CN112465611A - 向用户推送物品信息的方法、装置和电子设备 - Google Patents
向用户推送物品信息的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112465611A CN112465611A CN202110142079.1A CN202110142079A CN112465611A CN 112465611 A CN112465611 A CN 112465611A CN 202110142079 A CN202110142079 A CN 202110142079A CN 112465611 A CN112465611 A CN 112465611A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- information
- financial resources
- item
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 25
- 238000012545 processing Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种向用户推送物品信息的方法、装置、电子设备和计算机可读存储介质,该方法包括:根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额;对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额;将物品信息推送给用户,提示用户使用金融资源购买物品。由于本发明将该用户可提供的金融资源的最大数额与待推送给用户的物品价值进行对比,确保物品价值不超过用户的最大消费能力,从而保证用户有能力购买推送的物品,提高物品推送成功率。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种向用户推送物品信息的方法、装置、电子设备及计算机可读介质。
背景技术
现有的网上商城中,对于商城物品推荐的处理,主要是分析用户感兴趣的物品,并将其推送给用户。但是对于用户而言,如果物品的价格过高,虽然用户可能对该物品感兴趣,却由于用户的消费能力有限,无法购买该物品,所以本次物品推送的结果实际上是失败的。
因此,需要一种新的物品推送方案,在向用户推送物品时考虑到用户的承担能力,提升用户购买物品的概率。
因此,使用GNN进行常规的推荐之后,加入用户的风险表现进行限制,也就是使用常规算法XGB或者逻辑回归预测给用户更高的额度的时候用户的逾期表现,使高于用户承担能力的物品尽量少甚至不出现在用户的推荐页。
发明内容
本发明旨在提供一种向用户推送物品信息的方案,在向用户推送物品时考虑到用户的承担能力,提升用户购买物品的概率。
为了解决上述技术问题,本发明第一方面提出一种向用户推送物品信息的方法,所述方法包括:根据用户的历史互联网金融业务行为数据,预测所述用户可向互联网金融业务发生对象提供的金融资源的最大数额;对待推送给所述用户的物品信息进行筛选,使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额;将所述物品信息推送给所述用户,提示所述用户使用金融资源购买所述物品。
根据本发明的一种优选实施方式,所述用户的历史互联网金融业务行为数据包括所述用户从历史互联网金融业务发生对象获取金融资源时的行为特征数据、所述用户向所述历史互联网金融业务发生对象提供金融资源时的行为特征数据。
根据本发明的一种优选实施方式,所述使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额,包括:在所述物品的价值被划分为多期次的分期价值时,将所述物品最早期次的价值数额与所述用户可提供的金融资源的最大数额进行比对以筛选商品。
根据本发明的一种优选实施方式,在所述将所述物品最早期次的价值数额与所述用户可提供的金融资源的最大数额进行比对以筛选商品之前,还包括:在所述物品的价值具有多种期次划分方式时,根据不同期次划分方式下所述物品最早期次的价值数额或所述物品所有期次的总价值数额,为所述物品从所述多种期次划分方式中选择一种期次划分方式。
根据本发明的一种优选实施方式,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:根据所述用户的收入信息,分析所述用户收入的变化趋势,根据所述用户收入的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:根据所述用户所属的行业信息,查询所述用户所属行业的变化趋势,根据所述用户所属行业的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:根据所述用户所在的地域信息,查询所述用户所在地域存在的风险事件,根据所述用户所在地域存在的风险事件对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:根据页面会话中所述用户对多个物品信息的点击顺序,生成所述多个物品信息对应的嵌入向量;根据所述多个物品信息之间的相关性,为所述多个物品信息对应的嵌入向量设置权重;根据设置权重后的嵌入向量,预测所述用户感兴趣的物品信息,作为待推送给所述用户的物品信息。
根据本发明的一种优选实施方式,所述根据页面会话中所述用户对多个物品信息的点击顺序,生成所述多个物品信息对应的嵌入向量,包括:根据所述用户对所述多个物品信息的点击顺序构建有向图;计算所述有向图对应的出入度矩阵,根据所述出入度矩阵计算所述多个物品信息对应的嵌入向量。
