CN113052653A - 一种金融产品内容推荐方法、系统及计算机可读存储介质 - Google Patents
一种金融产品内容推荐方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113052653A CN113052653A CN202110314113.9A CN202110314113A CN113052653A CN 113052653 A CN113052653 A CN 113052653A CN 202110314113 A CN202110314113 A CN 202110314113A CN 113052653 A CN113052653 A CN 113052653A
- Authority
- CN
- China
- Prior art keywords
- financial product
- content
- user
- information
- recommendation
- 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 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及内容推荐技术领域,具体公开了金融产品内容推荐方法、系统及计算机可读存储介质;方法包括如下操作步骤:步骤1:从多个不同的数据源获取被手机用户标识符标识的用户偏好数据信息;步骤2:将用户偏好信息输入卷积神经网络模块并生成金融产品内容目录;步骤3:依照目录里的内容信息从金融产品信息数据库内调取与目录内容相关的金融产品信息;步骤4:将金融产品信息以可视化的方式在用户端上展示。金融产品内容推荐系统包括:用户偏好数据库、金融产品信息数据库、服务端和用户端;计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时,用于实现金融产品内容推荐方法;本发明用于解决金融产品内容精准推荐的技术问题。
Description
技术领域
本发明涉及互联网产品推荐技术领域,尤其涉及一种金融产品内容推荐方法、系统及计算机可读存储介质。
背景技术
现有金融理财平台上使用的一账通统一账户虽能管理所有在该综合金融理财平台上注册的账户,以实现保险、银行、投资等多种理财需求。但随着互联网信息时代的到来,平台数量、用户数量和在线营销数据日益增多,金融产品类型也不断向多样化发展。越来越多的企业开始研究产品推荐模型,向用户推荐其感兴趣或急需购买的产品。现有产品推荐方法主要是根据历史销售记录,选择销量较好的产品置于其首页,或者根据用户的购买记录和浏览记录进行推荐;但是每个客户的资产情况、购买需求等都各不相同,该模式无法真正满足所有的消费者。对于公司来说,无论是根据历史销售记录,还是根据用户的购买习惯,将销量好的产品进行推荐,明显考量因素不够全面;因此受推荐的准确性不足因素影响,现有内容推荐方法无法满足用户个性化的使用需求。
因此,研发一种金融产品内容推荐方法、系统及计算机可读存储介质,用于解决如何综合引入多方面考虑因素实施个性化内容推荐,以改善用户体验并持续提升核心业务指标的技术问题成为一种必需。
发明内容
本发明的目的是为了解决如何在互联网产品平台实施内容推荐的技术问题提出了一种金融产品内容推荐方法、系统及计算机可读存储介质。
为了实现上述目的,本发明采用了如下技术方案:
一方面,本发明提供一种金融产品内容推荐方法,所述方法包括如下操作步骤:
步骤1:从多个不同的数据源获取被手机用户标识符标识的用户偏好数据信息;
步骤2:将所述用户偏好信息输入卷积神经网络模块并生成待推荐金融产品内容目录;
步骤3:依照所述待推荐金融产品内容目录里的内容信息从金融产品信息数据库内调取与所述待推荐金融产品内容目录相关的金融产品信息;
步骤4:将被调取的所述金融产品信息以可视化的方式在用户端上展示。
优选的,在所述步骤1中,所述多个不同的数据源均分别通过相应的大数据平台获取。
优选的,所述用户偏好数据信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报中的至少一种。
优选的,在所述步骤2中,在所述步骤2中,所述卷积神经网络包括:内容推荐模型和方式推荐模型。
优选的,在所述步骤2中,所述内容推荐模型为推荐计算单元,包括:深度学习算法和投放规则。
优选的,所述方式推荐模型的推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
另一方面,本发明还提供一种金融产品内容推荐系统,包括:
用户偏好数据库:用于存储被手机用户标识符标识的用户偏好数据信息:
金融产品信息数据库:用于存储金融产品的信息内容;
服务端:用于将金融产品信息推送至用户端;被推送的所述金融产品信息在调取时依照待推荐金融产品内容目录从所述金融产品信息数据库内调取;所述推荐金融产品内容目录以通过将所述用户偏好数据信息输入卷积神经网络模块的生成方式获取;
用户端:用于展示被所述服务端推送的所述金融产品信息。
优选的,所述用户偏好数据信息包括:用户服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理信息、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报的信息中的至少一种;
所述卷积神经网络模块:用于以自我训练的方式基于所述用户偏好数据信息和用户行为信息构建内容推荐模型,并根据所述内容推荐模型输出所述推荐金融产品内容目录。
优选的,从多个不同的数据源获取被手机用户标识符标识的用户偏好数据信息;所述多个不同的数据源均分别通过相应的大数据平台获取。
