CN113269610A

CN113269610A - 银行产品的推荐方法、装置及存储介质

Info

Publication number: CN113269610A
Application number: CN202110572509.3A
Authority: CN
Inventors: 冯娟
Original assignee: Soxinda Beijing Data Technology Co ltd
Current assignee: Soxinda Beijing Data Technology Co ltd
Priority date: 2021-05-25
Filing date: 2021-05-25
Publication date: 2021-08-17

Abstract

本申请公开了一种银行产品的推荐方法、装置及存储介质，该方法包括：获取目标客户的多个第一特征的信息；获取多个银行产品分别对所述多个第一特征的偏好信息；根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品；将所述推荐产品推荐给所述目标客户。通过这种方式，本申请能够有效提高冷门产品推荐的概率，并为客户经理的营销话术提供支持。

Description

银行产品的推荐方法、装置及存储介质

技术领域

本申请涉及大数据技术领域，尤其涉及一种银行产品的推荐方法、计算机装置及存储介质。

背景技术

在银行开展精准营销业务中，推荐是客户产品营销中不可缺少的重要一环。目前常用的产品推荐技术主要有协同过滤、矩阵分解及机器学习分类方法等。

当前银行产品推荐技术存在以下问题：

第一、银行的客户通常没有直接的产品评分数据，目前以银行产品使用情况替代评分，这种替代做法导致协同过滤产品推荐技术的效果不理想；第二、机器学习分类方法和矩阵分解方法对于客户十分稀疏的冷门产品预测效果较差，多数冷门产品难以得到推荐；第三、矩阵分解方法中，推荐产品的可解释性很差，难以为客户经理的营销话术提供支持。

发明内容

基于此，本申请提供了一种银行产品的推荐方法、计算机装置及存储介质。

第一方面，本申请提供了一种银行的产品推荐方法，所述方法包括：

获取目标客户的多个第一特征的信息；

获取多个银行产品分别对所述多个第一特征的偏好信息；

根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品；

将所述推荐产品推荐给所述目标客户；

其中，所述获取目标客户的多个第一特征的信息，包括：

获取目标客户的第一特征的向量，所述目标客户的第一特征的向量的元素为所述目标客户的每个第一特征所对应的值；

所述获取多个银行产品分别对所述多个第一特征的偏好信息，包括：

获取第一特征的产品偏好矩阵，所述第一特征的产品偏好矩阵的元素为每个银行产品对每个所述第一特征的偏好值，所述偏好值能够指示所述银行产品对所述第一特征的偏好信息；

所述根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品，包括：

根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵，从所述多个银行产品中确定所述目标客户的推荐产品；

其中，所述获取第一特征的产品偏好矩阵，包括：

根据多个历史客户的特征信息集合和所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述第一特征的产品偏好矩阵；

其中，所述根据多个历史客户的特征信息集合和所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述第一特征的产品偏好矩阵，包括：

根据所述多个历史客户的特征信息集合，确定历史客户的第一特征矩阵，所述历史客户的第一特征矩阵的元素为每个历史客户的每个第一特征所对应的值；

根据所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定历史客户的产品评分矩阵，所述历史客户的产品评分矩阵的元素为每个历史客户对每个银行产品的转换评分；

根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵。

第二方面，本申请提供了一种计算机装置，所述计算机装置包括：存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序并在执行所述计算机程序时，实现如上所述的银行产品的推荐方法。

第三方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上所述的银行产品的推荐方法。

本申请实施例提供了一种银行产品的推荐方法、装置及存储介质，获取目标客户的多个第一特征的信息；获取多个银行产品分别对所述多个第一特征的偏好信息；根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品；将所述推荐产品推荐给所述目标客户。由于根据多个银行产品分别对所述多个第一特征的偏好信息，可以获知哪些产品更加偏好哪些第一特征，或者具有哪些第一特征的用户更可能会购买哪些产品，再结合目标客户的多个第一特征的信息，即可预测出各个银行产品对目标客户的各个第一特征的偏好信息，目标客户的各个第一特征的偏好信息集合在一起，即可预测出各个银行产品对目标客户的偏好信息，或者预测出目标客户对各个银行产品的偏好，该推荐方法一方面能够避免以银行产品使用情况替代评分导致的协同过滤产品推荐技术的效果不理想的情况；另一方面产品偏好不是直接与客户关联，而是与第一特征关联，虽然客户的特征及产品持有或购买情况动态变化，但是产品偏好与第一特征之间的关联关系包含了产品的隐形属性，相对比较稳定，能够有效提高冷门产品推荐的概率；又一方面，由于获取的多个银行产品分别对多个第一特征的偏好信息，能够用于衡量某一产品适用第一特征的专门化程度，因而具有业务意义上的可解释性，从而能够为客户经理的营销话术提供支持。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