为了解决上述技术问题,本发明第二方面提出一种向用户推送物品信息的装置,所述装置包括:数额预测模块,根据用户的历史互联网金融业务行为数据,预测所述用户可向互联网金融业务发生对象提供的金融资源的最大数额;筛选模块,对待推送给所述用户的物品信息进行筛选,使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额;推送模块,将所述物品信息推送给所述用户,提示所述用户使用金融资源购买所述物品。
根据本发明的一种优选实施方式,所述用户的历史互联网金融业务行为数据包括所述用户从历史互联网金融业务发生对象获取金融资源时的行为特征数据、所述用户向所述历史互联网金融业务发生对象提供金融资源时的行为特征数据。
根据本发明的一种优选实施方式,所述筛选模块在所述物品的价值被划分为多期次的分期价值时,将所述物品最早期次的价值数额与所述用户可提供的金融资源的最大数额进行比对以筛选商品。
根据本发明的一种优选实施方式,所述筛选模块在所述物品的价值具有多种期次划分方式时,根据不同期次划分方式下所述物品最早期次的价值数额或所述物品所有期次的总价值数额,为所述物品从所述多种期次划分方式中选择一种期次划分方式。
根据本发明的一种优选实施方式,所述筛选模块还根据所述用户的收入信息,分析所述用户收入的变化趋势,根据所述用户收入的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,所述筛选模块还根据所述用户所属的行业信息,查询所述用户所属行业的变化趋势,根据所述用户所属行业的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,所述筛选模块还根据所述用户所在的地域信息,查询所述用户所在地域存在的风险事件,根据所述用户所在地域存在的风险事件对所述用户可提供的金融资源的最大数额进行调整。
根据本发明的一种优选实施方式,还包括:物品预测模块,根据页面会话中所述用户对多个物品信息的点击顺序,生成所述多个物品信息对应的嵌入向量;根据所述多个物品信息之间的相关性,为所述多个物品信息对应的嵌入向量设置权重;根据设置权重后的嵌入向量,预测所述用户感兴趣的物品信息,作为待推送给所述用户的物品信息。
根据本发明的一种优选实施方式,所述物品预测模块根据所述用户对所述多个物品信息的点击顺序构建有向图;计算所述有向图对应的出入度矩阵,根据所述出入度矩阵计算所述多个物品信息对应的嵌入向量。
为了解决上述技术问题,本发明第三方面提出一种电子设备,其包括处理器以及存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为了解决上述技术问题,本发明第四方面提出一种计算机可读存储介质,该所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述的方法。
由于本发明对用户的历史互联网金融业务行为数据进行分析,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额,该数据反映了用户的最大消费能力,将该用户可提供的金融资源的最大数额与待推送给用户的物品价值进行对比,确保物品价值不超过用户的最大消费能力,从而保证用户有能力购买推送的物品,提高物品推送成功率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是根据本发明的一个实施例的向用户推送物品信息的方法的流程图;
图2是根据本发明的一个实施例的向用户推送物品信息的方法的流程图;
图3是根据本发明的一个实施例的向用户推送物品信息的方法的流程图;
图4是根据本发明的一个实施例的向用户推送物品信息的装置的框图;
图5是根据本发明的一个实施例的向用户推送物品信息的装置的框图;
图6是根据本发明的一个实施例的电子设备的框图;
图7是根据本发明的一个实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明提供了对用户进行物品信息推送的方案,相比于传统的物品推送方案,还考虑到了用户的消费承受能力,首先对用户的历史互联网金融业务行为数据进行分析,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额,数据反映了用户的最大消费能力;对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额,从而保证用户有能力购买推送的物品;将物品信息推送给用户,提示用户使用金融资源购买物品,由于物品价值在用户最大消费能力之内,所以有利于提高物品推送成功率。
如图1所示,本发明的一个实施例中提供了一种向用户推送物品信息的方法,包括:
步骤S110,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
本实施例中,对用户的历史互联网金融业务行为数据的类型不进行限制,具体地,用户的历史互联网金融业务行为数据可以包括用户从历史互联网金融业务发生对象获取金融资源时的行为特征数据、用户向历史互联网金融业务发生对象提供金融资源时的行为特征数据,例如,可以是用户的历史存款数据、历史借贷数据、历史偿还数据以及逾期未还的情况等。在本实施例中,用户的历史存款数据、借贷数据、偿还数据以及逾期未还数据等可以反应出用户的消费能力,对该类数据进行分析可以得到用户的最大消费能力,也即用户可以用于购买物品的能力。
