复性、纠正错误性等“问题数据”。
所述关联模块则是针对清洗后的数据进行相关性分析，利用Apriori算法来发现数据属性之间的规律，并根据属性进行关联。
所述分类模块根据关联模块的关联结果将客户数据进行分类，并分为客户基本数据、第一历史数据和第二历史数据三种类型的数据三类。
通过清洗模块、关联模块和分类模块的配合，对数据进行预处理并根据关联结果进行分类，保证了数据正确性和关联性。
再进一步的，所述产品推荐装置100包括结构化模块；
所述结构化模块将所述关联后的所述客户数据利用数据表结构进行记录。
具体的，结构化模块，将关联后的各数据，即具有相同属性的数据利用相同的数据表结构记录下来。
通过结构化模块将数据结构化，便于输入模型进行利用。
进一步的，事实标签画像模块103包括客户基本特征画像子模块、第一历史画像子模块和第二历史画像子模块；
客户基本特征画像子模块基于所述客户基本信息数据构建所述客户基本特征画像；
第一历史画像子模块基于所述第一历史数据构建所述第一历史画像；
第二历史画像子模块基于所述第二历史数据构建所述第二历史画像。
通过特征画像子模块、第一历史画像子模块和第二历史画像子模块的配合，将所述数据构建成画像，便于后续的利用。
评估模块104，用于将事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
具体的，评估模块104中的评估模型为采用SBM(Structure Based Model)模型训练所得的模型，训练数据为历史事实标签画像，通过将客户事实标签画像输入评估模型，将得到客户参与金融产品损失承受能力值，并且所述客户参与金融产品损失承受能力值分为5个等级，客户参与金融产品损失承受能力值从大到小分为进取型、积极型、稳健型、保守型和安全型；
客户需求特征画像模块105，用于根据所述客户需求数据，生成客户需求特征画像；
具体的，客户需求特征画像模块105接收用户输入客户的投保需求数据，所述客户需求特征画像基于所述新投保需求数据进行构建。
推荐模块106，用于将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
具体的，推荐模块106根据历史事实标签画像、历史客户需求特征画像和历史产品推荐方案来构建所述推荐模型，在使用模型时，仅输入事实标签画像和客户需求特征画像和客户参与金融产品损失承受能力值数据至推荐模型，从而得到至少1个待推荐金融产品。
推荐模块106采用随机森林模型训练所得的模型，并且训练数据为历史事实标签画像、历史客户需求特征画像和历史产品推荐方案。
进一步的，推荐模块106包括收集反馈数据模块和再训练模块；
收集反馈数据模块用于在客户接受所述金融产品推荐后，收集客户反馈数据；
再训练模块用于利用所述客户反馈数据对所述推荐模型进行再训练。
具体的，收集反馈数据模块通过收集到的客户反馈数据，再训练模块利用所述客户反馈数据对推荐模型进一步训练和优化，来实现更精准的推荐适合用户的金融产品给客户。
通过收集反馈数据模块和再训练模块的配合利用输出数据对模型进行在训练，可提高模型的输出精度。
输出模块107，用于输出所述待推荐金融产品；
需要强调的是，为了进一步保证数据的私密性和安全性，所述客户数据还可以存储于一区块链的节点中。
通过采用产品推荐装置100，所述产品推荐装置100通过接收模块101、解析获取模块102、事实标签画像模块103、评估模块104和客户需求特征画像模块105、推荐模块106和输出模块107的配合，能给客户准确推荐符合其实际需求和承受能力的金融产品，并提高了推荐效率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如产品推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述产品推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例产品推荐方法的步骤，通过接收并解析推荐指令，得到客户名称，并根据客户名称来获取客户数据；并根据客户数据生成事实标签画像，将事实标签输入至评估模型，得到客户参与金融产品损失承受能力值，以判断客户参与金融产品损失承受能力的大小；并根据接收到的客户需求数据，生成客户需求特征画像；将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，并输出待推荐金融产品。通过评估模型和推荐模型的配合使用，能给客户准确推荐符合其实际需求和承受能力的金融产品，并提高了推荐效率。
本申请还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的产品推荐方法的步骤，通过接收并解析推荐指令，得到客户名称，并根据客户名称来获取客户数据；并根据客户数据生成事实标签画像，将事实标签输入至评估模型，得到客户参与金融产品损失承受能力值，以判断客户参与金融产品损失承受能力的大小；并根据接收到的客户需求数据，生成客户需求特征画像；将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，并输出待推荐金融产品。通过评估模型和推荐模型的配合使用，能给客户准确推荐符合其实际需求和承受能力的金融产品，并提高了推荐效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (8)
1.一种产品推荐方法，其特征在于，所述方法包括：
接收推荐指令及客户需求数据；
解析所述推荐指令，得到客户名称，根据所述客户名称获取客户数据；
根据所述客户数据，生成事实标签画像；
将所述事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
根据所述客户需求数据，生成客户需求特征画像；
将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
输出所述待推荐金融产品；
其中，在所述生成事实标签画像之前，还包括：
利用随机森林算法对客户数据进行清洗，以去除冗余和错误的所述客户数据；
将清洗后的所述客户数据根据属性来进行内部关联；
根据所述内部关联的结果将所述客户数据分为客户基本信息数据、第一历史数据和第二历史数据，所述第一历史数据为客户历史投保数据类型，所述第二历史数据为历史理赔数据类型；
其中，所述事实标签画像包括客户基本特征画像、第一历史画像和第二历史画像；所述根据所述客户数据，生成事实标签画像包括：