优选的,所述卷积神经网络包括:内容推荐模型和方式推荐模型。
优选的,所述内容推荐模型为推荐计算单元,包括:深度学习算法和投放规则。
优选的,所述方式推荐模型的推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
进一步的,本发明还提供一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时,用于实现如前所述的金融产品内容推荐方法。
综上所述,由于采用了上述技术方案后所具有的有益效果是:
1、本发明综合分析多个不同的数据源获取用户信息能够更全面的对用户的个人喜好做出准确的分析与判断,为更为精准的内容推荐打下良好的数据基础。
2、本发明同时基于内容指标和客户指标为用户信息生成用户信息集,能够用于构建用户画像,便于获得信息更为全面的内容推荐模型。
3、本发明构建内容推荐模型并训练卷积神经网络,能够将推荐结果以符合用户查阅习惯的方式推送给目标客户,相比现有技术中采用固定模板推送推荐结果的操作方式能够收获更高的推荐采纳率。
4、本发明优选采用大数据平台获取数据源,所获得的的客户信息将更为精准完整。
附图说明
图1为本发明实施例2中用户行为推荐算法示意图;
图2为本发明实施例2中用户相似度推荐算法示意图;
图3为本发明实施例2中物件相似度推荐算法示意图;
图4为本发明实施例2中内容推荐模型的系统架构图;
图5为本发明实施例2中方式推荐模型算法示意图;
图6为本发明实施例2中神经网络架构图;
图7为本发明实施例2中DeepWalk实现流程示意图;
图8为本发明实施例5中金融产品内容推荐方法的逻辑结构示意图;
图9为本发明实施例5中金融产品内容推荐方法应用在某集团产品推荐时搭建的算法逻辑框图;
图10为本发明实施例5中用户基本信息模块的搭建结构示意图;
图11为本发明实施例5中用户行为建模结构示意图;
图12为本发明实施例5中某数码发烧友用户画像的数据结构示意图;
图13为本发明实施例5中群体画像以标签的方式可视化时的界面结构示意图;
图14为图13所示群体画像以标签的特征分布示意图;
图15为本发明实施例8中其中一个用户的用户画像雷达图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
本实施例提供一种金融产品内容推荐方法,能够更为准确精确的面向用户推送产品内容;包括如下操作步骤:
步骤1:从多个不同的数据源获取被手机用户标识符标识的用户偏好数据信息;
步骤2:将所述用户偏好信息输入卷积神经网络模块并生成待推荐金融产品内容目录;
步骤3:依照所述待推荐金融产品内容目录里的内容信息从金融产品信息数据库内调取与所述待推荐金融产品内容目录相关的金融产品信息;
步骤4:将被调取的所述金融产品信息以可视化的方式在用户端上展示。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤1中,所述多个不同的数据源均分别通过相应的大数据平台获取。
优选的,在本实施例的其中一个优选技术方案中,所述用户偏好数据信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报中的至少一种。
实施例2:
本实施例在实施例1的基础上,在所述步骤2中,所述内容推荐模型为推荐计算单元,包括:深度学习算法和投放规则。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤2中,所述卷积神经网络包括:内容推荐模型和方式推荐模型。
优选的,在本实施例的其中一个优选技术方案中,所述方式推荐模型的推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,在本实施例的其中一个优选技术方案中,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
需要说明的是,上述深度学习算法和投放规则可依现有技术所实现,故本实施例仅详述下述包含内容推荐模型和方式推荐模型的深度学习算法和投放规则作为其中一种优选的技术实施方式加以使用。
其中,内容推荐模型是根据历史数据分析用户的偏好,有针对性的为用户推荐类似的内容,包含三种方式:用户行为推荐(相关算法参见图1所示)、用户相似度推荐(相关算法参见图2所示)和物件相似度推荐(相关算法参见图3所示)。
上述内容推荐模型主要步骤包括:
1)根据埋点数据采取用户在应用软件上的一段时间内浏览、参与的活动、产品购买等行为数据,抽取出一些特征,对数据进行结构化处理;
2)通过产品属性设定产品的组合关联关系;例如:购买了房产的产品可以与贷款、保险、汽车、购物消费等组成联系;
3)利用用户历史喜欢或不喜欢的特征集合,通过机器学习算法,如线性回归、最近邻、神经网络等进行监督训练,学习出用户的兴趣特征表示;
4)通过产品组合联系,直接选择相似度方法,只要把与用户兴趣特征最相关的多个产品作为推荐返回给用户即可;或把模型预测的用户最可能感兴趣的多个产品作为推荐返回给用户即可。
上述内容推荐模型的系统架构参见图4所示。
参见图5,方式推荐模型是基于海量协同数据抽取标签归类,形成用户的标签数据,即用户画像;根据历史数据,以用户行为、交易的维护进行产品分析,构建基于产品的标签画像。然后通过图4所示的关联规则算法和矩阵分解算法相结合的方式推荐模式,形成针对人群为特点的产品营销推广手段。