根据本实施例的技术方案,对于进行了借贷的用户,可以使用用户历史借款数据,比如逾期表现、借款行为等方面数据来做一个能够预测用户可能逾期的最大承受额度的模型,也就是预测用户的最大还款能力。利用这个预测的额度值,来给用户筛选推送物品,确保用户的总偿债小于这个值。首先我们选择在金融领域使用范围广、分类效果较好的分类器,例如XGBoost(全称为eXtreme Gradient Boosting, 中文为梯度提升树,是一种集成化的梯度提升方法)或者LR(逻辑回归,Logistic Regression. 是一种广义的线性回归分析模型,常用于数据挖掘、疾病自动诊断、经济预测等领域)来模拟给予用户更高的额度时用户的逾期情况,也就是在去掉当前需要偿还的金额之后,基于剩下的金额对推荐的物品进行筛选,使得用户的消费行为在用户的还款能力之内。
步骤S120,对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额。
在本实施例中,可以将物品价值与用户可提供的金融资源的最大数额进行对比,例如,预测出用户可提供的金融资源的最大数额为1000元,即用户的最大消费能力为1000元,而待推送给用户的物品价值为1200元,即商品价格为1200元,经过对比发现商品价格已经超过了用户的最大消费能力,此时将该商品从推送名单中去除。
步骤S130,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例将电子商城中海量的物品基于用户消费能力进行筛选后显示到用户的商城首页,针对已经产生网络借贷的用户,通过推荐算法,增加用户的消费频次,提高用户粘性,通过用户的风险表现,一定程度上限制高于其当前消费能力的物品出现,在维持坏账的情况下增加营收。
本实施例的过程,可以用前述的XGBoost或LR分类器完成,两个分类器的相关参数可以设置如下:
XGBoost:learning_rate=0.03,gamma=0,subsample=0.8,n_estimators=180, max_depth=6,min_child_weight=9,colsample_bytree=0.8, reg_lambda= 0.2
LR:penalty=’l2’,solver=’liblinear’,c=0.1
对两个分类器的分类效果进行比较,最后得出的效果值是XGB:0.69, LR:0.63,所以选用XGB去做最后的风险模型,在对数据集进行了推荐之后最终测得的MOB6(信贷行业里的专业术语,在账月份数,month on book, 代表客户借款后生成账单至所定位时间的月份数)的逾期率上涨0.005%,与之前相差不大,但是推荐增加的有效成交金额增加12.3%。
如图2所示,本发明的一个实施例中提供了一种向用户推送物品信息的方法,包括:
步骤S210,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
步骤S220,根据用户的收入信息,分析用户收入的变化趋势,根据用户收入的变化趋势对用户可提供的金融资源的最大数额进行调整。
在本实施例中,获取用户的收入信息,从而分析用户的收入变化趋势,如果用户的收入变化趋势逐渐增高,说明未来用户有更多的资源用于消费,即用户的最大消费能力在未来将会增加,此时可以将用户可提供的金融资源的最大数额调高。
或者,根据用户所属的行业信息,查询用户所属行业的变化趋势,根据用户所属行业的变化趋势对用户可提供的金融资源的最大数额进行调整。
在本实施例中,获取用户的行业信息,并分析用户所述行业的变化趋势,该变化趋势通常指人均收入变化趋势,也可以是失业率变化趋势,例如,假如用户所在行业普遍出现降薪情况,说明未来用户的收入可能会降低,用户的最大消费能力有下降的风险,此时可以将用户可提供的金融资源的最大数额调低。
或者,根据用户所在的地域信息,查询用户所在地域存在的风险事件,根据用户所在地域存在的风险事件对用户可提供的金融资源的最大数额进行调整。
在本实施例中,查询用户所在地域的风险事件,例如,用户所在的城市发生了重大自然灾害,由于自然灾害可能对用户生活产生负面影响,严重降低了用户的消费能力,此时可以将用户可提供的金融资源的最大数额调低。
步骤S230,对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额,并且在物品的价值被划分为多期次的分期价值时,将物品最早期次的价值数额与用户可提供的金融资源的最大数额进行比对以筛选商品。
在本实施例中,物品的价值被划分为多期次的分期价值是指,物品在售卖时体现为分期付款的方式,即用户不需要一次性付完全部款项,而是可以分12期或24期来付款,由于用户采用分期付款的方式,所以只要用户首期付款不超过用户的最大消费能力即可。
进一步地,在物品的价值具有多种期次划分方式时,根据不同期次划分方式下物品最早期次的价值数额或物品所有期次的总价值数额,为物品从多种期次划分方式中选择一种期次划分方式。
在本实施例中,当物品有多种分期付款方式时,为保证用户有能力购买该商品,可以为用户选择更多分期、首期付款更少的分期付款方式,确保用户首次支付款项不超过用户的最大消费能力,可以顺利购买物品;也可以为用户选择总付款额更少的分期付款方式,以减轻用户持续付款的压力。
步骤S240,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例中,有别于传统的商城推荐算法中只关注用户的兴趣与物品的种类特质,能够更好地与用户当前其他借贷或者历史借贷信息相结合,在增加用户消费频次的同时,使其原来产品的逾期率也能维持在原有水准不上升。