图1是本申请银行产品的推荐方法一实施例的流程图；

图2是本申请银行产品的推荐方法另一实施例的流程图；

图3是本申请银行产品的推荐方法又一实施例的流程图；

图4是本申请银行产品的推荐方法又一实施例的流程图；

图5是本申请计算机装置一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

参见图1，图1是本申请银行产品的推荐方法一实施例的流程图。所述方法包括：

步骤S101：获取目标客户的多个第一特征的信息。

目标客户可以是指待推荐的、与银行进行业务往来的客户。银行中根据存贷款客户的性质客户可以分为对公客户和对私客户两种，对公客户就是公司客户，对私客户就是私人客户。对公客户是指与银行进行业务关系的法人客户，通常分为大型公司客户、小型公司客户等等。对公客户通常情况下存贷款金额比较大，目标客户通常是对公客户。

特征，也称为变量、自变量、变量特征或特征变量，客户的特征可以是与客户相关的特征。客户的特征可以主要包括银行内的客户的特征和银行外的客户的特征。银行内的客户的特征主要包括客户的属性特征、客户的交易特征、客户的行为特征等；客户的属性特征包括但不限于年龄、性别等；客户的交易特征包括但不限于交易数据（例如近段时间内消费金额等数据）；客户的行为特征可以是客户发生的一些银行可以采集到的行为，比如客户登录企业网银，客户登录手机银行中某个产品信息，在手机银行上的一些浏览、点击、购买等行为特征。银行外的客户的特征可以包含客户的主营业务、客户的主营产品、客户的行业、客户的收入、客户的风险等反映客户业务范围和规模的特征。

特征的取值可以是该客户的特征的实际内容或数据，例如性别为女，“性别”为特征，“女”为特征的取值；又如：年龄40岁，“年龄”为特征，“40岁”为特征的取值；又如：平均每个月的开销是1万，“平均每个月的开销”是特征，“1万”是特征的取值；又如：平均每个月客户登录手机银行的次数是3次，“平均每个月客户登录手机银行的次数”是特征，“3次”是特征的取值，等等。

按照特征的取值是与文本相关还是与数值相关，特征可以划分为文本型特征（特征的取值与文本相关）和数值型特征（特征的取值与数值相关）；其中，所述文本型特征可以包括性别、学历、职业等，所述数值型特征可以包括年龄、资产数据、交易数据、活跃数据等。

本实施例中，第一特征可以是指经过筛选或经过确定的特征，同时是经过编码的特征，以便于与后面筛选之前、且未经过编码的特征（即后面的第二特征）相区别。第一特征的数量通常大于或等于2。

目标客户的多个第一特征的信息可以是指目标客户的多个第一特征以及与第一特征的取值相关联的信息。

步骤S102：获取多个银行产品分别对所述多个第一特征的偏好信息。

多个银行产品分别对所述多个第一特征的偏好信息，即每个银行产品对每个第一特征的偏好信息，也可以理解为具有某个第一特征的客户购买对应银行产品的概率信息；概率越大，表明具有该第一特征的客户购买对应银行产品的可能性很大。该偏好信息能够用于衡量某一产品适用第一特征的专门化程度，因而具有业务意义上的可解释性，从而能够为客户经理的营销话术提供支持。在应用时，偏好信息可以用偏好值来表示，偏好值可以是大于或等于0的数值，偏好值越大，具有该第一特征的客户购买对应银行产品的可能性很大。

对于冷门产品预测，相关技术可以采用机器学习模型，由于冷门产品正样本（即使用冷门产品的客户）过少，对客户进行预测也会得到很少的预测结果（正常情况下，预测结果分布会和训练数据分布接近）。协同过滤算法往往倾向于推荐热门产品（因为热门产品的客户多，相似产品也往往是热门产品，客户持有热门产品a，推荐的会是和a相似的热门产品b；冷门产品的客户少，正样本少，和热门产品相似度则会极低，很难被推荐）。本申请实施例的多个银行产品分别对所述多个第一特征的偏好信息可以不受样本数量影响，因此能够大大提高冷门产品被推荐的概率。