基于所述客户基本信息数据构建所述客户基本特征画像；
基于所述第一历史数据构建所述第一历史画像；
基于所述第二历史数据构建所述第二历史画像。
2.根据权利要求1所述的产品推荐方法，其特征在于，所述根据所述客户名称获取客户数据包括：
通过网络爬虫从网页上采集所述客户数据。
3.根据权利要求1所述的产品推荐方法，其特征在于，所述根据所述客户名称获取客户数据包括：
基于所述客户名称，向预设数据库发送调用请求，所述调用请求携带验签令牌；
接收所述数据库返回的验签结果，并在验签结果为通过时，调用所述数据库中与所述客户名称匹配的信息数据，作为客户数据；
所述验签的方式为RSA非对称加密方式。
4.根据权利要求1所述的产品推荐方法，其特征在于，在所述将清洗后的所述客户数据根据属性来进行内部关联之后，还包括：
将所述关联后的所述客户数据利用数据表结构进行记录。
5.根据权利要求1所述的产品推荐方法，其特征在于，在所述将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品之后，还包括：
在客户接受所述金融产品推荐后，收集客户反馈数据；
利用所述客户反馈数据对所述推荐模型进行再训练。
6.一种产品推荐装置，其特征在于，所述装置包括：
接收模块，用于接收推荐指令及客户需求数据；
解析获取模块，用于解析所述推荐指令，得到客户名称，根据客户名称获取客户数据；
事实标签画像模块，用于根据所述客户数据，生成事实标签画像；
评估模块，用于将事实标签画像输入至评估模型，得到客户参与金融产品损失承受能力值，所述评估模型为根据历史事实标签画像构建；
客户需求特征画像模块，用于根据所述客户需求数据，生成客户需求特征画像；
推荐模块，用于将所述事实标签画像、客户需求特征画像和客户参与金融产品损失承受能力值输入至推荐模型，得到至少1个待推荐金融产品，所述推荐模型为根据历史事实标签画像、历史客户需求特征画像和历史产品推荐构建；
输出模块，用于输出所述待推荐金融产品；
其中，所述产品推荐装置包括清洗模块、关联模块和分类模块；
所述清洗模块，用于利用随机森林算法对客户数据进行清洗，以去除冗余和错误的所述客户数据；
所述关联模块，用于将清洗后的所述客户数据根据属性来进行内部关联；
所述分类模块，用于根据所述内部关联的结果将所述客户数据分为客户基本信息数据、第一历史数据和第二历史数据，所述第一历史数据为客户历史投保数据类型，所述第二历史数据为历史理赔数据类型；
其中，所述事实标签画像模块包括客户基本特征画像子模块、第一历史画像子模块和第二历史画像子模块；
所述客户基本特征画像子模块，用于基于所述客户基本信息数据构建所述客户基本特征画像；
所述第一历史画像子模块，用于基于所述第一历史数据构建所述第一历史画像；
所述第二历史画像子模块，用于基于所述第二历史数据构建所述第二历史画像。
7.一种计算机设备，其特征在于，所述计算机设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一所述的产品推荐方法。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一所述的产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288851.2A CN112330412B (zh) | 2020-11-17 | 2020-11-17 | 一种产品推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288851.2A CN112330412B (zh) | 2020-11-17 | 2020-11-17 | 一种产品推荐方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330412A CN112330412A (zh) | 2021-02-05 |
| CN112330412B true CN112330412B (zh) | 2024-04-05 |
Family
ID=74322439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011288851.2A Active CN112330412B (zh) | 2020-11-17 | 2020-11-17 | 一种产品推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330412B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884599A (zh) * | 2021-03-22 | 2021-06-01 | 树根互联股份有限公司 | 定制家具工厂匹配方法、装置和计算机设备 |
| CN113034246A (zh) * | 2021-04-29 | 2021-06-25 | 中国工商银行股份有限公司 | 理财产品推荐方法及装置 |
| CN113781247A (zh) * | 2021-09-18 | 2021-12-10 | 平安医疗健康管理股份有限公司 | 协议数据推荐方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679946A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN110009503A (zh) * | 2019-04-03 | 2019-07-12 | 平安信托有限责任公司 | 理财产品推荐方法、装置、计算机设备及存储介质 |
| 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 |
| CN110443715A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、设备及计算机可读存储介质 |
| WO2019216825A1 (en) * | 2018-05-06 | 2019-11-14 | Inzsure Pte. Ltd. | System and method for recommending insurance products |
| CN111340553A (zh) * | 2020-02-28 | 2020-06-26 | 山东爱城市网信息技术有限公司 | 一种金融服务平台产品个性化推荐方法及系统 |
