CN113393301A - 产品推送方法及装置 - Google Patents

产品推送方法及装置 Download PDF

Info

Publication number
CN113393301A
CN113393301A CN202110738565.XA CN202110738565A CN113393301A CN 113393301 A CN113393301 A CN 113393301A CN 202110738565 A CN202110738565 A CN 202110738565A CN 113393301 A CN113393301 A CN 113393301A
Authority
CN
China
Prior art keywords
product
data
client
pushing
scale
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
Application number
CN202110738565.XA
Other languages
English (en)
Inventor
彭博
李曼丽
张笑雪
胡屹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110738565.XA priority Critical patent/CN113393301A/zh
Publication of CN113393301A publication Critical patent/CN113393301A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种产品推送方法及装置，属于人工智能技术领域，可应用于金融领域或其他领域。该产品推送方法包括：获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。本发明可以契合客户真实诉求，提高产品推送的准确度。

Description

产品推送方法及装置
技术领域
本发明涉及人工智能技术领域，具体地，涉及一种产品推送方法及装置。
背景技术
在银行代理销售业务领域，传统银行依照推销力度手动编排销售计划，首先推荐主销的重点产品，然后按照销售计划千人一面无差别推送给潜在客户。目前各家银行都在探索用历史数据构建客户画像，通过在客户画像和产品间建立匹配关系，运用大数据分析形成千人千面的推送结果。
传统银行的推荐产品过于固定，完全从银行角度出发，忽略了客户的差异性。而各家银行基于客户画像的推送方式也存在以下几个问题：
1、数据存在可用性低、更新不及时等问题，影响客户画像构建，进而影响了产品推送的准确性。
2、推送结果缺少反馈和修正机制，只有成功的推送结果才能进入数据库成为历史数据，推送方法的构建过于片面。
3、忽略了推送人员对客户决策的影响，推送结果不能准确反映客户的真实意愿。
发明内容
本发明实施例的主要目的在于提供一种产品推送方法及装置，以契合客户真实诉求，提高产品推送的准确度。
为了实现上述目的，本发明实施例提供一种产品推送方法，包括：
获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；
根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
本发明实施例还提供一种产品推送装置包括：
理想产品数据生成模块，用于获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；
产品相似度模块，用于根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
交易规模数据模块，用于根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
推送模块，用于根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的产品推送方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的产品推送方法的步骤。
本发明实施例的产品推送方法及装置先根据各金融产品数据和通过客户倾向产品信息生成的客户理想产品数据生成各产品相似度，再根据各产品相似度和各营销人员的营销预测数据生成各交易规模数据以确定推荐产品和推送人员并向客户进行推送，可以契合客户真实诉求，提高产品推送的准确度。
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是本发明一实施例中产品推送方法的流程图；
图2是本发明另一实施例中产品推送方法的流程图；
图3是本发明一实施例中S102的流程图；
图4是本发明实施例中确定客户表情占比数据的流程图；
图5是本发明实施例中确定客户人脸正对数据的流程图；
图6是本发明实施例中创建交易规模模型的流程图；
图7是本发明实施例中产品推送装置的结构框图；
图8是本发明实施例中计算机设备的结构框图。
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。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
鉴于现有技术的产品推送结果不能准确反映客户的真实意愿，影响了产品推送的准确性，本发明实施例提供一种产品推送方法，以利用自然语言处理和人脸表情识别技术分析营销推送过程中客户表述语言和肢体语言，与历史数据建立联系形成模型并通过机器学习技术迭代更新模型，最后比较输出结果选择最优输入值从而构建一个可以闭环营销过程的推荐系统，契合客户真实诉求，提高产品推送的准确度。以下结合附图对本发明进行详细说明。
图1是本发明一实施例中产品推送方法的流程图。图2是本发明另一实施例中产品推送方法的流程图。如图1和图2所示，产品推送方法包括：
S101：获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据。
在执行S101之前，还包括：获取该客户在历史产品推送期间的语音信息将语音信息转化为文字。然后通过自然语言处理关键词提取技术从文字中提取客户对产品的关注点(客户倾向产品信息)以构建客户理想产品。
其中，客户理想产品数据包括风险数据x′(无量纲等级数据，取值为1-5)、收益数据y′(年化收益率，单位为％)和期限数据z′(单位为天)。从风险数据、收益数据和期限数据三个维度构建一个三维坐标系，将客户理想产品a′(x′,y′,z′)和第i个金融产品ai(xi,yi,zi)分别代入坐标系，生成空间向量oa′和oai。
S102：根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度。
图3是本发明一实施例中S102的流程图。如图3所示，S102包括：
S201：根据客户理想产品数据和各金融产品确定各产品欧式距离。
具体实施时，可以通过如下公式确定各产品欧式距离：
Figure BDA0003140697260000041
其中，ρi为第一个产品欧式距离，xi为第i个金融产品的风险数据，yi为第i个金融产品的收益数据，zi为第i个金融产品的期限数据，x′为客户理想产品的风险数据，y′为客户理想产品的收益数据，z′为客户理想产品的期限数据。
S202：根据各产品欧式距离确定各金融产品的产品相似度。
具体实施时，可以通过如下公式确定各金融产品的产品相似度：
Figure BDA0003140697260000042
其中，Ai为第i个金融产品的产品相似度。产品相似度的取值范围是[0,1]，产品欧式距离越小，产品相似度越大。
S103：根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据。
交易规模数据与产品相似度、营销人员的营销预测数据呈线性关系，可以根据如下公式得到第k个营销人员推荐第i个金融产品对应的交易规模数据：
Xki＝α0+α1Ai+α2Bk；
其中，Xki为第k个营销人员推荐第i个金融产品对应的交易规模数据，α0为第一规模模型参数，α1为第二规模模型参数，α2为第三规模模型参数，Ai为第i个金融产品的产品相似度，Bk为第k个营销人员对应的营销预测数据。
S104：根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
一实施例中，根据各交易规模数据确定推荐产品和推送人员包括：
确定各交易规模数据的最大值对应的金融产品为推荐产品，确定各交易规模数据Xki的最大值对应的营销人员为推送人员。
例如，交易规模数据Xki的最大值为X23，则向客户推送第三个金融产品。将第二个营销人员的信号源切入客户的账号，以使第二个营销人员向客户营销第三个金融产品。
图1所示的产品推送方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的产品推送方法先根据各金融产品数据和通过客户倾向产品信息生成的客户理想产品数据生成各产品相似度，再根据各产品相似度和各营销人员的营销预测数据生成各交易规模数据以确定推荐产品和推送人员并向客户进行推送，可以契合客户真实诉求，提高产品推送的准确度。
一实施例中，产品推送方法还包括：
1、获取各营销人员对应的交易行为数据和客户人脸数据。
其中，客户人脸数据包括客户表情占比数据n1和客户人脸正对数据n2。交易行为数据包括交易成交数据n3、成交后的撤单数据n4，客户在历史产品推送期间的回应数据n5，客户回购数据n6、成交金额占客户账户活钱资产占比数据n7和产品分享数据n8。回应数据n5可以为在历史产品推送期间客户的回应次数占推送人员讲解次数的比例。
2、将各营销人员对应的交易行为数据和客户人脸数据输入基于交易行为训练数据和客户人脸训练数据创建的营销预测模型中，得到各营销人员的营销预测数据。
具体实施时，营销预测模型可以采用XGBOOST模型，根据交易行为训练数据(交易行为数据的历史值)和客户人脸训练数据(客户人脸数据的历史值)训练初始的XGBOOST模型，可以得到XGBOOST模型中CART树的各叶子节点参数λj，根据各叶子节点参数λj创建营销预测模型。j＝1,2,3,4,5,6,7,8。
将营销人员对应的指标(包括客户表情占比数据n1、客户人脸正对数据n2、交易成交数据n3、成交后的撤单数据n4，客户在历史产品推送期间的回应数据n5，客户回购数据n6、成交金额占客户账户活钱资产占比数据n7和产品分享数据n8)视为CART树的各叶子节点，计算第j个叶子节点对应的数据fj(n)＝λjnj，将各叶子节点的对应的数据累加可以得到营销人员对应的营销预测数据
Figure BDA0003140697260000051
则第k个营销人员对应的营销预测数据为Bk。
图4是本发明实施例中确定客户表情占比数据的流程图。如图4所示，确定客户表情占比数据包括：
S301：获取客户历史视频，根据客户历史视频获取客户表情图像。
具体实施时，可以将客户历史视频做截图处理以获得客户表情图像。
S302：利用卷积神经网络对客户表情图像进行特征提取得到各客户表情概率。
具体实施时，可以利用卷积神经网络和人脸表情识别技术对客户表情图像进行特征提取，卷积神经网络模型输出预设分类表情的概率分布，例如愉悦表情、中立表情、厌恶表情和疑惑表情等。
S303：根据各客户表情概率确定客户表情占比数据。
具体实施时，可以确定客户愉悦表情的出现概率为客户表情占比数据n1。
图5是本发明实施例中确定客户人脸正对数据的流程图。如图5所示，确定客户人脸正对数据包括：
S401：根据所述客户历史视频获取客户人脸图像。
具体实施时，可以将客户历史视频做截图处理以获得客户人脸图像。
S402：将客户人脸图像输入基于人脸训练图像创建的人脸角度识别模型中，得到客户人脸角度数据。
具体实施时，可以先将面对屏幕不同角度的人脸图片作为人脸训练图像训练初始的YOLO-V3(YOLO(You Only Look Once)系列目标检测算法的第三版)模型以创建人脸角度识别模型。人脸训练图像包括正对屏幕训练图像、偏移屏幕60度训练图像和偏移屏幕30度训练图像等。训练完成后，将各客户人脸图像输入到人脸角度识别模型中，可以得到各客户人脸图像对应的客户人脸角度数据；客户人脸角度数据包括正对屏幕数据、偏移屏幕60度数据和偏移屏幕30度数据等。
S403：根据客户人脸角度数据确定客户人脸正对数据。
具体实施时，可以确定正对屏幕数据占客户人脸角度数据的比例客户人脸正对数据n2。
图6是本发明实施例中创建交易规模模型的流程图。如图6所示，基于产品历史相似度和历史营销数据创建交易规模模型包括：
执行如下迭代处理：
S501：根据产品历史相似度、历史营销数据和规模模型参数确定规模预测数据。
具体实施时，可以将产品历史相似度A′和历史营销数据B′输入到初始交易规模模型中得到规模预测数据X′，如下：
X′＝α0+α1A′+α2B′；
其中，α0为第一规模模型参数，α1为第二规模模型参数，α2为第三规模模型参数，规模模型参数α＝{α0,α1,α2}。
S502：根据规模预测数据和对应的规模实际数据确定规模损失函数。
S503：判断规模损失函数是否小于预设规模损失函数阈值。
S504：当规模损失函数小于预设规模损失函数阈值时，根据规模模型参数创建交易规模模型。
S505：当规模损失函数大于或等于预设规模损失函数阈值时，根据规模损失函数更新规模模型参数，继续执行迭代处理。
其中，可以根据梯度下降算法处理规模损失函数以更新规模模型参数。
本发明实施例的具体流程如下：
1、根据产品历史相似度、历史营销数据和规模模型参数确定规模预测数据。
2、根据规模预测数据和对应的规模实际数据确定规模损失函数。
3、当规模损失函数小于预设规模损失函数阈值时，根据规模模型参数创建交易规模模型，否则根据规模损失函数更新规模模型参数，返回步骤1。
4、获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据。
5、根据客户理想产品数据和各金融产品确定各产品欧式距离。
6、根据各产品欧式距离确定各金融产品的产品相似度。
7、获取客户历史视频，根据客户历史视频获取客户表情图像和客户人脸图像。
8、利用卷积神经网络对客户表情图像进行特征提取得到各客户表情概率，根据各客户表情概率确定客户表情占比数据。
9、将客户人脸图像输入基于人脸训练图像创建的人脸角度识别模型中，得到客户人脸角度数据。
10、根据客户人脸角度数据确定客户人脸正对数据。
11、获取各营销人员对应的交易行为数据，将各营销人员对应的交易行为数据和包括客户表情占比数据和客户人脸正对数据的客户人脸数据输入基于交易行为训练数据和客户人脸训练数据创建的营销预测模型中，得到各营销人员的营销预测数据。
12、根据各产品相似度和各营销人员的营销预测数据输入交易规模模型中，得到各交易规模数据。
13、根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
综上所述，本发明实施例提供的产品推送方法利用人工智能和机器学习，将客户表述语言和肢体语言所传达出来信息与推荐产品和推送人员建立了关系，提供了更契合客户诉求且可以自我迭代优化的推荐系统。一方面关注到了各种外部环境因素变化可能影响推送方法的准确性，通过不断迭代优化的模型参数α可以有效的修正偏差；另一方面深度挖掘分析营销过程获取可量化的客户真实诉求，建立模型修正推送结果，达成客户银行双赢的局面。
基于同一发明构思，本发明实施例还提供了一种产品推送装置，由于该装置解决问题的原理与产品推送方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
图7是本发明实施例中产品推送装置的结构框图。如图7所示，产品推送装置包括：
理想产品数据生成模块，用于获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；
产品相似度模块，用于根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
交易规模数据模块，用于根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
推送模块，用于根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
综上，本发明实施例的产品推送装置先根据各金融产品数据和通过客户倾向产品信息生成的客户理想产品数据生成各产品相似度，再根据各产品相似度和各营销人员的营销预测数据生成各交易规模数据以确定推荐产品和推送人员并向客户进行推送，可以契合客户真实诉求，提高产品推送的准确度。
本发明实施例还提供能够实现上述实施例中的产品推送方法中全部步骤的一种计算机设备的具体实施方式。图8是本发明实施例中计算机设备的结构框图，参见图8，所述计算机设备具体包括如下内容：
处理器(processor)801和存储器(memory)802。
所述处理器801用于调用所述存储器802中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的产品推送方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；
根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
综上，本发明实施例的计算机设备先根据各金融产品数据和通过客户倾向产品信息生成的客户理想产品数据生成各产品相似度，再根据各产品相似度和各营销人员的营销预测数据生成各交易规模数据以确定推荐产品和推送人员并向客户进行推送，可以契合客户真实诉求，提高产品推送的准确度。
本发明实施例还提供能够实现上述实施例中的产品推送方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的产品推送方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取客户倾向产品信息，根据客户倾向产品信息生成客户理想产品数据；
根据客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
根据各交易规模数据确定推荐产品和推送人员，向客户推送推荐产品并将推送人员的信号源切入客户的账号。
综上，本发明实施例的计算机可读存储介质先根据各金融产品数据和通过客户倾向产品信息生成的客户理想产品数据生成各产品相似度，再根据各产品相似度和各营销人员的营销预测数据生成各交易规模数据以确定推荐产品和推送人员并向客户进行推送，可以契合客户真实诉求，提高产品推送的准确度。
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，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

Claims (10)

1.一种产品推送方法，其特征在于，包括：
获取客户倾向产品信息，根据所述客户倾向产品信息生成客户理想产品数据；
根据所述客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
根据各交易规模数据确定推荐产品和推送人员，向客户推送所述推荐产品并将所述推送人员的信号源切入所述客户的账号。
2.根据权利要求1所述的产品推送方法，其特征在于，根据各交易规模数据确定推荐产品和推送人员包括：
确定各交易规模数据的最大值对应的金融产品为所述推荐产品，确定各交易规模数据的最大值对应的营销人员为所述推送人员。
3.根据权利要求1所述的产品推送方法，其特征在于，根据所述客户理想产品数据和各金融产品生成各金融产品的产品相似度包括：
根据所述客户理想产品数据和各金融产品确定各产品欧式距离；
根据各产品欧式距离确定各金融产品的产品相似度。
4.根据权利要求1所述的产品推送方法，其特征在于，还包括：
获取各营销人员对应的交易行为数据和客户人脸数据；
将各营销人员对应的交易行为数据和客户人脸数据输入基于交易行为训练数据和客户人脸训练数据创建的营销预测模型中，得到各营销人员的营销预测数据。
5.根据权利要求4所述的产品推送方法，其特征在于，所述客户人脸数据包括客户表情占比数据；
所述产品推送方法还包括：
获取客户历史视频，根据所述客户历史视频获取客户表情图像；
利用卷积神经网络对所述客户表情图像进行特征提取得到各客户表情概率；
根据各客户表情概率确定客户表情占比数据。
6.根据权利要求5所述的产品推送方法，其特征在于，所述客户人脸数据还包括客户人脸正对数据；
所述产品推送方法还包括：
根据所述客户历史视频获取客户人脸图像；
将客户人脸图像输入基于人脸训练图像创建的人脸角度识别模型中，得到客户人脸角度数据；
根据客户人脸角度数据确定客户人脸正对数据。
7.根据权利要求5所述的产品推送方法，其特征在于，基于产品历史相似度和历史营销数据创建交易规模模型包括：
执行如下迭代处理：
根据所述产品历史相似度、所述历史营销数据和规模模型参数确定规模预测数据；
根据所述规模预测数据和对应的规模实际数据确定规模损失函数；
当所述规模损失函数小于预设规模损失函数阈值时，根据所述规模模型参数创建交易规模模型，否则根据所述规模损失函数更新所述规模模型参数，继续执行所述迭代处理。
8.一种产品推送装置，其特征在于，包括：
理想产品数据生成模块，用于获取客户倾向产品信息，根据所述客户倾向产品信息生成客户理想产品数据；
产品相似度模块，用于根据所述客户理想产品数据和各金融产品数据生成各金融产品的产品相似度；
交易规模数据模块，用于根据各产品相似度和各营销人员的营销预测数据输入基于产品历史相似度和历史营销数据创建的交易规模模型中，得到各交易规模数据；
推送模块，用于根据各交易规模数据确定推荐产品和推送人员，向客户推送所述推荐产品并将所述推送人员的信号源切入所述客户的账号。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并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计算机程序时实现权利要求1至7任一项所述的产品推送方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的产品推送方法的步骤。
CN202110738565.XA 2021-06-30 2021-06-30 产品推送方法及装置 Pending CN113393301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738565.XA CN113393301A (zh) 2021-06-30 2021-06-30 产品推送方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738565.XA CN113393301A (zh) 2021-06-30 2021-06-30 产品推送方法及装置

Publications (1)

Publication Number Publication Date
CN113393301A true CN113393301A (zh) 2021-09-14

Family

ID=77624693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738565.XA Pending CN113393301A (zh) 2021-06-30 2021-06-30 产品推送方法及装置

Country Status (1)

Country Link
CN (1) CN113393301A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515896A (zh) * 2017-07-17 2017-12-26 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及设备
CN109447728A (zh) * 2018-09-07 2019-03-08 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN109767261A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515896A (zh) * 2017-07-17 2017-12-26 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及设备
CN109447728A (zh) * 2018-09-07 2019-03-08 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN109767261A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110390408B (zh) 交易对象预测方法和装置
CN109376222B (zh) 问答匹配度计算方法、问答自动匹配方法及装置
CN108734338A (zh) 基于lstm模型的信用风险预测方法及装置
US20220383863A1 (en) Generating training datasets for a supervised learning topic model from outputs of a discovery topic model
US20220188644A1 (en) Latent-space misalignment measure of responsible ai for machine learning models
CN107767152B (zh) 产品购买倾向分析方法及服务器
CN113221104B (zh) 用户异常行为的检测方法及用户行为重构模型的训练方法
CN109979439B (zh) 基于区块链的语音识别方法、装置、介质及电子设备
CN112836502A (zh) 一种金融领域事件隐式因果关系抽取方法
Jaroli et al. Deep learning model based novel semantic analysis
CN110489730A (zh) 文本处理方法、装置、终端及存储介质
CN112287111B (zh) 一种文本处理方法和相关装置
US11521601B2 (en) Detecting extraneous topic information using artificial intelligence models
CN116402166A (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN113393301A (zh) 产品推送方法及装置
CN114254617A (zh) 一种修订条款的方法、装置、计算设备及存储介质
CN114281990A (zh) 文档分类方法及装置、电子设备和介质
CN115186096A (zh) 针对特定类型分词的识别方法、装置、介质及电子设备
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
Nagashima et al. Data Imputation Method based on Programming by Example: APREP-S
CN110909777A (zh) 一种多维特征图嵌入方法、装置、设备及介质
Yin et al. A dynamic MADM method for the selection of a big data service provider
CN113535847B (zh) 区块链地址分类的方法和装置
CN113535847A (zh) 区块链地址分类的方法和装置
CN115099950A (zh) 信用卡办理的预测方法、相关装置及计算机存储介质

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