根据本实施例的技术方案,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额,该数据反映了用户的最大消费能力,并可以根据用户的收入、行业变化趋势和地域风险情况,对用户可提供的金融资源的最大数额做进一步的调整,在将该用户可提供的金融资源的最大数额与待推送给用户的多期次物品价值进行对比时,取首期价值进行对比,确保物品价值不超过用户的最大消费能力,从而保证用户有能力购买推送的物品,提高物品推送成功率。
如图3所示,本发明的一个实施例中提供了一种向用户推送物品信息的方法,包括:
步骤S310,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
步骤S320根据页面会话中用户对多个物品信息的点击顺序,生成多个物品信息对应的嵌入向量。
在本实施例中,使用基于页面会话序列建模的推荐算法SR-GNN(Session-basedRecommendation with Graph Neural Networks,一种基于会话序列建模的推荐系统,这里所谓的会话是指用户的交互过程(每个会话表示一次用户行为和对应的服务,所以每个用户记录都会构建成一张图),这里说的会话序列应该是专门表示一个用户过往一段时间的交互序列)。首先从商品页面获取所有的物品V={v1,v2,...,vm},以及在该页面session(会话)中按照时间先后排序获取用户的点击序列s=[vs,1,vs,2,...,vs,n],本实施例的目标是预测用户下一个要点击的物品vs,n+1 。
具体地,可以根据用户对多个物品信息的点击顺序构建有向图;计算有向图对应的出入度矩阵,根据出入度矩阵计算多个物品信息对应的嵌入向量。
本实施例中,根据用户在商城中的对物品的点击记录,构建成一个有向图,也就是为每个session构建一个子图,并计算对应的出入度矩阵;然后基于这个图来学习每个物品的embedding向量(嵌入式向量),这样每个session就可以用按照时间顺序拼接而成的每个物品的embedding向量来表示。
步骤S330,根据多个物品信息之间的相关性,为多个物品信息对应的嵌入向量设置权重。
在本实施例中,接下来使用attention(注意力机制,即把注意力集中放在重要的点上,而忽略其他不重要的因素。其中重要程度的判断取决于应用场景)机制,分别计算近期点击的物品与前边点击的物品的相关性,根据相关性高低进行加权,得到最终session的embedding向量。
步骤S340,根据设置权重后的嵌入向量,预测用户感兴趣的物品信息,作为待推送给用户的物品信息。
在本实施例中,对每个候选item计算得分,经过softmax激活函数(用于多分类过程中,将输出映射到(0,1)区间内)得到预测输出。
本实施例中,计算完入度出度的矩阵之后,接下来的过程我们使用TensorFlow(一个核心开源库,可以用于开发和训练机器学习模型)来实现,参数设定为(batch_size=100,hidden_size=100,step=1,epoch=30,step=1),之后按照上述步骤实现得到最终的输出,按照评价指标p_20:top20(推荐项目的准确率,前20名)、mrr_20:top20(项目中正确推荐项目的排名,前20名)的均值,对比其他方法得到的结果如下所示,可见SR-GNN得分最高,因此选择SR-GNN算法计算待向用户推送的物品信息。
步骤S350,对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额。
步骤S360,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例的技术方案,一是能够充分利用用户的历史信息以及风险表现,使用户在原有还款金额的情况下,尽量少接触到高于其当前还款能力的商品;二是通过推荐算法,根据不同用户的兴趣推荐不同的物品,使更多冷门产品出现在更多用户的首页,增加用户购买产品的可能性。
本实施例核心在于分析用户的最大消费能力,即用户的历史风险表现,将其作为对原本商城推荐系统产生的结果的一个限制,使得推荐结果既能增加用户点击率或者购买率,又能充分发挥用户的消费能力,从而在维持住坏账率的情况下增加营收。通过本实施例的技术方案,可以增加用户点击率,增加用户在商城购买物品的可能性,规避用户由于增加购买商品的支出而达到用户当前还款能力上限产生的逾期等情况,以达到提高成交量与利润的目的。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序,即计算机程序。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
如图4所示,本发明的一个实施例中提供了一种向用户推送物品信息的装置,包括:
数额预测模块410,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
本实施例中,对用户的历史互联网金融业务行为数据的类型不进行限制,具体地,用户的历史互联网金融业务行为数据可以包括用户从历史互联网金融业务发生对象获取金融资源时的行为特征数据、用户向历史互联网金融业务发生对象提供金融资源时的行为特征数据,例如,可以是用户的历史存款数据、历史借贷数据、历史偿还数据以及逾期未还的情况等。在本实施例中,用户的历史存款数据、借贷数据、偿还数据以及逾期未还数据等可以反应出用户的消费能力,对该类数据进行分析可以得到用户的最大消费能力,也即用户可以用于购买物品的能力。