参见图6和图7,本实施例中深入学习模型主要包含上述的几个算法,以技术的方式进行实现。在技术实现上,参考神经网络思维,采用矩阵SVD分解、DeepWalk随机游走模型,由物品组成的图结构上进行随机游走,产生大量物品序列,然后将这些物品序列作为训练样本输入word2vec进行训练,得到物品的embedding。在DeepWalk的基础上,通过调整随机游走权重的方法,使embedding的结果在网络的同质性和结构性中进行平衡。
实施例3:
本实施例提供一种金融产品内容推荐方法,能够更为准确精确的面向用户推送产品内容;包括如下操作步骤:
步骤1:从多个不同的数据源收集用户偏好数据信息和用户行为信息,并基于所述用户偏好数据信息和用户行为信息生成用户信息集;所述用户偏好数据信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史和地理中的至少一种;所述用户行为信息包括:包括:点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报中的至少一种;
步骤2:基于所述用户信息集构建内容推荐模型,并训练卷积神经网络;
步骤3:通过所述卷积神经网络向客户推送推荐内容。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤1中,所述多个不同的数据源均分别通过相应的大数据平台获取。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤2中,所述卷积神经网络包括推荐内容和推荐方式。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤2中,所述内容推荐模型包括:深度学习算法和投放规则。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤2中,所述内容推荐模型为推荐计算单元。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤2中,所述内容推荐模型的内容推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,在本实施例的其中一个优选技术方案中,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
实施例4:
本实施例提供一种金融产品内容推荐方法,能够更为准确精确的面向用户推送产品内容;包括如下操作步骤:
步骤1:从多个不同的数据源获取用户信息;
步骤2:基于内容指标和客户指标针对所述用户信息分析构建用户画像;
步骤3:将所述用户画像输入到内容推荐模型;
步骤4:通过内容推荐模型输出内容推荐结果;
步骤5:将所述推荐结果按照相应的推荐方式推荐到对应客户。
需要说明的是:本实施例中,上述操作步骤中内容推荐模型的相关技术手段基于现有技术实现故其相关技术细节在此不再进一步图示与赘述。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤1中,所述用户信息通过多个大数据平台获取。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤4中,所述推荐结果包括推荐内容和推荐方式。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤4中,所述内容推荐模型包括:深度学习算法和投放规则。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤4中,所述内容推荐模型为推荐计算单元。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤4中,所述内容推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,在本实施例的其中一个优选技术方案中,在所述步骤5中,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
实施例5:
以集团应用场景为例基于上述实施例进一步详述本发明所述金融产品内容推荐方法的具体操作步骤。
参见图8所示,依照上述方法,某集团的数据源选择由集团各板块、金融板块、大数据平台和产品通数据平台构成;被手机用户标识符标识的用户偏好数据信息包括:兴趣探索、NLP分析、GDBT+LR、和深度学习;内容指标包括:产品曝光率、产品浏览率、产品转化率、用户在线时间分布、用户购买偏好等标识信息;客户指标包括:不同区域的相关标识信息;构建用户画像时分别基于上述内容指标及客户指标,针对上述用户信息进行针对性构建;被构建好的用户画像经建模后以模型的方式被输入到内容推荐模型;其中,推荐场景包括但不限于定向投票及千人千面。最后,由内容推荐模型输出内容推荐结果。
如图9所示,某集团的产品集市H5由:Banner板块、限时福利板块、理财专区板块和贷款专区板块构成;产品通后台接口用于将通过上述板块获取的产品和广告信息传递至内容推荐模型;在本实施例中所涉内容推荐模型由服务层、引擎层和基础层构成;其中,服务层包括:由活动、广告类产品推荐API和产品类产品推荐API组成的Open API,和由投放规则设定模块、深度学习参数设定模块、推荐方案配置模块构成的运管系统;引擎层包括:由定向投放算法、画像营销算法、个性化推荐算法、机器学习算法和效果数据分析算法构成的算法模型;优选的,上述定向投放模块细分为参数模块、策略模块和逻辑模块;基础层包括:AI模块、云计算模块、大数据模块和产品通模块;其中,大数据模块细分为用户基本信息模块、用户资产画像模块和用户行为画像模块;产品通模块细分为用户位置画像模块、产品数据模块、交易数据模块和行为数据模块。
