CN113158053B - 服务类产品推荐方法、装置、计算机设备及存储介质 - Google Patents
服务类产品推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113158053B CN113158053B CN202110449552.0A CN202110449552A CN113158053B CN 113158053 B CN113158053 B CN 113158053B CN 202110449552 A CN202110449552 A CN 202110449552A CN 113158053 B CN113158053 B CN 113158053B
- Authority
- CN
- China
- Prior art keywords
- product
- matrix
- data
- service
- permeability
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种服务类产品推荐方法、装置、计算机设备及存储介质,其方法包括:构建初始权重矩阵,初始权重矩阵包括目标客户与服务类产品的关联数据;获取服务类产品的客群渗透率数据和目标客户的客群标签,根据客群渗透率数据和客群标签构建产品渗透率矩阵;获取服务类产品的产品到期数据,根据产品到期数据构建产品到期矩阵;获取服务类产品的兴趣度数据,根据兴趣度数据构建兴趣度矩阵;叠加初始权重矩阵、产品渗透率矩阵、产品到期矩阵、兴趣度矩阵,生成推荐权重矩阵;将推荐权重矩阵输入服务类产品推荐模型,获取服务类产品推荐模型输出的目标客户在服务类产品上的推荐数据。本发明还涉及区块链技术,所述推荐数据存储于区块链中。本发明可以提高服务类产品推荐的准确率和覆盖率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种服务类产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网行业的蓬勃发展,越来越多用户选择线上购买服务类产品。由于服务类产品种类繁多,用户在购买服务类产品时通常难以抉择。现有的推荐算法没有考虑节点之间的转移概率,存在推荐结果不准确、覆盖率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种服务类产品推荐方法、装置、计算机设备及存储介质,以提高服务类产品推荐的准确率和覆盖率。
一种服务类产品推荐方法,包括:
构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
一种服务类产品推荐装置,包括:
初始权重矩阵模块,用于构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
产品渗透率矩阵模块,用于获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
产品到期矩阵模块,用于获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
兴趣度矩阵模块,用于获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
推荐权重矩阵模块,用于叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
推荐数据模块,用于将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述服务类产品推荐方法。
一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述服务类产品推荐方法。
上述服务类产品推荐方法、装置、计算机设备及存储介质,通过构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同,基于客群标签构建产品渗透率矩阵,可使服务类产品推荐更具针对性,提高服务类产品推荐的覆盖率。产品渗透率矩阵与初始权重矩阵在形式上相同,便于产品渗透率矩阵与初始权重矩阵的叠加。获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同,根据产品到期矩阵,可及时提示目标客户,提高服务类产品的留存率。获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同,提高服务类产品推荐的准确率。叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。本发明可提高服务类产品推荐的准确率和覆盖率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中服务类产品推荐方法的一应用环境示意图;
图2是本发明一实施例中服务类产品推荐方法的一流程示意图;
图3是本发明一实施例中服务类产品推荐装置的一结构示意图;
图4是本发明一实施例中计算机设备的一示意图。
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他实施例,都属于本发明保护的范围。
本实施例提供的服务类产品推荐方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种服务类产品推荐方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S10、构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据。