根据本实施例的技术方案,对于进行了借贷的用户,可以使用用户历史借款数据,比如逾期表现、借款行为等方面数据来做一个能够预测用户可能逾期的最大承受额度的模型,也就是预测用户的最大还款能力。利用这个预测的额度值,来给用户筛选推送物品,确保用户的总偿债小于这个值。首先我们选择在金融领域使用范围广、分类效果较好的分类器,例如XGBoost(全称为eXtreme Gradient Boosting, 中文为梯度提升树,是一种集成化的梯度提升方法)或者LR(逻辑回归,Logistic Regression. 是一种广义的线性回归分析模型,常用于数据挖掘、疾病自动诊断、经济预测等领域)来模拟给予用户更高的额度时用户的逾期情况,也就是在去掉当前需要偿还的金额之后,基于剩下的金额对推荐的物品进行筛选,使得用户的消费行为在用户的还款能力之内。
筛选模块420,对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额。
在本实施例中,可以将物品价值与用户可提供的金融资源的最大数额进行对比,例如,预测出用户可提供的金融资源的最大数额为1000元,即用户的最大消费能力为1000元,而待推送给用户的物品价值为1200元,即商品价格为1200元,经过对比发现商品价格已经超过了用户的最大消费能力,此时将该商品从推送名单中去除。
推送模块430,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例将电子商城中海量的物品基于用户消费能力进行筛选后显示到用户的商城首页,针对已经产生网络借贷的用户,通过推荐算法,增加用户的消费频次,提高用户粘性,通过用户的风险表现,一定程度上限制高于其当前消费能力的物品出现,在维持坏账的情况下增加营收。
本实施例的过程,可以用前述的XGBoost或LR分类器完成,两个分类器的相关参数可以设置如下:
XGBoost:learning_rate=0.03,gamma=0,subsample=0.8,n_estimators=180, max_depth=6,min_child_weight=9,colsample_bytree=0.8, reg_lambda= 0.2
LR:penalty=’l2’,solver=’liblinear’,c=0.1
对两个分类器的分类效果进行比较,最后得出的效果值是XGB:0.69, LR:0.63,所以选用XGB去做最后的风险模型,在对数据集进行了推荐之后最终测得的MOB6(信贷行业里的专业术语,在账月份数,month on book, 代表客户借款后生成账单至所定位时间的月份数)的逾期率上涨0.005%,与之前相差不大,但是推荐增加的有效成交金额增加12.3%。
如图4所示,本发明的一个实施例中提供了一种向用户推送物品信息的装置,包括:
数额预测模块4210,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
筛选模块420,根据用户的收入信息,分析用户收入的变化趋势,根据用户收入的变化趋势对用户可提供的金融资源的最大数额进行调整。
在本实施例中,获取用户的收入信息,从而分析用户的收入变化趋势,如果用户的收入变化趋势逐渐增高,说明未来用户有更多的资源用于消费,即用户的最大消费能力在未来将会增加,此时可以将用户可提供的金融资源的最大数额调高。
或者,根据用户所属的行业信息,查询用户所属行业的变化趋势,根据用户所属行业的变化趋势对用户可提供的金融资源的最大数额进行调整。
在本实施例中,获取用户的行业信息,并分析用户所述行业的变化趋势,该变化趋势通常指人均收入变化趋势,也可以是失业率变化趋势,例如,假如用户所在行业普遍出现降薪情况,说明未来用户的收入可能会降低,用户的最大消费能力有下降的风险,此时可以将用户可提供的金融资源的最大数额调低。
或者,根据用户所在的地域信息,查询用户所在地域存在的风险事件,根据用户所在地域存在的风险事件对用户可提供的金融资源的最大数额进行调整。
在本实施例中,查询用户所在地域的风险事件,例如,用户所在的城市发生了重大自然灾害,由于自然灾害可能对用户生活产生负面影响,严重降低了用户的消费能力,此时可以将用户可提供的金融资源的最大数额调低。
筛选模块420对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额,并且在物品的价值被划分为多期次的分期价值时,将物品最早期次的价值数额与用户可提供的金融资源的最大数额进行比对以筛选商品。
在本实施例中,物品的价值被划分为多期次的分期价值是指,物品在售卖时体现为分期付款的方式,即用户不需要一次性付完全部款项,而是可以分12期或24期来付款,由于用户采用分期付款的方式,所以只要用户首期付款不超过用户的最大消费能力即可。
进一步地,在物品的价值具有多种期次划分方式时,根据不同期次划分方式下物品最早期次的价值数额或物品所有期次的总价值数额,为物品从多种期次划分方式中选择一种期次划分方式。
在本实施例中,当物品有多种分期付款方式时,为保证用户有能力购买该商品,可以为用户选择更多分期、首期付款更少的分期付款方式,确保用户首次支付款项不超过用户的最大消费能力,可以顺利购买物品;也可以为用户选择总付款额更少的分期付款方式,以减轻用户持续付款的压力。
推送模块430,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例中,有别于传统的商城推荐算法中只关注用户的兴趣与物品的种类特质,能够更好地与用户当前其他借贷或者历史借贷信息相结合,在增加用户消费频次的同时,使其原来产品的逾期率也能维持在原有水准不上升。
根据本实施例的技术方案,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额,该数据反映了用户的最大消费能力,并可以根据用户的收入、行业变化趋势和地域风险情况,对用户可提供的金融资源的最大数额做进一步的调整,在将该用户可提供的金融资源的最大数额与待推送给用户的多期次物品价值进行对比时,取首期价值进行对比,确保物品价值不超过用户的最大消费能力,从而保证用户有能力购买推送的物品,提高物品推送成功率。