例如：第一特征包括特征1、特征2、特征3、特征4；银行产品包括产品1、产品2、产品3、产品4。偏好值区分为0、1、2、3、4、5，偏好值越大，表明产品对第一特征越偏好，或者说具有该第一特征的客户越可能购买该产品。产品1的特征1、特征2、特征3、特征4对应的偏好值分别为2、1、0、5，产品2的特征1、特征2、特征3、特征4对应的偏好值分别为3、0、5、1，产品3的特征1、特征2、特征3、特征4对应的偏好值分别为4、1、0、0，产品4的特征1、特征2、特征3、特征4对应的偏好值分别为0、5、0、0。

根据上述内容可知，产品1对特征4最为偏好，具有特征4的客户可能对产品1感兴趣；产品2对特征3最为偏好，具有特征3的客户可能对产品2感兴趣；产品3对特征1较为偏好，具有特征1的客户可能对产品3感兴趣；产品4对特征2最为偏好，具有特征2的客户可能对产品4感兴趣。

多个银行产品分别对所述多个第一特征的偏好信息的获取方法有多种方式。一般的方法是针对历史数据通过机器学习的方式来建立，这种做法能够得到较为精准的多个银行产品分别对所述多个第一特征的偏好信息。但是，也可以用一些简化的方法，例如可以通过业务经验来建立，业务员通过长期与客户的业务往来，得出一些经验，具有哪些特征的客户对哪些产品感兴趣，根据这些经验能够确定多个银行产品分别对所述多个第一特征的偏好信息；或者，通过统计历史数据得到的统计规律来建立，分析历史数据，分析客户的特征，分析客户购买或持有的产品情况，从中找到统计规律，从而确定多个银行产品分别对所述多个第一特征的偏好信息；等等。

需要说明的是，步骤S101和步骤S102没有明显的先后顺序关系。

步骤S103：根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品。

所述目标客户具有多个第一特征的信息，结合多个银行产品分别对多个第一特征的偏好信息，可以得到目标客户的这多个第一特征集中起来的对银行产品的偏好信息，如此能够确定目标客户对多个银行产品的偏好信息，据此即可确定目标客户没有持有的产品可作为推荐产品。

步骤S104：将所述推荐产品推荐给所述目标客户。

本申请实施例获取目标客户的多个第一特征的信息；获取多个银行产品分别对所述多个第一特征的偏好信息；根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品；将所述推荐产品推荐给所述目标客户。由于根据多个银行产品分别对所述多个第一特征的偏好信息，可以获知哪些产品更加偏好哪些第一特征，或者具有哪些第一特征的用户更可能会购买哪些产品，再结合目标客户的多个第一特征的信息，即可预测出各个银行产品对目标客户的各个第一特征的偏好信息，目标客户的各个第一特征的偏好信息集合在一起，即可预测出各个银行产品对目标客户的偏好信息，或者预测出目标客户对各个银行产品的偏好，该推荐方法一方面能够避免以银行产品使用情况替代评分导致的协同过滤产品推荐技术的效果不理想的情况；另一方面产品偏好不是直接与客户关联，而是与第一特征关联，虽然客户的特征及产品持有或购买情况动态变化，但是产品偏好与第一特征之间的关联关系包含了产品的隐形属性，相对比较稳定，能够有效提高冷门产品推荐的概率；又一方面，由于获取的多个银行产品分别对多个第一特征的偏好信息，能够用于衡量某一产品适用第一特征的专门化程度，因而具有业务意义上的可解释性，从而能够为客户经理的营销话术提供支持。

在一实施例中，为了尽量客观，采用向量和矩阵以便于后续进行客观的数学运算。

即步骤S101，所述获取目标客户的多个第一特征的信息，可以包括：获取目标客户的第一特征的向量，所述目标客户的第一特征的向量的元素为所述目标客户的每个第一特征所对应的值。

目标客户的每个第一特征所对应的值可以是指与所述第一特征的取值有关联的值，能够指示所述第一特征的取值。第一特征所对应的值可以是第一特征的取值，也可以是第一特征的取值所属的范围，或者也可以是预先定义的、与第一特征的取值有关联的值。