可理解的,目标客户是指购买服务类产品或者具有购买意愿的客户。服务类产品包括但不限于网络课程产品、金融产品。不同服务机构发行的服务类产品包含相同或不同的产品类型。其中,同一个服务类产品可分为若干个类。每个大类包含若干个小类。例如,金融产品可以分为存款、保险、理财、基金、贵金属、信托、外汇以及国债等大类。其中,保险包含意外险、医疗险等小类。网络课程产品可以按科目分为语言课程、音乐课程、舞蹈课程等大类。其中,语言课程包括英语课程、日语课程、法语课程等小类。
具体的,将目标客户在服务类产品小类上的数据按顺序排列,可以形成初始权重矩阵。其中,目标客户与服务类产品的关联数据指的是某一目标客户在某一服务类产品上的权重。初始权重矩阵中,每一行表示同一个目标客户的权重,每一列表示一个服务类产品的权重。该初始权重矩阵为单位矩阵,即每一个目标客户与服务类产品的关联数据均为1。在一示例中,初始权重矩阵如表1所示:
表1一示例中的初始权重矩阵
V<sub>dep1</sub> | V<sub>dep2</sub> | V<sub>insure1</sub> | V<sub>insure2</sub> | V<sub>insurer3</sub> | |
V<sub>u1</sub> | 1 | 1 | 1 | 1 | 1 |
V<sub>u2</sub> | 1 | 1 | 1 | 1 | 1 |
V<sub>u3</sub> | 1 | 1 | 1 | 1 | 1 |
其中,Vu1、Vu2、Vu3分别对应三个不同的目标客户,Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2、Vinsurer3分别对应三个不同保险类别。目标客户与服务类产品的关联数据均为1。
S20、获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同。
可理解的,客群是指通过聚类模型,对目标客户进行客群划分所得到的客户群体。其中,客群划分是根据目标客户的特征进行的。每一个目标客户只能被分到一个客户群体中。目标客户的特征根据客户基本信息和客户资产信息获得。基本信息包括但不限于性别、年龄、学历、账龄、持卡等级、客户等级、是否为行员、是否完成风险测评、是否绑定三方支付。资产信息包括时点资产管理规模(时点AUM,指定时间节点的资产管理规模)、历史最大资产管理规模、资产管理规模月日均值、资产管理规模年日均值等相关个人资产信息。进行客群划分后,每一个客户群体都有相应的客群标签。该客群标签由该客群中目标客户的特征决定。渗透率是指在一个群体中某个产品的购买率。例如,一个客群有100个人,该客群有34人买保险产品,比如意外险。那么,在该客群中,意外险的渗透率就是34/100=0.34。客群渗透率数据是指服务类产品在客群中的渗透率数据。
具体的,获取与每个服务类产品对应的若干客群渗透率数据和目标客户所在客群的客群标签。并根据该若干客群渗透率数据和目标客户所在客群的客群标签构建产品渗透率矩阵。且该产品渗透率矩阵与所述初始权重矩阵在形式上相同,即该产品渗透率矩阵每一行的数据对应一个目标客户,每一列的数据对应一个服务类产品。该产品渗透率矩阵中,每一个目标客户与服务类产品的关联数据为客群渗透率数据。在一示例中,产品渗透率矩阵如表2所示。
表2一示例中的产品渗透率矩阵
其中,V1表示客群标签为1的客群,Vu1表示目标客户1。V1-Vu1、V1-Vu2是客群V1中的目标客户,V2-Vu3为客群V2中的目标客户。其中,Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2、Vinsurer3分别对应三个不同保险类别。
S30、获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同。
可理解的,客户购买的服务类产品一般有到期日(或赎回日),产品到期是指目标客户购买的产品达到该产品有效期的最后期限。其中,可以预设产品有效期的最后一个星期为最后期限。产品到期数据是指目标客户购买的产品是否到期的数据。产品到期数据可用0和1表示。比如,产品到期表示为1,则产品未到期或未购买表示为0。
具体的,获取与每个服务类产品对应的若干产品到期数据,根据该若干产品到期数据,构建产品到期矩阵。且该产品到期矩阵与初始权重矩阵的形式相同,该产品到期矩阵每一行的数据对应一个目标客户,每一列的数据对应一个服务类产品。该产品到期矩阵中,每一个目标客户与服务类产品的关联数据为到期数据。在一示例中,产品到期矩阵如表3所示。
表3一示例中的产品到期矩阵
V<sub>dep1</sub> | V<sub>dep2</sub> | V<sub>insure1</sub> | V<sub>insure2</sub> | V<sub>insurer3</sub> | |
V<sub>u1</sub> | 0 | 1 | 0 | 0 | 0 |
V<sub>u2</sub> | 1 | 0 | 0 | 0 | 0 |
V<sub>u3</sub> | 0 | 0 | 0 | 1 | 0 |
其中,Vu1、Vu2、Vu3分别对应三个不同的目标客户,Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2、Vinsurer3分别对应三个不同保险类别,产品到期表示为1,产品未到期或未购买表示为0。