如图10所示,在本实施例中,被手机用户标识符标识的用户偏好数据信息细分为用户数据模块、用户偏好数据模块和用户行为数据模块;其中,用户数据模块所涉信息包括:国籍、年龄、城市、职业、性别、省份、行业;用户偏好数据模块所涉信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史和地理;用户行为数据模块所涉信息包括:点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报。
如图11所示,基于上述用户信息按照:文本挖掘、自然语言处理、机器学习、预测算法、聚类算法的分析逻辑进行行为建模。
如图12所示,以某数码发烧友为例,在分析构建用户画像时,可以优选分析用户的用户属性、兴趣爱好、社交网络、行为特征、购买能力和心理特征,并针对上述特征设置相应的分析模块。
如图13所示,被生成的用户画像以用户标签的方式可视化呈现,与上述用户标签相对应的特征分布如图14所示。需要说明的是图13与图14中的文字及图像内容信息并非本发明的技术要点,故已作信息模糊化处理,仅为示意其画像结构形态,具体选项卡以及标签内容的设置可以实际构建需求作出常规选择。
需要说明的是上述服务层、引擎层及基础层内所包含的算法内容包括但不限于上述方案所公开的应用方式,将已公开的上述技术手段以局部手段删减或重新排列组合后形成的新实施方案也是本发明所要求保护的。
实施例6:
本实施例基于上述金融产品内容推荐方法还提供一种金融产品内容推荐系统,包括:
用户偏好数据库:用于存储被手机用户标识符标识的用户偏好数据信息:
金融产品信息数据库:用于存储金融产品的信息内容;
服务端:用于将金融产品信息推送至用户端;被推送的所述金融产品信息在调取时依照待推荐金融产品内容目录从所述金融产品信息数据库内调取;所述推荐金融产品内容目录以通过将所述用户偏好数据信息输入卷积神经网络模块的生成方式获取;
用户端:用于展示被所述服务端推送的所述金融产品信息。
优选的,在本实施例的其中一个优选技术方案中,所述用户偏好数据信息包括:用户服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理信息、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报的信息中的至少一种;所述卷积神经网络模块:用于以自我训练的方式基于所述用户偏好数据信息和用户行为信息构建内容推荐模型,并根据所述内容推荐模型输出所述推荐金融产品内容目录。
实施例7:
本实施例基于上述金融产品内容推荐方法还提供一种金融产品内容推荐系统,包括:
服务端:所述服务端设置有用户信息采集模块和卷积神经网络模块;所述用户信息采集模块:用于从多个不同的数据源收集用户偏好数据信息和用户行为信息,并基于所述用户偏好数据信息和用户行为信息生成用户信息集;所述用户偏好数据信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史和地理中的至少一种;所述用户行为信息包括:包括:点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报中的至少一种;所述卷积神经网络模块:用于基于所述用户偏好数据信息和用户行为信息构建内容推荐模型,并训练卷积神经网络;
用户端:所述用户端设置有内容推送模块;所述内容推送模块:用于通过所述卷积神经网络向客户推送推荐内容;
数据库:用于存储所述用户偏好数据信息、用户行为信息、及由所述卷积神经网络生成的待推荐内容。
优选的,在本实施例的其中一个优选技术方案中,所述多个不同的数据源均分别通过相应的大数据平台获取。
优选的,在本实施例的其中一个优选技术方案中,所述卷积神经网络包括推荐内容和推荐方式。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐模型包括:深度学习算法和投放规则。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐模型为推荐计算单元。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐模型的内容推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,在本实施例的其中一个优选技术方案中,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
实施例8:
本实施例还基于上述金融产品内容推荐方法提供一种金融产品内容推荐系统,包括:用户信息采集模块:用于从多个不同的数据源获取用户信息;
用户画像模块:用于基于内容指标和客户指标针对所述用户信息分析构建用户画像:
信息传递模块:用于将所述用户画像输入到内容推荐模型;
内容推荐模块:用于通过内容推荐模型输出内容推荐结果;
结果推送模块:用于将所述推荐结果按照相应的推荐方式推荐到对应客户。
优选的,在本实施例的其中一个优选技术方案中,所述用户信息通过多个大数据平台获取。
优选的,在本实施例的其中一个优选技术方案中,所述推荐结果包括推荐内容和推荐方式。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐模型包括:深度学习算法和投放规则。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐模型为推荐计算单元。
优选的,在本实施例的其中一个优选技术方案中,所述内容推荐结果包括:产品、服务、广告活动中的至少一种。