| CN111400613A (zh) * | 2020-03-17 | 2020-07-10 | 苏宁金融科技(南京)有限公司 | 物品推荐方法、装置、介质及计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020023051A1 (en) * | 2000-03-31 | 2002-02-21 | Kunzle Adrian E. | System and method for recommending financial products to a customer based on customer needs and preferences |
-
2020
- 2020-11-17 CN CN202011288851.2A patent/CN112330412B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679946A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| WO2019216825A1 (en) * | 2018-05-06 | 2019-11-14 | Inzsure Pte. Ltd. | System and method for recommending insurance products |
| CN110009503A (zh) * | 2019-04-03 | 2019-07-12 | 平安信托有限责任公司 | 理财产品推荐方法、装置、计算机设备及存储介质 |
| 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 |
| CN110443715A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、设备及计算机可读存储介质 |
| CN111340553A (zh) * | 2020-02-28 | 2020-06-26 | 山东爱城市网信息技术有限公司 | 一种金融服务平台产品个性化推荐方法及系统 |
| CN111400613A (zh) * | 2020-03-17 | 2020-07-10 | 苏宁金融科技(南京)有限公司 | 物品推荐方法、装置、介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330412A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330412B (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
| US11157926B2 (en) | Digital content prioritization to accelerate hyper-targeting | |
| US8271346B1 (en) | System to format and use electronically readable identification data strings, biometric data, matrix codes and other data to link and enroll users of products and services to roles and rights and fees and prices associated with research protocols linked to said products and services | |
| CN107909178B (zh) | 电子装置、失联修复率预测方法和计算机可读存储介质 | |
| Schintler et al. | Encyclopedia of big data | |
| CN101625686A (zh) | 一种监控多数据库之间数据一致性的方法及系统 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
| CN110990486A (zh) | 基于网络数据交互的区块链通证发放和存证方法及装置 | |
| CN112561565A (zh) | 一种基于行为日志的用户需求识别方法 | |
| CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
| CN115168460A (zh) | 数据处理方法、数据交易系统、设备及存储介质 | |
| WO2023137484A1 (en) | Sustainability management systems and methods | |
| Huang | Data processing | |
| Kuchkovskiy et al. | Application of Online Marketing Methods and SEO Technologies for Web Resources Analysis within the Region. | |
| CN112511632B (zh) | 基于多源数据的对象推送方法、装置、设备及存储介质 | |
| CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
| CN116860856A (zh) | 一种财务数据处理方法、装置、计算机设备及存储介质 | |
| CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
| CN115578170A (zh) | 一种财务批量制证方法、装置、设备及存储介质 | |
| CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
| CN108268482A (zh) | 信息推送方法、装置以及设备 | |
| CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
| Hogan | Data center | |
| CN110300961A (zh) | 统一智能连接器 |
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 |