S40、获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同。
可理解的,兴趣度数据是指目标客户对产品感兴趣的程度数据。
具体的,获取与每个服务类产品对应的若干兴趣度数据,并根据该若干兴趣度数据构建兴趣度矩阵。且该兴趣度矩阵与初始权重矩阵的形式相同,该兴趣度矩阵每一行的数据对应一个目标客户,每一列的数据对应一个服务类产品。该兴趣度矩阵中,每一个目标客户与服务类产品的关联数据为兴趣度数据。在一示例中,兴趣度矩阵如表4所示:
表4一示例中的兴趣度矩阵
V<sub>dep1</sub> | V<sub>dep2</sub> | V<sub>insure1</sub> | V<sub>insure2</sub> | V<sub>insurer3</sub> | |
V<sub>u1</sub> | 1.73 | 1.36 | 1.52 | 1.10 | 1.27 |
V<sub>u2</sub> | 1.45 | 1.22 | 1.46 | 1.06 | 1.41 |
V<sub>u3</sub> | 1.45 | 1.20 | 1.21 | 1.26 | 1.21 |
其中,Vu1、Vu2、Vu3分别对应三个不同的目标客户,Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2、Vinsurer3分别对应三个不同保险类别。
S50、叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵。
可理解的,推荐权重矩阵由初始权重矩阵、产品渗透率矩阵、产品到期矩阵、兴趣度矩阵依次叠加生成。
具体的,将产品渗透率矩阵、产品到期矩阵、兴趣度矩阵依次加入初始权重矩阵,叠加生成推荐权重矩阵。
S60、将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
可理解的,服务类产品推荐模型是由预设推荐算法构建得到的推荐模型。
其中,预设的推荐算法可表示为:
其中,PR(v)表示访问节点v的概率,PR(v′)表示访问节点v′的概率;in(v)为指向节点v的所有节点v′的集合,v′∈in(v)属于in(v)的v′;v′out(v′)为节点v′指向的所有节点的集合,|out(v′)|为节点v′的出度;α为定值,取值为[0,1],一般取值为0.8;βv,v′表示节点v与节点v′之间的推荐权重指数,该推荐权重指数可用推荐权重矩阵表示。推荐算法PR(v)根据推荐权重指数值在目标用户对应的节点(服务类产品)之间游走。当为指定目标用户Vu进行推荐时,对该目标用户对应节点进行游走访问的概率PR(Vu)=1。此时,对其他目标用户对应节点进行游走访问的概率为PR(V)=0。即该推荐算法游走的初始条件为PR(Vu)=1,其他PR(V)=0。当目标用户对应的所有节点被访问的概率PR(V)分别收敛到一个稳定值时,终止游走。当V=V’时,从目标用户从对应的节点重新开始游走;当V≠V′时,紧接当前节点继续游走。
具体的,将推荐权重矩阵输入服务类产品推荐模型,即将推荐权重矩阵作为βv,v′的赋值输入到推荐算法PR(v)中。将推荐权重矩阵输入服务类产品推荐模型后,在推荐算法PR(v)中,通过βv,v′可以直接查询推荐权重矩阵。通过推荐算法PR(v),可得到目标客户在服务类产品上的推荐数据。得到目标客户在服务类产品上的推荐数据后,将目标客户在每个服务类产品上的PR(v)值进行排序,选择PR(v)值最大的服务类产品作为推荐的结果。需要强调的是,为进一步保证上述推荐数据的私密和安全性,上述推荐数据还可以存储于一区块链的节点中。其中,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。
具体的,在步骤S10-S60中,构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同,基于客群标签构建产品渗透率矩阵,可使服务类产品推荐更具针对性,提高服务类产品推荐的覆盖率。产品渗透率矩阵与初始权重矩阵在形式上相同,便于产品渗透率矩阵与初始权重矩阵的叠加。获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同,根据产品到期矩阵,可及时提示目标客户,提高服务类产品的留存率。获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同,提高服务类产品推荐的准确率。叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。通过上述方法,可提高服务类产品推荐的准确率和覆盖率。
可选的,步骤S20,即所述获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同之前,还包括:
S201、获取若干客群的各个服务类产品的购买数据,每个所述客群对应一个所述客群标签。
可理解的,客群的各个服务类产品的购买数据是指一个客群中各个服务类产品的购买人数。其中,客群是根据目标客户的特征,对目标客户进行客群划分所得到的客户群体,且每个客群都有对应的客群标签,一个客群可包含多个目标客户。在一示例中,若干客群(客群1、客群2、客群3)的各个服务类产品(Vdep1、Vdep2、Vinsure1、Vinsure2)的购买数据如表5所示。
表5一示例中的购买数据