如图5所示,本发明的一个实施例中提供了一种向用户推送物品信息的装置,包括:
数额预测模块510,根据用户的历史互联网金融业务行为数据,预测用户可向互联网金融业务发生对象提供的金融资源的最大数额。
物品预测模块520,根据页面会话中用户对多个物品信息的点击顺序,生成多个物品信息对应的嵌入向量。
在本实施例中,使用基于页面会话序列建模的推荐算法SR-GNN(Session-basedRecommendation with Graph Neural Networks,一种基于会话序列建模的推荐系统,这里所谓的会话是指用户的交互过程(每个会话表示一次用户行为和对应的服务,所以每个用户记录都会构建成一张图),这里说的会话序列应该是专门表示一个用户过往一段时间的交互序列)。首先从商品页面获取所有的物品V={v1,v2,...,vm},以及在该页面session(会话)中按照时间先后排序获取用户的点击序列s=[vs,1,vs,2,...,vs,n],本实施例的目标是预测用户下一个要点击的物品vs,n+1 。
具体地,可以根据用户对多个物品信息的点击顺序构建有向图;计算有向图对应的出入度矩阵,根据出入度矩阵计算多个物品信息对应的嵌入向量。
本实施例中,根据用户在商城中的对物品的点击记录,构建成一个有向图,也就是为每个session构建一个子图,并计算对应的出入度矩阵;然后基于这个图来学习每个物品的embedding向量(嵌入式向量),这样每个session就可以用按照时间顺序拼接而成的每个物品的embedding向量来表示。
物品预测模块520根据多个物品信息之间的相关性,为多个物品信息对应的嵌入向量设置权重。
在本实施例中,接下来使用attention(注意力机制,即把注意力集中放在重要的点上,而忽略其他不重要的因素。其中重要程度的判断取决于应用场景)机制,分别计算近期点击的物品与前边点击的物品的相关性,根据相关性高低进行加权,得到最终session的embedding向量。
物品预测模块520,根据设置权重后的嵌入向量,预测用户感兴趣的物品信息,作为待推送给用户的物品信息。
在本实施例中,对每个候选item计算得分,经过softmax激活函数(用于多分类过程中,将输出映射到(0,1)区间内)得到预测输出。
本实施例中,计算完入度出度的矩阵之后,接下来的过程我们使用TensorFlow(一个核心开源库,可以用于开发和训练机器学习模型)来实现,参数设定为(batch_size=100,hidden_size=100,step=1,epoch=30,step=1),之后按照上述步骤实现得到最终的输出,按照评价指标p_20:top20(推荐项目的准确率,前20名)、mrr_20:top20(项目中正确推荐项目的排名,前20名)的均值,对比其他方法得到的结果如下所示,可见SR-GNN得分最高,因此选择SR-GNN算法计算待向用户推送的物品信息。
筛选模块530,对待推送给用户的物品信息进行筛选,使得筛选后物品信息相关的物品的价值数额不超过用户可提供的金融资源的最大数额。
推送模块540,将物品信息推送给用户,提示用户使用金融资源购买物品。
本实施例的技术方案,一是能够充分利用用户的历史信息以及风险表现,使用户在原有还款金额的情况下,尽量少接触到高于其当前还款能力的商品;二是通过推荐算法,根据不同用户的兴趣推荐不同的物品,使更多冷门产品出现在更多用户的首页,增加用户购买产品的可能性。
本实施例核心在于分析用户的最大消费能力,即用户的历史风险表现,将其作为对原本商城推荐系统产生的结果的一个限制,使得推荐结果既能增加用户点击率或者购买率,又能充分发挥用户的消费能力,从而在维持住坏账率的情况下增加营收。通过本实施例的技术方案,可以增加用户点击率,增加用户在商城购买物品的可能性,规避用户由于增加购买商品的支出而达到用户当前还款能力上限产生的逾期等情况,以达到提高成交量与利润的目的。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图6是根据本发明的一种电子设备的示例性实施例的结构框图。图6显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,该示例性实施例的电子设备200以通用数据处理设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元220存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元210执行,使得所述处理单元210执行本发明各种实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备200交互,和/或使得该电子设备200能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口250进行,还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,电子设备200中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
图7是本发明的一个计算机可读介质实施例的示意图。如图7所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:根据用户的历史互联网金融业务行为数据,预测所述用户可向互联网金融业务发生对象提供的金融资源的最大数额;对待推送给所述用户的物品信息进行筛选,使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额;将所述物品信息推送给所述用户,提示所述用户使用金融资源购买所述物品。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
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,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,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 (10)
1.一种向用户推送物品信息的方法,其特征在于,包括:
根据用户的历史互联网金融业务行为数据,预测所述用户可向互联网金融业务发生对象提供的金融资源的最大数额;
对待推送给所述用户的物品信息进行筛选,使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额;
将所述物品信息推送给所述用户,提示所述用户使用金融资源购买所述物品。
2.根据权利要求1所述的方法,其特征在于,
所述用户的历史互联网金融业务行为数据包括所述用户从历史互联网金融业务发生对象获取金融资源时的行为特征数据、所述用户向所述历史互联网金融业务发生对象提供金融资源时的行为特征数据。
3.根据权利要求1所述的方法,其特征在于,所述使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额,包括:
在所述物品的价值被划分为多期次的分期价值时,将所述物品最早期次的价值数额与所述用户可提供的金融资源的最大数额进行比对以筛选商品。
4.根据权利要求3所述的方法,其特征在于,在所述将所述物品最早期次的价值数额与所述用户可提供的金融资源的最大数额进行比对以筛选商品之前,还包括:
在所述物品的价值具有多种期次划分方式时,根据不同期次划分方式下所述物品最早期次的价值数额或所述物品所有期次的总价值数额,为所述物品从所述多种期次划分方式中选择一种期次划分方式。
5.根据权利要求1所述的方法,其特征在于,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:
根据所述用户的收入信息,分析所述用户收入的变化趋势,根据所述用户收入的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
6.根据权利要求1所述的方法,其特征在于,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:
根据所述用户所属的行业信息,查询所述用户所属行业的变化趋势,根据所述用户所属行业的变化趋势对所述用户可提供的金融资源的最大数额进行调整。
7.根据权利要求1所述的方法,其特征在于,在所述对待推送给所述用户的物品信息进行筛选之前,还包括:
根据所述用户所在的地域信息,查询所述用户所在地域存在的风险事件,根据所述用户所在地域存在的风险事件对所述用户可提供的金融资源的最大数额进行调整。
8.一种向用户推送物品信息的装置,其特征在于,包括:
数额预测模块,根据用户的历史互联网金融业务行为数据,预测所述用户可向互联网金融业务发生对象提供的金融资源的最大数额;
筛选模块,对待推送给所述用户的物品信息进行筛选,使得筛选后所述物品信息相关的物品的价值数额不超过所述用户可提供的金融资源的最大数额;
推送模块,将所述物品信息推送给所述用户,提示所述用户使用金融资源购买所述物品。
9.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142079.1A CN112465611A (zh) | 2021-02-02 | 2021-02-02 | 向用户推送物品信息的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142079.1A CN112465611A (zh) | 2021-02-02 | 2021-02-02 | 向用户推送物品信息的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465611A true CN112465611A (zh) | 2021-03-09 |
Family
ID=74802619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110142079.1A Pending CN112465611A (zh) | 2021-02-02 | 2021-02-02 | 向用户推送物品信息的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465611A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537950A (zh) * | 2021-08-20 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 项目处理方法以及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408377A (zh) * | 2016-08-31 | 2017-02-15 | 广东华邦云计算股份有限公司 | 购物推荐方法及系统 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及系统 |
CN110795621A (zh) * | 2019-09-26 | 2020-02-14 | 北京你财富计算机科技有限公司 | 一种金融产品推荐信息展示方法、装置及电子设备 |
CN112269933A (zh) * | 2020-11-04 | 2021-01-26 | 杭州卡欧科技有限公司 | 一种基于有效连接的潜在客户识别方法 |
-
2021
- 2021-02-02 CN CN202110142079.1A patent/CN112465611A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408377A (zh) * | 2016-08-31 | 2017-02-15 | 广东华邦云计算股份有限公司 | 购物推荐方法及系统 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及系统 |
CN110795621A (zh) * | 2019-09-26 | 2020-02-14 | 北京你财富计算机科技有限公司 | 一种金融产品推荐信息展示方法、装置及电子设备 |
CN112269933A (zh) * | 2020-11-04 | 2021-01-26 | 杭州卡欧科技有限公司 | 一种基于有效连接的潜在客户识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537950A (zh) * | 2021-08-20 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 项目处理方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3989131A1 (en) | Method and system for realizing machine learning modeling process | |
US11694257B2 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
US8412604B1 (en) | Financial account segmentation system | |
US20220027993A1 (en) | System and method for facilitating social trading | |
US11055772B1 (en) | Instant lending decisions | |
CN110135976A (zh) | 用户画像生成方法、装置、电子设备和计算机可读介质 | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
US20140278774A1 (en) | In the market model systems and methods | |
CN111242356A (zh) | 一种财富走势预测方法、装置、设备及存储介质 | |
Tekin et al. | Data mining in digital marketing | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
WO2022169770A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
CN112465611A (zh) | 向用户推送物品信息的方法、装置和电子设备 | |
CN112836742A (zh) | 系统资源调整方法、装置及设备 | |
JP7117440B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US20200349642A1 (en) | Configuring user interface functionality based on background processing of data related to pre-qualification status | |
US20230136972A1 (en) | Egocentric network entity robustness prediction | |
US12033189B2 (en) | Method, system, and apparatus for programmatically determining and adjusting electronic bid values for a digital content object | |
JP7392190B1 (ja) | 会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラム | |
CN112015975B (zh) | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 | |
US20210256516A1 (en) | Computer-based system and method for targeting financial goals via electronic code or coupon auctions | |
KR20230174873A (ko) | 저축 목적 데이터 기반 재테크 교육/금융 콘텐츠 추천 서비스 제공 방법 및 그 장치 |
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 |