例如：以对公客户为例，第一特征包括客户的属性特征，客户的属性特征的取值可以包括大型公司客户、中型公司客户、小型公司客户三类。客户的属性特征所对应的值可以为客户的属性特征的取值，即大型公司客户、中型公司客户、或小型公司客户（预先定义大型公司客户、中型公司客户、小型公司客户的标准）。为了简单起见，客户的属性特征的取值可以包括两类，即资产大于或等于预设资产的公司客户、资产小于预设资产的公司客户。在此基础上，可以预先定义1代表资产大于或等于预设资产的公司客户，0代表资产小于预设资产的公司客户，客户的属性特征所对应的值可以为1或0。

又如：以对公客户为例，第一特征包括客户的交易额，由于客户的交易额的取值细节太多，为了简单起见，可以对交易额的大小进行范围的划分：第一数目范围的交易额、第二数目范围的交易额、第三数目范围的交易额（第二数目范围位于第一数目范围和第三数目范围之间）；客户的交易额的取值包括第一数目范围的交易额、第二数目范围的交易额、第三数目范围的交易额。客户的交易额所对应的值可以为客户的交易额所在的某个范围内的交易额，即第一数目范围的交易额、第二数目范围的交易额、或第三数目范围的交易额。为了进一步简单起见，客户的交易额的取值可以包括两类，即交易额大于或等于预设交易额的公司客户、交易额小于预设交易额的公司客户。在此基础上，可以预先定义1代表交易额大于或等于预设交易额的公司客户，0代表交易额小于预设交易额的公司客户，客户的交易额所对应的值可以为1或0。

通常情况下，第一特征所对应的值区分得越细致，目标客户的第一特征的向量越复杂，后续的矩阵也会越复杂。为了简单起见，第一特征所对应的值可以简单区分，例如：对客户的第一特征做分箱的离散化处理，然后对离散化特征做独热（one-hot）编码，那么这个第一特征所对应的值的类别可能区分为两类或多个类别。

第一特征的取值进行范围划分时，可以采用分箱的方法进行范围划分。对客户的第一特征中的连续性特征进行分箱处理，对离散型特征进行适当处理。对离散型特征进行适当处理，主要是有的离散型特征离散值太多，需要合并一些离散值，直到每一特征分箱中样本数量足够高，达到统计上的显著性要求；如果样本数量太少，显著性不够，得到的结论不足以具有代表性。样本数量的一般最少不能低于10个样本，同时限制一个最小比例，可以设定为不低于总样本数量的5%。

对离散型特征进行适当处理的技术方法有多种，例如可以采用对特征权重(WOE，weight of evidence)进行迭代合并的方法。WOE也称为变量权重，是信用评分模型常用的一种编码方法，其基本原理为：对于某个离散型特征（连续性特征先分箱，可以使用卡方分箱或者基于决策树的分箱），有：

其中，b_i(bad_i)表示当前组的坏样本数，g_i(good_i)表示当前组的好样本数，b_t(bad_t)表示所有样本中的坏样本数，g_t(good_t)表示所有样本中的好样本数。woe_i表示当前分组（第i组）中坏样本和好样本的比值与所有样本中这一比值的差异，woe值越大表示这种差异越大，从而该分组内的“坏样本/好样本”比平均水平越高，该分组内的坏样本可能性更大。

根据目标客户的第一特征以及每个第一特征所对应的值即可得到目标客户的第一特征的向量。

例如，第一特征包括客户的属性特征、交易额、平均每个月客户登录企业网银的次数、平均每个月客户登录手机网银的次数；客户的属性特征的取值包括大型公司客户（用3表示）、中型公司客户（用2表示）、小型公司客户（用1表示），分别采用3、2、1表示；客户的交易额的取值包括大于或等于预设交易额（用1表示）、小于预设交易额（用0表示），分别采用1、0表示；客户的平均每个月客户登录企业网银的次数的取值包括25次以上（用3表示）、24-10次（用2表示）、10次以下（用1表示），分别用3、2、1表示；客户的平均每个月客户登录手机网银的次数的取值包括大于或等于10次（用1表示）、小于10次（用0表示），分别采用1、0表示。目标客户为大型公司客户（所对应的值为3），交易额为大于预设交易额的A（所对应的值为1），平均每个月客户登录企业网银的次数为26次（所对应的值为3），平均每个月客户登录手机网银的次数为5次（所对应的值为0）。第一特征按照客户的属性特征、交易额、平均每个月客户登录企业网银的次数、平均每个月客户登录手机网银的次数为顺序，目标客户的第一特征的向量可以表示为（3，1，3，0）。