V<sub>dep1</sub> | V<sub>dep2</sub> | V<sub>insure1</sub> | V<sub>insurer2</sub> | |
V<sub>1</sub> | 21人 | 22人 | 56人 | 14人 |
V<sub>2</sub> | 30人 | 25人 | 34人 | 10人 |
V<sub>3</sub> | 18人 | 62人 | 36人 | 54人 |
其中,V1、V2、V3分别表示客群1、客群2、客群3。Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2分别对应两个不同保险类别。
S202、根据所述购买数据,计算各个服务类产品在所述客群的产品渗透率,以得到所述服务类产品的客群渗透率数据。
可理解的,客群渗透率数据是指服务类产品在客群中的渗透率数据。渗透率是指在一个群体中某个产品的购买率。例如,一个客群有100个人,该客群有34人买意外险。那么,在该客群中,意外险的渗透率就是34/100=0.34。
具体的,在步骤S201、S202中,通过获取若干客群的各个服务类产品的购买数据,每个所述客群对应一个所述客群标签,根据所述购买数据,计算各个服务类产品在所述客群的产品渗透率,以得到所述服务类产品的客群渗透率数据,可得到每个服务类产品在对应客群的产品渗透率,使服务类产品推荐更加具有针对性,提高服务类产品推荐的准确性。
可选的,步骤S20,即所述获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同之前,还包括:
S203、获取所述目标客户的客户资料。
可理解的,客户资料包含基本信息和客户资产信息。基本信息包括但不限于性别、年龄、学历、账龄、持卡等级、客户等级、是否为行员、是否完成风险测评、是否绑定三方支付等相关个人信息。资产信息包括时点资产管理规模(时点AUM,指定时间节点的资产管理规模)、历史最大资产管理规模、资产管理规模月日均值、资产管理规模年日均值等相关个人资产信息。
S204、将所述客户资料输入预设客群划分模型,获得所述目标客户的所述客群标签。
可理解的,客群划分模型可以根据目标客户的特征对目标客户进行客群划分。目标客户的特征根据客户基本信息和客户资产信息获得。该客群划分模型可根据客户的特征,对目标客户进行客群划分,将具有同一特征的目标客户划分到同一个客群,不同客群的特征具有一定差异。每一个客群都有相应的客群标签。
具体的,可通过聚类算法构建客户划分模型,将目标客户的客户资料输入预设客群划分模型中。客群划分模型对目标客户的客户资料进行整理分析,得到目标客户的特征。进而,根据目标客户的特征进行客群划分,将具有同一特征的目标客户划分到同一个客群,可得到对应客群的客群标签。每一个目标客户只能被分到一个客户群体中。即一个目标客户对应一个客群标签。
具体的,在步骤S203、S204中,获取所述目标客户的客户资料,将所述客户资料输入预设客群划分模型,获得所述目标客户的所述客群标签。将目标客户进行客群划分,可提高服务类产品推荐的准确性。
可选的,在步骤S40之前,即所述获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同之前,还包括:
S401、获取任意两个所述服务类产品之间的相似度数据。
可理解的,服务类产品之间的相似度是一个重要因素。比如,产品1与产品2相似度较高,若客户购买了产品1,则可以向该客户推荐产品2。对于任意两个服务类产品,记为i和j,则通过相似度算法衡量连个产品之间的相似度。相似度算法可表示为:
其中,N(i)表示购买产品i的客户,N(j)表示购买产品j的客户,N(i)∩N(j)表示同时购买i和j的客户。
具体的,获取每个目标客户购买各个服务类产品的数据,统计任意两个服务类产品的购买情况,根据相似度算法,可计算得到任意两个服务类产品之间的相似度数据。
S402、根据所述相似度数据构建相似度矩阵。
可理解的,相似度数据是指两个服务类产品之间的相似度。在一示例中,相似度矩阵如表6所示:
表6一示例中的相似度矩阵
V<sub>dep1</sub> | V<sub>dep2</sub> | V<sub>insure1</sub> | V<sub>insure2</sub> | |
V<sub>dep1</sub> | 1 | 0.45 | 0.73 | 0.11 |
V<sub>dep2</sub> | 0.45 | 1 | 0.32 | 0.57 |
V<sub>insure1</sub> | 0.73 | 0.32 | 1 | 0.91 |
V<sub>insure2</sub> | 0.11 | 0.57 | 0.91 | 1 |
其中,Vdep1、Vdep2分别对应两个不同存款类别,Vinsure1、Vinsure2分别对应两个不同保险类别。
S403、将所述相似度矩阵输入兴趣度模型,获得所述兴趣度数据。
可理解的,相似度矩阵包括产品之间的相似度数据,记为Mi,j。根据相似度矩阵进一步计算客户Vu对产品的兴趣度。兴趣度模型Pu可表示为:
其中,k∈Vu表示客户Vu购买的所有产品k,Mi,j为服务类产品i与其他任意服务类产品j的相似度组成的向量。每个客户有多行相似度矩阵数据,因为一个目标客户可购买多个服务类产品。根据兴趣度模型Pu,把每个客户相似度矩阵数据的所有行相加,得到客户兴趣度矩阵。
在一示例中,客户Vu1、Vun的相似度矩阵如表7所示:
表7一示例中客户的相似度矩阵
从表7可以看出,客户Vu1购买了产品Vdep1、Vinsure2,客户Vun购买了Vdep1、Vdep2(其他客户的购买产品未标出)。则计算Pu只需要把表7的第一行和第二行相加即可。可得到客户兴趣矩阵,如表8所示:
表8一示例中客户兴趣矩阵
V<sub>dep1</sub> | V<sub>dep2</sub> | ... | V<sub>insure2</sub> | |
V<sub>u1</sub> | 1.11 | 1.02 | ... | 1.11 |
... | ... | ... | ... | ... |
V<sub>un</sub> | 1.45 | 1.45 | ... | 0.68 |
具体的,在步骤S203、S204中,获取任意两个所述服务类产品之间的相似度数据,根据所述相似度数据构建相似度矩阵,将所述相似度矩阵输入兴趣度模型,获得所述兴趣度数据。可提高服务类产品推荐的准确性。
可选的,所述服务类产品推荐模型为:
其中,PR(v)表示访问节点v的概率;
PR(v′)表示访问节点v′的概率;
in(v)为指向节点v的所有节点v′的集合;
v′∈in(v)属于in(v)的v′;
out(v′)为节点v′指向的所有节点的集合;
|out(v′)|为节点v′的出度;
α为定值,取值为[0,1],一般取值为0.8;
βv,v′表示节点v与节点v′之间的推荐权重指数,该推荐权重指数可用推荐权重矩阵表示。
推荐算法PR(v)根据推荐权重指数值在目标用户对应的节点(服务类产品)之间游走。当为指定目标用户Vu进行推荐时,对该目标用户对应节点进行游走访问的概率PR(Vu)=1。此时,对其他目标用户对应节点进行游走访问的概率为PR(V)=0。即该推荐算法游走的初始条件为PR(Vu)=1,其他PR(V)=0。当目标用户对应的所有节点被访问的概率PR(V)分别收敛到一个稳定值时,终止游走。当V=V’时,从目标用户从对应的节点重新开始游走;当V≠V’时,紧接当前节点继续游走。
可选的,所述兴趣度模型为:
其中,Pu表示客户Vu对于服务类产品的兴趣度,k∈Vu表示客户Vu购买的所有服务类产品,Mi,j为服务类产品i与其他任意服务类产品j的相似度组成的向量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种服务类产品推荐装置,该服务类产品推荐装置与上述实施例中服务类产品推荐方法一一对应。如图3所示,该服务类产品推荐装置包括初始权重矩阵模块10、产品渗透率矩阵模块20、产品到期矩阵模块30、兴趣度矩阵模块40、推荐权重矩阵模块50和推荐数据模块60。各功能模块详细说明如下:
初始权重矩阵模块10,用于构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
产品渗透率矩阵模块20,用于获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
产品到期矩阵模块30,用于获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
兴趣度矩阵模块40,用于获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
推荐权重矩阵模块50,用于叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
推荐数据模块60,用于将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
可选的,产品渗透率矩阵模块20,还包括:
购买数据单元,用于获取若干客群的各个服务类产品的购买数据,每个所述客群对应一个所述客群标签;
产品渗透率单元,用于根据所述购买数据,计算各个服务类产品在所述客群的产品渗透率,以得到所述服务类产品的客群渗透率数据。
可选的,产品渗透率矩阵模块20,还包括:
客户资料单元,用于获取所述目标客户的客户资料;
客群标签单元,用于将所述客户资料输入预设客群划分模型,获得所述目标客户的所述客群标签。
可选的,兴趣度矩阵模块40,还包括:
相似度数据单元,用于获取任意两个所述服务类产品之间的相似度数据;
相似度矩阵单元,用于根据所述相似度数据构建相似度矩阵;
兴趣度数据单元,用于将所述相似度矩阵输入兴趣度模型,获得所述兴趣度数据。
可选的,所述服务类产品推荐模型为:
其中,PR(v)表示访问节点v的概率;
PR(v′)表示访问节点v′的概率;
in(v)为指向节点v的所有节点v′的集合;
v′∈in(v)属于in(v)的v′;
out(v′)为节点v′指向的所有节点的集合;
|out(v′)|为节点v′的出度;
α为定值,取值为[0,1],一般取值为0.8;
βv,v′表示节点v与节点v′之间的推荐权重指数。
可选的,所述兴趣度模型为:
其中,Pu表示客户Vu对于服务类产品的兴趣度;
k∈Vu表示客户Vu购买的所有服务类产品;
Mi,j为服务类产品i与服务类产品j的相似度组成的向量,i≠j。
关于服务类产品推荐装置的具体限定可以参见上文中对于一种服务类产品推荐装置方法的限定,在此不再赘述。上述一种服务类产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储服务类产品推荐方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种服务类产品推荐方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种服务类产品推荐方法,其特征在于,包括:
构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据;