优选的,在本实施例的其中一个优选技术方案中,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
以金融产品推荐系统为例实施上述技术方案搭建如下金融产品内容推荐系统:
其中,产品推荐系统包括:数据获取单元、数据分析单元、数据处理单元以及产品推荐单元。其中,
(1)数据获取单元,从不同的数据源获取用户信息,数据源包括但不限于不同的业务系统、不同公司、公司大数据平台等。
用户信息包括但不限于下表所示信息:
(2)数据分析单元,根据内容指标和客户指标,对每一个用户个体建立用户档案、多种类身份、消费记录、互动信息、大数据平台汇集的用户标签,合力构建全方位的用户360°画像;同时,结合产品的销售数据,购买群体和营销推广策略,构建产品画像;两者结合实现千人千面的营销。
内容指标包括但不限于:人均浏览率、付费转化率、不同来源、不同区域等。
客户指标包括但不限于:用户属性、资产情况、消费记录等。
如图15所示的用户画像包括但不限于:用户资产画像和用户行为画像,用于分析用户的兴趣爱好、社交网络、行为特征、购买能力、心理特征等。
(3)智能推荐计算单元,将用户画像输入到内容推荐模型,得到内容推荐结果,所述推荐结果包括推荐内容和推荐方式,其中内容推荐模型包括深度学习算法、投放规则等。
1)推荐方式:
定向投放:更多的是基于产品的因素和营销策略来考虑其营销区域、对象,进而实现差异化的营销的。其中产品的因素也即是产品画像。举个例子:某款金融产品在设计时,考虑到监管合规、业务营销特点等,就已明显带有特定的客户群体,在营销时,可以通过定向投放来达成;这时用户登陆华发投控产品通平台时,借助IT技术,通过分析用户信息,所在地理位置及社交关系等,确定此金融产品是否可以展示给此用户,从而实现有针对性的营销效果;
千人千面的营销:更多的是从用户的需求出发,基于每一个用户的360°画像和产品画像进行分析,有针对性的推荐用户感兴趣或需要的产品,实现精准营销。
2)推荐内容包括:活动/广告类产品推荐,产品类产品推荐。
(4)产品推荐单元,根据推荐计算单元得到的推荐结果,将推荐的内容,包括产品、服务或广告活动,按照相应的推荐方式推荐到对应的用户。
金融产品推荐方法如下:
S1、数据获取:从不同的数据源获取用户信息,数据源包括但不限于不同的业务系统、不同公司、公司大数据平台等。
S2、数据分析:根据内容指标和客户指标,对用户信息分析分析,构建用户画像。
S3、智能推荐:将用户画像输入到内容推荐模型,得到内容推荐结果,所述推荐结果包括推荐内容和推荐方式,其中内容推荐模型包括深度学习算法、投放规则等。
S4、根据推荐计算单元得到的推荐结果,将推荐的内容,包括产品、服务或广告活动,按照相应的推荐方式推荐到对应的用户。
进一步,如有多个推荐内容,则对推荐结果进行排序。
本实施例把公司的各板块的产品、服务和广告活动汇集起来,以用户行为数据为基础,采用深度学习等先进的机器学习算法,帮助产品通构建智能推荐中心,根据一定的投放策略到不同的渠道,实现对用户“千人千面”的个性化推荐,改善用户体验,持续提升核心业务指标。
实施例9:
本实施例在上述实施例基础上提供一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时,用于实现前述实施例中的金融产品内容推荐方法。
综上所述,由于采用了上述技术方案后所具有的有益效果是:
1、本发明综合分析多个不同的数据源获取用户信息能够更全面的对用户的个人喜好做出准确的分析与判断,为更为精准的内容推荐打下良好的数据基础。
2、本发明同时基于内容指标和客户指标为用户信息构建用户画像,便于获得信息更为全面的内容推荐模型。
3、本发明基于包含内容指标和客户指标的内容推荐模型分析内容推荐结果,相比现有推荐算法所获取的推荐结果匹配率更高,推荐的匹配相似度更高。
4、本发明灵活采用现有技术中面向客户推送推荐结果的推送方式,能够将推荐结果以符合用户查阅习惯的方式推送给目标客户,相比现有技术中采用固定模板推送推荐结果的操作方式能够收获更高的推荐采纳率。
5、本发明优选采用大数据平台获取用户信息所获得的的客户信息将更为精准完整。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种金融产品内容推荐方法,其特征在于,所述方法包括如下操作步骤:
步骤1:从多个不同的数据源获取被手机用户标识符标识的用户偏好数据信息;
步骤2:将所述用户偏好信息输入卷积神经网络模块并生成待推荐金融产品内容目录;
步骤3:依照所述待推荐金融产品内容目录里的内容信息从金融产品信息数据库内调取与所述待推荐金融产品内容目录相关的金融产品信息;
步骤4:将被调取的所述金融产品信息以可视化的方式在用户端上展示。
2.根据权利要求1所述的方法,其特征在于,在所述步骤1中,所述多个不同的数据源均分别通过相应的大数据平台获取。
3.根据权利要求1所述的方法,其特征在于,所述用户偏好数据信息包括:服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报中的至少一种。
4.根据权利要求1所述的方法,其特征在于,在所述步骤2中,所述卷积神经网络包括:内容推荐模型和方式推荐模型。
5.根据权利要求4所述的方法,其特征在于,在所述步骤2中,所述内容推荐模型为推荐计算单元,包括:深度学习算法和投放规则。
6.根据权利要求4所述的方法,其特征在于,所述方式推荐模型的推荐结果包括:产品、服务、广告活动中的至少一种。
7.根据权利要求6所述的方法,其特征在于,若所述推荐结果包含多个推荐内容时,将所述多个推荐内容排序后按照相应的推荐方式推荐到对应客户。
8.一种金融产品内容推荐系统,其特征在于,包括:
用户偏好数据库:用于存储被手机用户标识符标识的用户偏好数据信息:
金融产品信息数据库:用于存储金融产品的信息内容;
服务端:用于将金融产品信息推送至用户端;被推送的所述金融产品信息在调取时依照待推荐金融产品内容目录从所述金融产品信息数据库内调取;所述推荐金融产品内容目录以通过将所述用户偏好数据信息输入卷积神经网络模块的生成方式获取;
用户端:用于展示被所述服务端推送的所述金融产品信息。
9.根据权利要求8所述的金融产品内容推荐系统,其特征在于,
所述用户偏好数据信息包括:用户服装、美妆、运动、科技、健身、美食、金融、借贷、地产、租赁、历史、地理信息、点击、收藏、分享、点赞、关注、播放、喜欢、不喜欢和举报的信息中的至少一种;
所述卷积神经网络模块:用于以自我训练的方式基于所述用户偏好数据信息和用户行为信息构建内容推荐模型,并根据所述内容推荐模型输出所述推荐金融产品内容目录。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,该计算机程序被处理器执行时,用于实现如权利要求1至7项中任一项所述的金融产品内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314113.9A CN113052653A (zh) | 2021-03-24 | 2021-03-24 | 一种金融产品内容推荐方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314113.9A CN113052653A (zh) | 2021-03-24 | 2021-03-24 | 一种金融产品内容推荐方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052653A true CN113052653A (zh) | 2021-06-29 |
Family
ID=76514963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110314113.9A Pending CN113052653A (zh) | 2021-03-24 | 2021-03-24 | 一种金融产品内容推荐方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052653A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239442A (zh) * | 2022-09-22 | 2022-10-25 | 湖南快乐通宝小额贷款有限公司 | 一种互联网金融产品推广的方法及系统和存储介质 |
CN116506498A (zh) * | 2023-04-20 | 2023-07-28 | 南通智亦诚信息科技有限公司 | 一种基于云计算的数据精准推送方法 |
CN117874633A (zh) * | 2024-03-13 | 2024-04-12 | 金祺创(北京)技术有限公司 | 基于深度学习算法的网络数据资产画像生成方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及系统 |
CN108765043A (zh) * | 2018-03-28 | 2018-11-06 | 平安科技(深圳)有限公司 | 产品推荐方法、电子设备及存储介质 |
CN109726329A (zh) * | 2018-12-29 | 2019-05-07 | 百度在线网络技术(北京)有限公司 | 内容推荐方法、装置及设备 |
CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN111275524A (zh) * | 2020-01-19 | 2020-06-12 | 北京众信易保科技有限公司 | 一种保险产品推荐方法和系统 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
-
2021
- 2021-03-24 CN CN202110314113.9A patent/CN113052653A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及系统 |
CN108765043A (zh) * | 2018-03-28 | 2018-11-06 | 平安科技(深圳)有限公司 | 产品推荐方法、电子设备及存储介质 |
CN109726329A (zh) * | 2018-12-29 | 2019-05-07 | 百度在线网络技术(北京)有限公司 | 内容推荐方法、装置及设备 |
CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN111275524A (zh) * | 2020-01-19 | 2020-06-12 | 北京众信易保科技有限公司 | 一种保险产品推荐方法和系统 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杨旭等: "《数据科学导论(第二版)》", 31 January 2017, 北京理工大学出版社 * |
焦李成等: "《人工智能、类脑计算与图像解译前沿》", 31 January 2020, 西安电子科技大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239442A (zh) * | 2022-09-22 | 2022-10-25 | 湖南快乐通宝小额贷款有限公司 | 一种互联网金融产品推广的方法及系统和存储介质 |