即步骤S102，所述获取多个银行产品分别对所述多个第一特征的偏好信息，可以包括：获取第一特征的产品偏好矩阵，所述第一特征的产品偏好矩阵的元素为每个银行产品对每个所述第一特征的偏好值，所述偏好值能够指示所述银行产品对所述第一特征的偏好信息。

第一特征的产品偏好矩阵的元素为每个银行产品对每个所述第一特征的偏好值，偏好值能够指示所述银行产品对所述第一特征的偏好信息。偏好值也可以理解为具有某个第一特征的客户购买对应产品的概率值，概率值越大，表明具有该第一特征的客户购买对应产品的可能性很大。第一特征的产品偏好矩阵能够用于衡量某一产品适用第一特征的专门化程度，因而该矩阵本身具有业务意义上的可解释性，从而能够为客户经理的营销话术提供支持；另外，本申请实施例的第一特征的产品偏好矩阵不受样本数量影响，因此能够大大提高冷门产品被推荐的概率。

例如：第一特征包括特征1、特征2、特征3；产品包括产品1、产品2、产品3。偏好值区分为0、1、2、3、4、5，偏好值越大，表明产品对第一特征越偏好，或者说具有该第一特征的客户越可能购买该产品。产品1的特征1、特征2、特征3对应的偏好值分别为2、0、5，产品2的特征1、特征2、特征3对应的偏好值分别为3、5、0，产品3的特征1、特征2、特征3对应的偏好值分别为4、1、0。第一特征的产品偏好矩阵为Vp*k，其中p表示产品的数量，k表示第一特征的数量。如果产品按照产品1、产品2、产品3的顺序，第一特征按照特征1、特征2、特征3的顺序，第一特征的产品偏好矩阵V3*3可以表示为：

第一特征的产品偏好矩阵的获取方法有多种方式。例如可以通过业务经验来建立，业务员通过长期与客户的业务往来，得出一些经验，例如具有哪些特征的客户对哪些产品感兴趣，根据这些经验能够确定第一特征的产品偏好矩阵；或者通过统计历史数据得到的统计规律来建立，分析历史数据，分析客户的特征，分析客户购买或持有的产品情况，从中找到统计规律，从而确定第一特征的产品偏好矩阵；或者针对历史数据通过机器学习的方式来建立，能够得到更为精准的第一特征的产品偏好矩阵；等等。

即步骤S103，所述根据所述目标客户的多个第一特征的信息和所述多个银行产品分别对所述多个第一特征的偏好信息，从所述多个银行产品中确定所述目标客户的推荐产品，可以包括：根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵，从所述多个银行产品中确定所述目标客户的推荐产品。

目标客户的第一特征的向量的元素为所述目标客户的每个第一特征所对应的值，第一特征的产品偏好矩阵的元素为每个银行产品对每个所述第一特征的偏好值，因此，根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵，能够确定偏好于所述目标客户的银行产品，该产品中目标客户没有持有的产品即可作为推荐产品。

下面说明步骤S102中获取第一特征的产品偏好矩阵的细节内容。

在一实施例中，为了得到较为客观的第一特征的产品偏好矩阵，可以根据历史数据得到第一特征的产品偏好矩阵，即步骤S102，所述获取第一特征的产品偏好矩阵，可以包括：根据多个历史客户的特征信息集合和所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述第一特征的产品偏好矩阵。

历史客户的特征信息集合包括大量的历史客户的特征信息，这些历史客户的特征信息是历史客户与银行在进行业务往来中留下来的特征信息，根据这些历史客户的特征信息可以分析每个客户所具有的特征信息。

历史客户的持有产品信息集合和/或购买产品信息集合包括上述这些大量的历史客户的持有产品信息和/或购买产品信息，这些历史客户的持有产品信息和/或购买产品是客户之前持有的产品信息和/或目前已购买的产品信息，根据这些持有产品信息和/或购买产品信息可以分析每个历史客户对产品的偏好信息。

根据历史客户的特征信息可以分析每个历史客户所具有的特征信息，根据历史客户的持有产品信息和/或购买产品信息可以分析每个历史客户对产品的偏好信息，将两者结合起来分析，即可确定每个第一特征对各个银行产品的偏好信息，或者每个银行产品对各个第一特征的偏好信息，即第一特征的产品偏好矩阵。

由于历史客户的特征信息和历史客户的持有产品信息和/或购买产品信息均是客观存在的历史数据，如此得到的第一特征的产品偏好矩阵能够比较客观。

在一实施例中，步骤S102，所述根据多个历史客户的特征信息集合和所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述第一特征的产品偏好矩阵，还可以包括：子步骤S1021、子步骤S1022以及子步骤S1023，如图2所示。

子步骤S1021：根据所述多个历史客户的特征信息集合，确定历史客户的第一特征矩阵，所述历史客户的第一特征矩阵的元素为每个历史客户的每个第一特征所对应的值。

子步骤S1022：根据所述多个历史客户的持有产品信息集合和/或购买产品信息集合，确定历史客户的产品评分矩阵，所述历史客户的产品评分矩阵的元素为每个历史客户对每个银行产品的转换评分。

需要说明的是，子步骤S1021和子步骤S1022没有明显的先后顺序关系。

子步骤S1023：根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵。

客户对产品评分可以是指客户对产品的喜好程度的打分。本实施例中，转换评分可以是指根据历史客户的持有产品信息集合和/或购买产品信息转换得到的历史客户对银行产品的评分。银行的客户通常没有直接的产品评分数据，可以根据历史客户的历史产品（持有产品和/或购买产品）特征进行转化，转化出历史客户对产品的转换评分。历史客户的历史产品特征可以包括历史客户的历史产品的签约情况或购买情况、客户的历史产品使用RFM情况等。RFM是指 Recency（近期性）、Frequency（频率）、Monetary（金额），主要是可以透过分析客户的消费金额、消费频密程度、消费的近期性，来评定历史客户对历史产品的偏好信息。不同产品可以使用不同的评分转换方案。

例如：如果预先定义产品评分包括1分、2分、3分、4分、5分，分数越高，表示客户对产品越满意。历史客户的历史产品包括产品1、产品2、产品3、产品4。其中，产品1买过3次，3次的购买金额均超过预设金额，目前还持有该产品；产品2买过一次，购买金额低于预设金额，目前未持有该产品；产品3买过一次（近期购买），购买金额超过预设金额，目标还持有该产品；产品4买过2次（两次购买的时间间隔较接近），购买金额高于预设金额，目前未持有该产品。考虑上述产品1、产品2、产品3以及产品4的特征后，可以转换为客户对产品的评分：客户对产品1的评分为5分，客户对产品2的评分为1分，客户对产品3的评分为3，客户对产品4的评分为4分。

客户的产品评分矩阵，即一个轴是客户，一个轴是产品，客户的产品评分矩阵的元素（或者数据）则是c客户对p产品的打分。如果很多客户对两个产品打分很接近，则说明这两个产品有很高的相似度。

根据历史客户的特征信息集合确定的历史客户的第一特征矩阵和根据历史客户的持有产品信息集合和/或购买产品信息集合确定的历史客户的产品评分矩阵，来确定第一特征的产品偏好矩阵，该确定过程引入了矩阵之间的运算，使得到的第一特征的产品偏好矩阵能够更加客观。

在一实施例中，为了得到更加精准的第一特征的产品偏好矩阵，采用机器学习方法来得到第一特征的产品偏好矩阵，即子步骤S1023，所述根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵，还可以包括：利用机器学习方法，根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵，使所述历史客户的第一特征矩阵和所述第一特征的产品偏好矩阵的乘积减去所述历史客户的产品评分矩阵的差值最小。

本实施例中利用机器学习方法学习到的是第一特征的产品偏好矩阵，通过这种方式，能够对大量复杂多样的数据进行深层次的分析，学习内在规律，如此能够更加精准地确定第一特征的产品偏好矩阵。

例如：客户的第一特征矩阵为Amxk，产品评分矩阵为Bmxp，第一特征的产品偏好矩阵为Vpxk，其中，m表示客户的数量，k表示第一特征的数量，p表示产品的数量，机器学习后的结果满足（Amxk * Vpxk–Bmxp）最小。

另外，采用机器学习方法来得到第一特征的产品偏好矩阵，可以定期做离线学习，将离线学习到的第一特征的产品偏好矩阵存储在数据库中，线上进行银行产品推荐时，可以直接获取到第一特征的产品偏好矩阵。