所述服务类产品推荐模型为:
其中,PR(v)表示访问节点v的概率;
PR(v′)表示访问节点v′的概率;
in(v)为指向节点v的所有节点v′的集合;
v′∈in(v)属于in(v)的v′;
out(v′)为节点v′指向的所有节点的集合;
|out(v′)|为节点v′的出度;
α为定值,取值为[0,1];
βv,v′表示节点v与节点v′之间的推荐权重。
2.如权利要求1所述服务类产品推荐方法,其特征在于,所述获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同之前,还包括:
获取若干客群的各个服务类产品的购买数据,每个所述客群对应一个所述客群标签;
根据所述购买数据,计算各个服务类产品在所述客群的产品渗透率,以得到所述服务类产品的客群渗透率数据。
3.如权利要求1所述服务类产品推荐方法,其特征在于,所述获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同之前,还包括:
获取所述目标客户的客户资料;
将所述客户资料输入预设客群划分模型,获得所述目标客户的所述客群标签。
4.如权利要求1所述服务类产品推荐方法,其特征在于,所述获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同之前,还包括:
获取任意两个所述服务类产品之间的相似度数据;
根据所述相似度数据构建相似度矩阵;
将所述相似度矩阵输入兴趣度模型,获得所述兴趣度数据。
6.一种服务类产品推荐装置,其特征在于,包括:
初始权重矩阵模块,用于构建初始权重矩阵,所述初始权重矩阵包括目标客户与服务类产品的关联数据;
产品渗透率矩阵模块,用于获取所述服务类产品的客群渗透率数据和所述目标客户的客群标签,根据所述客群渗透率数据和所述客群标签构建产品渗透率矩阵,所述产品渗透率矩阵与所述初始权重矩阵在形式上相同;
产品到期矩阵模块,用于获取所述服务类产品的产品到期数据,根据所述产品到期数据构建产品到期矩阵,所述产品到期矩阵与所述初始权重矩阵在形式上相同;
兴趣度矩阵模块,用于获取所述服务类产品的兴趣度数据,根据所述兴趣度数据构建兴趣度矩阵,所述兴趣度矩阵与所述初始权重矩阵在形式上相同;
推荐权重矩阵模块,用于叠加所述初始权重矩阵、所述产品渗透率矩阵、所述产品到期矩阵、所述兴趣度矩阵,生成推荐权重矩阵;
推荐数据模块,用于将所述推荐权重矩阵输入服务类产品推荐模型,获取所述服务类产品推荐模型输出的所述目标客户在所述服务类产品上的推荐数据;
所述服务类产品推荐模型为:
其中,PR(v)表示访问节点v的概率;
PR(v′)表示访问节点v′的概率;
in(v)为指向节点v的所有节点v′的集合;
v′∈in(v)属于in(v)的v′;
out(v′)为节点v′指向的所有节点的集合;
|out(v′)|为节点v′的出度;
α为定值,取值为[0,1];
βv,v′表示节点v与节点v′之间的推荐权重。
7.如权利要求6所述的服务类产品推荐装置,其特征在于,所述产品渗透率矩阵模块,还包括:
购买数据单元,用于获取若干客群的各个服务类产品的购买数据,每个所述客群对应一个所述客群标签;
产品渗透率单元,用于根据所述购买数据,计算各个服务类产品在所述客群的产品渗透率,以得到所述服务类产品的客群渗透率数据。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,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中任一项所述服务类产品推荐方法。
9.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至5中任一项所述服务类产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449552.0A CN113158053B (zh) | 2021-04-25 | 2021-04-25 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449552.0A CN113158053B (zh) | 2021-04-25 | 2021-04-25 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158053A CN113158053A (zh) | 2021-07-23 |
CN113158053B true CN113158053B (zh) | 2022-09-30 |
Family
ID=76870471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110449552.0A Active CN113158053B (zh) | 2021-04-25 | 2021-04-25 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158053B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978657A (zh) * | 2019-03-07 | 2019-07-05 | 北京工业大学 | 一种面向众智平台的改进随机游走图模式推荐算法 |
CN110162696A (zh) * | 2019-04-11 | 2019-08-23 | 北京三快在线科技有限公司 | 基于图的推荐方法、装置、电子设备及存储介质 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112148995A (zh) * | 2020-11-02 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239020A (zh) * | 2013-06-21 | 2014-12-24 | Sap欧洲公司 | 决策做出标准驱动的推荐 |
-
2021
- 2021-04-25 CN CN202110449552.0A patent/CN113158053B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978657A (zh) * | 2019-03-07 | 2019-07-05 | 北京工业大学 | 一种面向众智平台的改进随机游走图模式推荐算法 |
CN110162696A (zh) * | 2019-04-11 | 2019-08-23 | 北京三快在线科技有限公司 | 基于图的推荐方法、装置、电子设备及存储介质 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112148995A (zh) * | 2020-11-02 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
多特征因子融合的引文推荐算法;陈志涛等;《计算机工程与设计》;20180716(第07期);103-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158053A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Project success prediction in crowdfunding environments | |
Imai et al. | Causal inference with interference and noncompliance in two-stage randomized experiments | |
Kim et al. | Two‐stage quantile regression when the first stage is based on quantile regression | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
US11334941B2 (en) | Systems and computer-implemented processes for model-based underwriting | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN110083634B (zh) | 基于数据分析的订单处理方法、装置、设备及存储介质 | |
Gan et al. | A data mining framework for valuing large portfolios of variable annuities | |
CN112148995A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
CN112417315A (zh) | 基于网站注册的用户画像生成方法、装置、设备和介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
Lütkebohmert et al. | Robust deep hedging | |
Nayanajith | Perceived trust of E-services, perceived usefulness and adoption of e-banking amongst the students of university of kelaniya: A relational study | |
CN114741402A (zh) | 业务特征池的处理方法、装置、计算机设备和存储介质 | |
CN112163929B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN113158053B (zh) | 服务类产品推荐方法、装置、计算机设备及存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN110910256A (zh) | 基于家庭成员属性的家庭风险评测方法和装置 | |
CN114819197A (zh) | 基于区块链联盟的联邦学习方法、系统、装置及存储介质 | |
CN115204971A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
Mehrdoust et al. | Pricing multi-asset American option under Heston-CIR diffusion model with jumps | |
CN111124394A (zh) | 基于元数据的表单配置方法及装置、设备和介质 | |
CN113657910B (zh) | 实名认证方法、装置、电子设备及可读存储介质 |
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 |