CN113344664A - 非典型信息过载的金融产品推送方法及装置 - Google Patents

Abstract

本发明提供了一种非典型信息过载的金融产品推送方法及装置，可用于人工智能技术领域，所述方法包括：对用户信息进行特征提取得到用户需求特征；通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品；根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户，本发明提出一种产品个数少、不存在信息过载以及产品间同质性不强的金融产品的推送方法，提高金融产品推送准确度。

Description

非典型信息过载的金融产品推送方法及装置

技术领域

本发明涉及金融产品推送技术领域，特别涉及人工智能技术领域，尤其涉及一种非典型信息过载的金融产品推送方法及装置。

背景技术

现有的电子商务平台通常通过推荐系统的推荐算法向消费者提供产品。但是，目前的推荐算法无法很好的应用于金融机构对公用户的金融产品推荐。具体的，首先，现有推荐算法的重要假设之一是明显的信息过载，即产品数量庞大。用户无法直接选择产品而需要借助推荐算法，这归因于用户无法穷尽浏览产品，而不是用户不了解产品内容。即，假设用户所需某类产品在电商平台检索到的产品个数非常有限，那么用户不需要依赖现有推荐系统，可以自行选择。而一家金融机构所提供的对公用户金融产品数量有限，数量级上远远低于一个电子商务平台的商品，因此用户选择时不存在典型信息过载情况。其次，现有推荐系统算法的重要假设之一是，同类产品间同质性强。而一家金融机构所提供的对公用户的金融产品同质性弱，大多为点对点覆盖，即某一个功能只由某一个产品提供。第三，电商平台产品数量虽多，但产品大多面向普通消费者，产品功能、风险等信息无壁垒，易于获取和理解。而金融产品具有一定程度的信息壁垒，非从业人员在信息获取和理解上有障碍，因此对公用户通常只能提出所需金融产品的方向，但几乎无法明确具体的金融产品。

发明内容

本发明的一个目的在于提供一种非典型信息过载的金融产品推送方法，提出一种产品个数少、不存在信息过载以及产品间同质性不强的金融产品的推送方法，提高金融产品推送准确度。本发明的另一个目的在于提供一种非典型信息过载的金融产品推送装置。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。

为了达到以上目的，本发明一方面公开了一种非典型信息过载的金融产品推送方法，包括：

对用户信息进行特征提取得到用户需求特征；

通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品；

根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。

优选的，所述对用户信息进行特征提取得到用户需求特征具体包括：

对用户信息中的基本信息和行为信息进行特征提取得到用户需求特征。

优选的，进一步包括预先基于机器学习原理得到所述深度学习模型的步骤：

根据历史数据中用户信息的基本信息和行为信息得到历史用户需求特征；

根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

优选的，所述根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型具体包括：

根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱；

根据所述无向关系图谱、所述行业及宏观信息以及所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

优选的，所述根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱具体包括：

根据所有金融产品信息形成金融产品图谱；

根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的关系强度因子；

将所述关系强度因子作为对应的两个金融产品节点的边得到无向关系图谱。

优选的，进一步包括预先形成所述有向关系图谱的步骤：

根据所有金融产品信息形成金融产品图谱；

根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的有向强度因子；

将所述有向强度因子作为对应的两个金融产品节点的边得到有向关系图谱。

优选的，所述根据所有金融产品信息形成金融产品图谱具体包括：

根据所有金融产品信息确定每个金融产品的产品特征信息；

以每个金融产品为节点且以对应的产品特征信息为节点属性建立所述金融产品图谱。

本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，

所述处理器执行所述程序时实现如上所述方法。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，

该程序被处理器执行时实现如上所述方法。

本发明的非典型信息过载的金融产品推送方法对用户信息进行特征提取得到用户需求特征，通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品，根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。由此，本发明通过预设基于机器学习形成的深度学习模型对用户信息特征提取得到的用户需求特征进行预测得到可向用户推荐的推送金融产品，然后通过预设的金融产品的有向关系图谱对推送金融产品进行扩充预测得到扩充金融产品形成扩充产品组合以推送给用户，从而完成金融产品与用户的匹配映射。从而，本发明提出了一种产品个数少、不存在信息过载以及产品间同质性不强的金融产品的推送方法，提高金融产品推送准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1示出本发明非典型信息过载的金融产品推送方法具体实施例的流程图；

图2示出本发明非典型信息过载的金融产品推送方法具体实施例预先基于机器学习原理得到所述深度学习模型的流程图；

图3示出本发明非典型信息过载的金融产品推送方法具体实施例S020的流程图；

图4示出本发明非典型信息过载的金融产品推送方法具体实施例S021的流程图；

图5示出本发明非典型信息过载的金融产品推送方法具体实施例S030的流程图；

图6示出本发明非典型信息过载的金融产品推送方法具体实施例S031的流程图；

图7示出本发明非典型信息过载的金融产品推送装置具体实施例的结构图；

图8示出适于用来实现本发明实施例的计算机设备的结构示意图。

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，都属于本发明保护的范围。

需要说明的是，本申请公开的一种非典型信息过载的金融产品推送方法及装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本申请公开的一种非典型信息过载的金融产品推送方法及装置的应用领域不做限定。

根据本发明的一个方面，本实施例公开了一种非典型信息过载的金融产品推送方法。如图1所示，本实施例中，所述方法包括：

S100：对用户信息进行特征提取得到用户需求特征。

S200：通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品。

S300：根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。

本发明的非典型信息过载的金融产品推送方法对用户信息进行特征提取得到用户需求特征，通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品，根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。由此，本发明通过预设基于机器学习形成的深度学习模型对用户信息特征提取得到的用户需求特征进行预测得到可向用户推荐的推送金融产品，然后通过预设的金融产品的有向关系图谱对推送金融产品进行扩充预测得到扩充金融产品形成扩充产品组合以推送给用户，从而完成金融产品与用户的匹配映射。从而，本发明提出了一种产品个数少、不存在信息过载以及产品间同质性不强的金融产品的推送方法，提高金融产品推送准确度。

在优选的实施方式中，所述S100对用户信息进行特征提取得到用户需求特征具体可包括：

S110：对用户信息中的基本信息和行为信息进行特征提取得到用户需求特征。

具体的，可对用户信息进行分析得到用户信息中的基本信息和行为信息，进而对基本信息和行为信息进行特征提取并转换为特征向量得到用户需求特征，从而该用户需求特征可直接输入深度学习模型预测推送金融产品。其中，用户信息中的基本信息可包括注册地、所属行业、企业性质、注册资金和注册时间等信息中的至少之一。用户信息中的行为信息可包括交易和由交易建立起来的经济关系，交易信息可包括结算总量、年日均余额、各类交易量和各类信贷额度等信息中的至少之一。

在优选的实施方式中，如图2所示，所述方法进一步包括预先基于机器学习原理得到所述深度学习模型的步骤：

S010：根据历史数据中用户信息的基本信息和行为信息得到历史用户需求特征；

S020：根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

具体的，在该优选的实施方式中，为了提高预测准确度，考虑多维因素对金融产品推荐的影响，通过对历史数据中用户信息的基本信息和行为信息进行特征提取得到特征向量的历史用户需求特征，进一步考虑行业及宏观信息，根据历史用户需求特征和行业及宏观信息形成训练样本集对基于机器学习原理形成的机器学习模型进行训练得到深度学习模型。

例如，在一个具体例子中，定义全量用户集C＝{Ci}，对于每个用户Ci构造用户基础个特征向量(历史用户需求特征)CiF＝(Cif1,Cif2,...)，所有用户特征的集合得到CF＝{CiF}，其中全量用户集包括用户基本信息、用户行为信息、行业和宏观经济信息三大类。其中，用户信息中的基本信息可包括注册地、所属行业、企业性质、注册资金和注册时间等信息中的至少之一。用户信息中的行为信息以对公用户在工商局登记备案信息为核心，可包括交易和由交易建立起来的经济关系，交易信息可包括结算总量、年日均余额、各类交易量和各类信贷额度等信息中的至少之一。

对于行业及宏观信息，定义全量行业集I＝{Iu}，对于某个行业Iu的特征以向量IuF＝(Iuf1,Iuf2,...)表示，特征包括行业产值、产能、共有上下游等信息。依照Ci基本信息中所属行业关联到相应的Iu，并取其IuF作为Ci的一部分。宏观数据可包括各口径货币供应量(M0/M1/M2)，各类货币政策工具(SLO/SLF/MLF/TMLF/PSL/CRA/TLF)量化和长短期存贷利率，各类流动性监管指标(LCR/NSFR)，全国及所属省市维度的GDP，第一、二、三产业的产值和产能分布，人口数，注册企业数以及上述各数值变化趋势等信息中的至少之一。

最后，可根据全量用户集合C＝{Ci}以及用户特征CiF＝(Cif1,Cif2,...)，取开办或使用金融产品/服务(以下称“服务”)数量大于等于n(n为大于1的整数)的用户(视为服务开办较充分，n可根据实际情况自定义)集合作为建立用户信息的基础样本集{CSbn}，并根据服务开办情况进行分类，对每类用户的特征CiF等手段聚合和提取用户需求。

在优选的实施方式中，如图3所示，所述S020根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型具体可包括：

S021：根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱。

S022：根据所述无向关系图谱、所述行业及宏观信息以及所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

具体的，在该优选的实施方式中，对于历史数据中用户的产品订阅信息进行进一步分析得到金融产品的无向关系图谱。根据该金融产品的无向关系图谱、对用户信息进行特征提取得到的历史用户需求特征以及行业及宏观信息对机器学习模型进行训练得到的深度学习模型，能够预测得到与用户匹配度高的金融产品。

在优选的实施方式中，如图4所示，所述S021根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱具体包括：

S0211：根据所有金融产品信息形成金融产品图谱。

S0212：根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的关系强度因子。

S0213：将所述关系强度因子作为对应的两个金融产品节点的边得到无向关系图谱。

具体的，可根据历史数据中用户订阅金融产品的相关信息得到所有金融产品的无向关系图谱。例如，在一个具体例子中，将用户开办金融产品的情况以图谱形式表达。定义全量对公金融产品集S＝{Sj}，这里一项金融产品的颗粒度可由推荐系统根据实际情况自行定义，每个Sj即为图谱的一个节点。对于某一金融产品Sj，根据历史数据描述该金融产品在指定维度的特征向量SjF＝(Sjf1,Sjf2,...),包括发生频次、总交易量(仅涉及金额的服务项目，否则记为null)、核心功能大小类(如支付结算、信息管理、流动性、融资等)和主要用户群体(如小微企业、生产制造类企业、集团用户等)等产品特征信息。

金融产品图谱中每两个金融产品间的关系强度因子可通过如下方式计算得到：用户Ci开办金融产品按开办时间顺序表达为一个向量CiS＝(Si1,Si2,...,Sij，...)，其中{Si1,Si2,...,Sij，...}为{Sj}的子集。获得所有用户开办金融产品向量，逐一计算任意两项金融产品Sm和Sn之间(m<n，即Sm先于Sn开办)的如下概率：Sm和Sn出现在同一向量中概率Psmn，与mn开办顺序无关。理论上，当Sm金融产品为Sn金融产品的前序必要条件时，Ps(n|m)应等于1；当Sm和Sn产品功能互斥时，Ps(mn)、Ps(m|n)和Ps(m|n)均为0；Ps(m|n)和Ps(n|m)数学上没有必然关系。无向关系图谱以金融产品{Sj}为节点集，以Psmn为Sm和Sn之间关系强度因子，该图谱通过几项金融产品被用户同时开办的概率，反应产品间联系紧密程度，关系有强度无方向。

机器学习的对象是用户信息模块中的需求(由用户特征CF生成)与开办服务组合的映射关系，使用金融产品网络模块中的无向关系图谱。训练样本集的构造基于前文所定义的{CSbn}集合，以及该集合上涉及的{Sj}节点在无序金融产品图谱上的节点属性、连接强度和方向。将待推荐用户作为待预测样本集，得到深度学习结果{CSf0}，其中CiSf0＝(CiS1,CiS2,...,CiSj),即为用户Ci共推荐j个产品。

在优选的实施方式中，如图5所示，所述方法进一步包括预先形成所述有向关系图谱的步骤S030：

S031：根据所有金融产品信息形成金融产品图谱；

S032：根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的有向强度因子；

S033：将所述有向强度因子作为对应的两个金融产品节点的边得到有向关系图谱。

具体的，金融产品图谱中每两个金融产品间的关系强度因子可通过如下方式计算得到：用户Ci开办金融产品按开办时间顺序表达为一个向量CiS＝(Si1,Si2,...,Sij，...)，其中{Si1,Si2,...,Sij，...}为{Sj}的子集。获得所有用户开办金融产品向量，逐一计算任意两项金融产品Sm和Sn之间(m<n，即Sm先于Sn开办)的如下概率。当已开办Sm时，后开办Sn的概率，Ps(m|n)，即CiS向量中在Sm之后出现Sn的概率，其中先验概率Ps(m|n)使用似然函数方法计算。理论上，当Sm金融产品为Sn金融产品的前序必要条件时，Ps(n|m)应等于1；当Sm和Sn产品功能互斥时，Ps(mn)、Ps(m|n)和Ps(m|n)均为0；Ps(m|n)和Ps(n|m)数学上没有必然关系。有向关系图谱以金融产品{Sj}为节点集，以Ps(m|n)为节点Sm指向节点Sn的关系强度，该图谱反应当前金融产品节点的用户发生相邻节点金融产品的概率，关系有方向有强度。

在实际应用过程中，由于对公金融产品所特有的产品信息壁垒，无法确保训练样本集上所有客户均已开办所需的所有金融产品，因此本文认为{CSbn}中所包含的客户与金融产品对应关系是不完整的。那么，基于{CSbn}学习所得到的{CSf}也是不完整的。基于上一模块中的有序金融产品图谱，可以修正这种不完整性。

对于客户Ci的深度学习预测结果CiSf＝(CiS1,CiS2,...,CiSj)，取涉及服务的全集Sf0＝{S1,S2,...,Sj},并在有序金融产品图谱上取由每个节点Sj出发所指向的相邻节点以及连接强度，获得扩充的全部服务Sfex0，并视新增节点个数，通过限定每个节点向外扩充节点数或连接强度下限的方式，将其数量缩小到与业务实践相适应的水平，得到基于图谱的扩充产品组合Sfex＝(Sex1,Sex2,...,Sexk)。将其作为Sf0的补充，得到对客户Ci的最终推荐结果CiSf＝(CiS1,CiS2,...,CiSj,CiSex1,CiSex2,...,CiSexk)。

在优选的实施方式中，如图6所示，所述S031根据所有金融产品信息形成金融产品图谱具体包括：

S0311：根据所有金融产品信息确定每个金融产品的产品特征信息。

S0312：以每个金融产品为节点且以对应的产品特征信息为节点属性建立所述金融产品图谱。

可以理解的是，将用户开办金融产品的情况以图谱形式表达，可以各个金融产品作为图谱的节点，以各金融产品对应的产品特征信息作为该节点的属性，以每两个金融产品之间的关系作为边，以强度因子作为边的具体数值可形成所有金融产品的金融产品图谱。例如，在一个具体例子中，定义全量对公金融产品集S＝{Sj}，这里一项金融产品的颗粒度可由推荐系统根据实际情况自行定义，每个Sj即为图谱的一个节点。对于某一金融产品Sj，根据历史数据描述该金融产品在指定维度的特征向量SjF＝(Sjf1,Sjf2,...),包括发生频次、总交易量(仅涉及金额的服务项目，否则记为null)、核心功能大小类(如支付结算、信息管理、流动性、融资等)和主要用户群体(如小微企业、生产制造类企业、集团用户等)等产品特征信息。

需要说明的是，本发明支持用户冷启动和产品冷启动。其中，用户冷启动是指新增用户，用户信息模块中无用户行为信息。用户信息模块取除行为外的其他信息，即基础信息、行业及宏观信息，其他处理与上述方法保持一致。此情况下，推荐结果将较多依赖于用户部分基础信息(如规模)和行业信息，可定期更新推荐结果，使得用户后续发生业务行为数据尽快纳入用户信息模块。产品冷启动是指新增产品，无用户开办或使用记录。产品特征中舍弃交易量，取大小类信息，并以业务规则补充其与前后序产品的关系即强度，其他处理与上述方法保持一致。此情况下，推荐结果将较多依赖于对于产品大小类的划定是否合理，以及与可能的后序产品关系强度的预设是否合理。可定期更新推荐结果，使得产品业务量和用户开办数据尽快纳入金融产品网络模块。

基于相同原理，本实施例还公开了一种非典型信息过载的金融产品推送装置。如图7所示，本实施例中，所述装置包括特征提取模块11、产品预测模块12和补充预测模块13。

其中，特征提取模块11用于对用户信息进行特征提取得到用户需求特征。；

产品预测模块12用于通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品。

补充预测模块13用于根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。

本发明的非典型信息过载的金融产品推送方法对用户信息进行特征提取得到用户需求特征，通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品，根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。由此，本发明通过预设基于机器学习形成的深度学习模型对用户信息特征提取得到的用户需求特征进行预测得到可向用户推荐的推送金融产品，然后通过预设的金融产品的有向关系图谱对推送金融产品进行扩充预测得到扩充金融产品形成扩充产品组合以推送给用户，从而完成金融产品与用户的匹配映射。从而，本发明提出了一种产品个数少、不存在信息过载以及产品间同质性不强的金融产品的推送方法，提高金融产品推送准确度。

在优选的实施方式中，所述特征提取模块11具体用于对用户信息中的基本信息和行为信息进行特征提取得到用户需求特征。

具体的，可对用户信息进行分析得到用户信息中的基本信息和行为信息，进而对基本信息和行为信息进行特征提取并转换为特征向量得到用户需求特征，从而该用户需求特征可直接输入深度学习模型预测推送金融产品。其中，用户信息中的基本信息可包括注册地、所属行业、企业性质、注册资金和注册时间等信息中的至少之一。用户信息中的行为信息可包括交易和由交易建立起来的经济关系，交易信息可包括结算总量、年日均余额、各类交易量和各类信贷额度等信息中的至少之一。

在优选的实施方式中，所述特征提取模块11进一步用于根据历史数据中用户信息的基本信息和行为信息得到历史用户需求特征；根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

具体的，在该优选的实施方式中，为了提高预测准确度，考虑多维因素对金融产品推荐的影响，通过对历史数据中用户信息的基本信息和行为信息进行特征提取得到特征向量的历史用户需求特征，进一步考虑行业及宏观信息，根据历史用户需求特征和行业及宏观信息形成训练样本集对基于机器学习原理形成的机器学习模型进行训练得到深度学习模型。

例如，在一个具体例子中，定义全量用户集C＝{Ci}，对于每个用户Ci构造用户基础个特征向量(历史用户需求特征)CiF＝(Cif1,Cif2,...)，所有用户特征的集合得到CF＝{CiF}，其中全量用户集包括用户基本信息、用户行为信息、行业和宏观经济信息三大类。其中，用户信息中的基本信息可包括注册地、所属行业、企业性质、注册资金和注册时间等信息中的至少之一。用户信息中的行为信息以对公用户在工商局登记备案信息为核心，可包括交易和由交易建立起来的经济关系，交易信息可包括结算总量、年日均余额、各类交易量和各类信贷额度等信息中的至少之一。

对于行业及宏观信息，定义全量行业集I＝{Iu}，对于某个行业Iu的特征以向量IuF＝(Iuf1,Iuf2,...)表示，特征包括行业产值、产能、共有上下游等信息。依照Ci基本信息中所属行业关联到相应的Iu，并取其IuF作为Ci的一部分。宏观数据可包括各口径货币供应量(M0/M1/M2)，各类货币政策工具(SLO/SLF/MLF/TMLF/PSL/CRA/TLF)量化和长短期存贷利率，各类流动性监管指标(LCR/NSFR)，全国及所属省市维度的GDP，第一、二、三产业的产值和产能分布，人口数，注册企业数以及上述各数值变化趋势等信息中的至少之一。

最后，可根据全量用户集合C＝{Ci}以及用户特征CiF＝(Cif1,Cif2,...)，取开办或使用金融产品/服务(以下称“服务”)数量大于等于n(n为大于1的整数)的用户(视为服务开办较充分，n可根据实际情况自定义)集合作为建立用户信息的基础样本集{CSbn}，并根据服务开办情况进行分类，对每类用户的特征CiF等手段聚合和提取用户需求。

在优选的实施方式中，所述特征提取模块11具体用于根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱；根据所述无向关系图谱、所述行业及宏观信息以及所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

具体的，在该优选的实施方式中，对于历史数据中用户的产品订阅信息进行进一步分析得到金融产品的无向关系图谱。根据该金融产品的无向关系图谱、对用户信息进行特征提取得到的历史用户需求特征以及行业及宏观信息对机器学习模型进行训练得到的深度学习模型，能够预测得到与用户匹配度高的金融产品。

在优选的实施方式中，所述特征提取模块11具体用于根据所有金融产品信息形成金融产品图谱。根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的关系强度因子。将所述关系强度因子作为对应的两个金融产品节点的边得到无向关系图谱。

具体的，可根据历史数据中用户订阅金融产品的相关信息得到所有金融产品的无向关系图谱。例如，在一个具体例子中，将用户开办金融产品的情况以图谱形式表达。定义全量对公金融产品集S＝{Sj}，这里一项金融产品的颗粒度可由推荐系统根据实际情况自行定义，每个Sj即为图谱的一个节点。对于某一金融产品Sj，根据历史数据描述该金融产品在指定维度的特征向量SjF＝(Sjf1,Sjf2,...),包括发生频次、总交易量(仅涉及金额的服务项目，否则记为null)、核心功能大小类(如支付结算、信息管理、流动性、融资等)和主要用户群体(如小微企业、生产制造类企业、集团用户等)等产品特征信息。

金融产品图谱中每两个金融产品间的关系强度因子可通过如下方式计算得到：用户Ci开办金融产品按开办时间顺序表达为一个向量CiS＝(Si1,Si2,...,Sij，...)，其中{Si1,Si2,...,Sij，...}为{Sj}的子集。获得所有用户开办金融产品向量，逐一计算任意两项金融产品Sm和Sn之间(m<n，即Sm先于Sn开办)的如下概率：Sm和Sn出现在同一向量中概率Psmn，与mn开办顺序无关。理论上，当Sm金融产品为Sn金融产品的前序必要条件时，Ps(n|m)应等于1；当Sm和Sn产品功能互斥时，Ps(mn)、Ps(m|n)和Ps(m|n)均为0；Ps(m|n)和Ps(n|m)数学上没有必然关系。无向关系图谱以金融产品{Sj}为节点集，以Psmn为Sm和Sn之间关系强度因子，该图谱通过几项金融产品被用户同时开办的概率，反应产品间联系紧密程度，关系有强度无方向。

机器学习的对象是用户信息模块中的需求(由用户特征CF生成)与开办服务组合的映射关系，使用金融产品网络模块中的无向关系图谱。训练样本集的构造基于前文所定义的{CSbn}集合，以及该集合上涉及的{Sj}节点在无序金融产品图谱上的节点属性、连接强度和方向。将待推荐用户作为待预测样本集，得到深度学习结果{CSf0}，其中CiSf0＝(CiS1,CiS2,...,CiSj),即为用户Ci共推荐j个产品。

在优选的实施方式中，所述特征提取模块11进一步用于根据所有金融产品信息形成金融产品图谱；根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的有向强度因子；将所述有向强度因子作为对应的两个金融产品节点的边得到有向关系图谱。

具体的，金融产品图谱中每两个金融产品间的关系强度因子可通过如下方式计算得到：用户Ci开办金融产品按开办时间顺序表达为一个向量CiS＝(Si1,Si2,...,Sij，...)，其中{Si1,Si2,...,Sij，...}为{Sj}的子集。获得所有用户开办金融产品向量，逐一计算任意两项金融产品Sm和Sn之间(m<n，即Sm先于Sn开办)的如下概率。当已开办Sm时，后开办Sn的概率，Ps(m|n)，即CiS向量中在Sm之后出现Sn的概率，其中先验概率Ps(m|n)使用似然函数方法计算。理论上，当Sm金融产品为Sn金融产品的前序必要条件时，Ps(n|m)应等于1；当Sm和Sn产品功能互斥时，Ps(mn)、Ps(m|n)和Ps(m|n)均为0；Ps(m|n)和Ps(n|m)数学上没有必然关系。有向关系图谱以金融产品{Sj}为节点集，以Ps(m|n)为节点Sm指向节点Sn的关系强度，该图谱反应当前金融产品节点的用户发生相邻节点金融产品的概率，关系有方向有强度。

在实际应用过程中，由于对公金融产品所特有的产品信息壁垒，无法确保训练样本集上所有客户均已开办所需的所有金融产品，因此本文认为{CSbn}中所包含的客户与金融产品对应关系是不完整的。那么，基于{CSbn}学习所得到的{CSf}也是不完整的。基于上一模块中的有序金融产品图谱，可以修正这种不完整性。

对于客户Ci的深度学习预测结果CiSf＝(CiS1,CiS2,...,CiSj)，取涉及服务的全集Sf0＝{S1,S2,...,Sj},并在有序金融产品图谱上取由每个节点Sj出发所指向的相邻节点以及连接强度，获得扩充的全部服务Sfex0，并视新增节点个数，通过限定每个节点向外扩充节点数或连接强度下限的方式，将其数量缩小到与业务实践相适应的水平，得到基于图谱的扩充产品组合Sfex＝(Sex1,Sex2,...,Sexk)。将其作为Sf0的补充，得到对客户Ci的最终推荐结果CiSf＝(CiS1,CiS2,...,CiSj,CiSex1,CiSex2,...,CiSexk)。

在优选的实施方式中，所述特征提取模块11具体用于根据所有金融产品信息确定每个金融产品的产品特征信息。以每个金融产品为节点且以对应的产品特征信息为节点属性建立所述金融产品图谱。

可以理解的是，将用户开办金融产品的情况以图谱形式表达，可以各个金融产品作为图谱的节点，以各金融产品对应的产品特征信息作为该节点的属性，以每两个金融产品之间的关系作为边，以强度因子作为边的具体数值可形成所有金融产品的金融产品图谱。例如，在一个具体例子中，定义全量对公金融产品集S＝{Sj}，这里一项金融产品的颗粒度可由推荐系统根据实际情况自行定义，每个Sj即为图谱的一个节点。对于某一金融产品Sj，根据历史数据描述该金融产品在指定维度的特征向量SjF＝(Sjf1,Sjf2,...),包括发生频次、总交易量(仅涉及金额的服务项目，否则记为null)、核心功能大小类(如支付结算、信息管理、流动性、融资等)和主要用户群体(如小微企业、生产制造类企业、集团用户等)等产品特征信息。

需要说明的是，本发明支持用户冷启动和产品冷启动。其中，用户冷启动是指新增用户，用户信息模块中无用户行为信息。用户信息模块取除行为外的其他信息，即基础信息、行业及宏观信息，其他处理与上述方法保持一致。此情况下，推荐结果将较多依赖于用户部分基础信息(如规模)和行业信息，可定期更新推荐结果，使得用户后续发生业务行为数据尽快纳入用户信息模块。产品冷启动是指新增产品，无用户开办或使用记录。产品特征中舍弃交易量，取大小类信息，并以业务规则补充其与前后序产品的关系即强度，其他处理与上述方法保持一致。此情况下，推荐结果将较多依赖于对于产品大小类的划定是否合理，以及与可能的后序产品关系强度的预设是否合理。可定期更新推荐结果，使得产品业务量和用户开办数据尽快纳入金融产品网络模块。

由于该装置解决问题的原理与以上方法类似，因此本装置的实施可以参见方法的实施，在此不再赘述。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的由用户端执行的方法，或者，所述处理器执行所述程序时实现如上所述的由服务器执行的方法。

下面参考图8，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。

如图8所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种非典型信息过载的金融产品推送方法，其特征在于，包括：

对用户信息进行特征提取得到用户需求特征；

通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品；

根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。

2.根据权利要求1所述的非典型信息过载的金融产品推送方法，其特征在于，所述对用户信息进行特征提取得到用户需求特征具体包括：

对用户信息中的基本信息和行为信息进行特征提取得到用户需求特征。

3.根据权利要求1所述的非典型信息过载的金融产品推送方法，其特征在于，进一步包括预先基于机器学习原理得到所述深度学习模型的步骤：

根据历史数据中用户信息的基本信息和行为信息得到历史用户需求特征；

根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

4.根据权利要求3所述的非典型信息过载的金融产品推送方法，其特征在于，所述根据历史数据中用户的产品订阅信息、行业及宏观信息和所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型具体包括：

根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱；

根据所述无向关系图谱、所述行业及宏观信息以及所述历史用户需求特征对预先构建的机器学习模型进行训练得到深度学习模型。

5.根据权利要求4所述的非典型信息过载的金融产品推送方法，其特征在于，所述根据所述历史数据中用户的产品订阅信息得到金融产品的无向关系图谱具体包括：

根据所有金融产品信息形成金融产品图谱；

根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的关系强度因子；

将所述关系强度因子作为对应的两个金融产品节点的边得到无向关系图谱。

6.根据权利要求1所述的非典型信息过载的金融产品推送方法，其特征在于，进一步包括预先形成所述有向关系图谱的步骤：

根据所有金融产品信息形成金融产品图谱；

根据历史数据中用户的订阅信息确定所述金融产品图谱中每两个金融产品间的有向强度因子；

将所述有向强度因子作为对应的两个金融产品节点的边得到有向关系图谱。

7.根据权利要求5或6所述的非典型信息过载的金融产品推送方法，其特征在于，所述根据所有金融产品信息形成金融产品图谱具体包括：

根据所有金融产品信息确定每个金融产品的产品特征信息；

以每个金融产品为节点且以对应的产品特征信息为节点属性建立所述金融产品图谱。

8.一种非典型信息过载的金融产品推送装置，其特征在于，包括：

特征提取模块，用于对用户信息进行特征提取得到用户需求特征；

产品预测模块，用于通过基于机器学习形成的深度学习模型对所述用户需求特征进行预测得到推送金融产品；

补充预测模块，用于根据预设所有金融产品的有向关系图谱对所述推送金融产品进行扩充预测得到扩充金融产品，根据所述推送金融产品和所述扩充金融产品得到扩充产品组合以推送给用户。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，

所述处理器执行所述程序时实现如权利要求1-7任一项所述方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，

该程序被处理器执行时实现如权利要求1-7任一项所述方法。

Images