在一实施例中，子步骤S1021，所述根据所述多个历史客户的特征信息集合，确定历史客户的第一特征矩阵，可以包括：子步骤S10211、子步骤S10212以及子步骤S10213，如图3所示。

子步骤S10211：获取多个历史客户的特征信息集合，所述多个历史客户的特征信息集合包括多个历史客户的特征信息，所述历史客户的特征信息包括所述历史客户的多个不同的第二特征以及所述多个不同的第二特征分别对应的值。

子步骤S10212：从所述多个不同的第二特征中筛选出所述第一特征，所述第一特征的数量少于所述第二特征的数量。

子步骤S10213：根据每个所述历史客户的第一特征和所述第一特征对应的值，确定所述历史客户的第一特征矩阵。

本实施例，并没有将客户的多个不同的第二特征全部采用，而是从中筛选出第一特征。比如：有200个第二特征，通常情况下，不会直接采用200个第二特征，而是会用一些方法，从这200个第二特征中挑选一些出来。客户的第二特征的筛选可以采用很多技术手段。例如可以采用变量聚类的方法筛选变量，以消除变量之间的共线性；可以采用IV值进行初筛，将IV值低于IV阈值变量的删除，等等。

下面详细说明步骤S103的细节内容。

在一实施例中，步骤S103，所述根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵，确定所述目标客户的推荐产品，可以包括：子步骤S1031和子步骤S1032，如图4所示。

子步骤S1031：根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵的点积，确定所述目标客户对每个银行产品的第一预测评分。

子步骤S1032：根据所述第一预测评分，确定所述目标客户的推荐产品。

本实施例中，点积计算就是矩阵乘法计算，矩阵乘法运算，计算速度很快，效率高。针对某个目标客户，根据目标客户的第一特征的向量和第一特征的产品偏好矩阵进行点积运算得到的产品的预测评分向量中，可以按第一预测评分从高到低排序，从中选择排序靠前的几个产品进行推荐。

例如：目标客户的第一特征的向量为（a11，a12，a13），第一特征的产品偏好矩阵为：

那么，目标客户对第一个产品的第一预测评分C1为：a11*b11+a12*b12+ a13*b13，目标客户对第二个产品的第一预测评分C2为：a11*b21+a12*b22+ a13*b23，目标客户对第三个产品的第一预测评分C3为：a11*b31+a12*b32+ a13*b33。根据C1、C2、C3的大小即可确定目标客户的推荐产品。很显然，第一预测评分越高，推荐的可能性越大。

在一实施例中，在向客户推荐产品时，除了考虑第一预测评分外，还考虑产品之间的相似属性，以灵活满足客户在产品推荐方面的个性化需求，提高客户对于推荐产品的接受程度。

即所述方法还包括如下内容：

A：获取目标客户的产品评分的向量，所述目标客户的产品评分的向量的元素为所述目标客户对银行产品的转换评分。

B：获取历史客户的产品相似矩阵，所述历史客户的产品相似矩阵的元素为每个银行产品之间的相似度。

需要说明的是，A和B没有明显的先后顺序关系，A和B可以并行执行。

C：根据所述目标客户的产品评分的向量和所述历史客户的产品相似矩阵的点积，确定所述目标客户对每个银行产品的第二预测评分。

此时，子步骤S1032，所述根据所述第一预测评分，确定所述目标客户的推荐产品，还可以包括：根据所述第一预测评分、所述第二预测评分以及所述第一预测评分和所述第二预测评分各自的权重，确定所述目标客户的推荐产品。

本实施例中，所述第一预测评分和所述第二预测评分各自的权重可以根据业务需求进行自定义设定。因此可以根据情况，灵活调整二者权重，满足产品推荐方面的一些个性化需求。

通过上述方式，一方面利用特征分类的思想学习出第一特征的产品偏好矩阵，另一方面利用协同过滤思想学习出历史客户的产品相似矩阵，在推荐产品时，第一预测评分和第一预测评分既考虑了客户的产品购买和使用偏好情况，也考虑了产品之间的相似属性，因此能够提高目标客户对推荐产品的接受程度。

在一实施例中，B，所述获取历史客户的产品相似矩阵，可以包括：B1和B2。

B1：根据多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述历史客户的产品评分矩阵。

B2：利用基于物品的协同过滤方法，根据所述历史客户的产品评分矩阵确定所述历史客户的产品相似矩阵。

基于物品的协同过滤算法（ItemCF，Item based Collaborative Filtering）是通过用户的行为记录去计算物品之间的相似度，通过用户对不同物品的评分来评测物品之间的相似性，基于物品之间的相似性做出推荐。简单来讲就是，给用户推荐和他之前喜欢的物品相似的物品。

参见图5，图5是本申请计算机装置一实施例的结构示意图，所述计算机装置100包括：存储器1和处理器2；所述存储器1用于存储计算机程序；所述处理器2用于执行所述计算机程序并在执行所述计算机程序时，实现如上任一项所述的银行产品推荐方法。相关内容的详细说明，请参见上述银行产品推荐方法的相关内容，在此不再赘叙。

其中，存储器1和处理器2通过总线连接。

其中，处理器2可以是微控制单元、中央处理单元或数字信号处理器，等等。

其中，存储器1可以是Flash芯片、只读存储器、磁盘、光盘、U盘或者移动硬盘等等。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上任一项所述的银行产品推荐方法。相关内容的详细说明，请参见上述银行产品推荐方法的相关内容，在此不再赘叙。

其中，该计算机可读存储介质可以是上述计算机装置的内部存储单元，例如硬盘或内存。该计算机可读存储介质也可以是外部存储设备，例如配备的插接式硬盘、智能存储卡、安全数字卡、闪存卡，等等。

应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

以上所述，仅为本申请的具体实施例，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种银行产品的推荐方法，其特征在于，所述方法包括：

获取目标客户的多个第一特征的信息；

获取多个银行产品分别对所述多个第一特征的偏好信息；

将所述推荐产品推荐给所述目标客户；

其中，所述获取目标客户的多个第一特征的信息，包括：

其中，所述获取第一特征的产品偏好矩阵，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵，包括：

利用机器学习方法，根据所述历史客户的第一特征矩阵和所述历史客户的产品评分矩阵，确定所述第一特征的产品偏好矩阵，使所述历史客户的第一特征矩阵和所述第一特征的产品偏好矩阵的乘积减去所述历史客户的产品评分矩阵的差值最小。

3.根据权利要求1所述的方法，其特征在于，所述根据所述多个历史客户的特征信息集合，确定历史客户的第一特征矩阵，包括：

获取多个历史客户的特征信息集合，所述多个历史客户的特征信息集合包括多个历史客户的特征信息，所述历史客户的特征信息包括所述历史客户的多个不同的第二特征以及所述多个不同的第二特征分别对应的取值；

从所述多个不同的第二特征中筛选出所述第一特征，所述第一特征的数量少于所述第二特征的数量；

根据每个所述历史客户的第一特征和所述第一特征对应的取值，确定所述历史客户的第一特征矩阵。

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵，确定所述目标客户的推荐产品，包括：

根据所述目标客户的第一特征的向量和所述第一特征的产品偏好矩阵的点积，确定所述目标客户对每个银行产品的第一预测评分；

根据所述第一预测评分，确定所述目标客户的推荐产品。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取目标客户的产品评分的向量，所述目标客户的产品评分的向量的元素为所述目标客户对银行产品的转换评分；

获取历史客户的产品相似矩阵，所述历史客户的产品相似矩阵的元素为每个银行产品之间的相似度；

根据所述目标客户的产品评分的向量和所述历史客户的产品相似矩阵的点积，确定所述目标客户对每个银行产品的第二预测评分；

所述根据所述第一预测评分，确定所述目标客户的推荐产品，包括：

根据所述第一预测评分、所述第二预测评分以及所述第一预测评分和所述第二预测评分各自的权重，确定所述目标客户的推荐产品。

6.根据权利要求5所述的方法，其特征在于，所述获取历史客户的产品相似矩阵，包括：

根据多个历史客户的持有产品信息集合和/或购买产品信息集合，确定所述历史客户的产品评分矩阵；

利用基于物品的协同过滤方法，根据所述历史客户的产品评分矩阵确定所述历史客户的产品相似矩阵。

7.一种计算机装置，其特征在于，所述计算机装置包括：存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序并在执行所述计算机程序时，实现如权利要求1-6任一项所述的银行产品的推荐方法。

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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-6任一项所述的银行产品的推荐方法。