CN115239442B (zh) * | 2022-09-22 | 2023-01-06 | 湖南快乐通宝小额贷款有限公司 | 一种互联网金融产品推广的方法及系统和存储介质 |
CN116506498A (zh) * | 2023-04-20 | 2023-07-28 | 南通智亦诚信息科技有限公司 | 一种基于云计算的数据精准推送方法 |
CN117874633A (zh) * | 2024-03-13 | 2024-04-12 | 金祺创(北京)技术有限公司 | 基于深度学习算法的网络数据资产画像生成方法及装置 |
CN117874633B (zh) * | 2024-03-13 | 2024-05-28 | 金祺创(北京)技术有限公司 | 基于深度学习算法的网络数据资产画像生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Social media data analytics for business decision making system to competitive analysis | |
Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
Chen et al. | Predicting the influence of users’ posted information for eWOM advertising in social networks | |
Moe et al. | Dynamic conversion behavior at e-commerce sites | |
Neslin et al. | Defection detection: Measuring and understanding the predictive accuracy of customer churn models | |
Bojei et al. | Brand equity and current use as the new horizon for repurchase intention of smartphone. | |
Tsai et al. | A novel model of technology diffusion: System dynamics perspective for cloud computing | |
CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
Alojail et al. | A novel technique for behavioral analytics using ensemble learning algorithms in E-commerce | |
CN113052653A (zh) | 一种金融产品内容推荐方法、系统及计算机可读存储介质 | |
CN110147821A (zh) | 目标用户群体确定方法、装置、计算机设备及存储介质 | |
Chiu | Social recommendations for facebook brand pages | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
Mogaji et al. | Attitudes towards brands and advertisements: Qualitative and thematic analysis of social media data | |
Colleoni | New forms of digital marketing research | |
KR102449602B1 (ko) | 멀티미디어 콘텐츠 내 상품 정보 처리 장치 및 그 방법 | |
Mohamed | Location-Based Analytics for Intelligent Marketing to Achieve Competitiveness in Small Business | |
Piatykop et al. | Model Selection of the Target Audience in Social Networks in Order to Promote the Product. | |
KR20210129486A (ko) | 셀럽 브랜드 제작, 판매 및 공유 시스템 | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114723491A (zh) | 一种基于用户画像和数据挖掘的精准营销方法和系统 | |
Adomavicius et al. | Personalization technologies: A process-oriented perspective. | |
CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
Granata et al. | Impact of Artificial Intelligence on Digital Marketing | |
Zhang et al. | Online Shopping Brand Sales Based on IoT Big Data Processing |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |