CN113781236A - 基金产品推荐方法、装置、电子设备及存储介质 - Google Patents
基金产品推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113781236A CN113781236A CN202111023800.1A CN202111023800A CN113781236A CN 113781236 A CN113781236 A CN 113781236A CN 202111023800 A CN202111023800 A CN 202111023800A CN 113781236 A CN113781236 A CN 113781236A
- Authority
- CN
- China
- Prior art keywords
- user
- fund
- product
- target user
- candidate
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及一种基金产品推荐方法、装置、电子设备及存储介质,该方法包括:为目标用户确定多个候选基金产品;获取目标用户的用户行为数据,以及与用户行为数据对应的上下文信息;对多个候选基金产品的产品信息进行特征提取,得到多个候选基金产品的产品特征向量,以及对用户行为数据和上下文信息进行特征提取,得到目标用户的用户特征向量;基于用户特征向量、多个产品特征向量,确定各候选基金产品对应于目标用户的匹配度;基于各候选基金产品对应于目标用户的匹配度,向目标用户推荐多个候选基金产品中的至少一个。由此,可以实现准确、高效、智能地向用户进行基金产品推荐,实现千人千面的智能化运营。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种基金产品推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网的发展,互联网数据量和流量呈爆发式增长,传统的人工运营方式已经很难适应当下复杂的业务场景,如何精细、准确、高效、智能地向用户进行产品推荐,已成为诸多互联网平台越来越关注的一环。
发明内容
鉴于此,本发明实施例提供一种基金产品推荐方法、装置、电子设备及存储介质,以解决如何准确、高效、智能地向用户进行基金产品推荐的问题。
第一方面,本发明实施例提供一种基金产品推荐方法,包括:
为目标用户确定多个候选基金产品;
获取所述目标用户的用户数据、行为数据,以及与所述行为数据对应的上下文信息;
对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
在一个可能的实施方式中,所述为目标用户确定多个候选基金产品,包括:
采用多路分布式召回策略从已配置的全量基金产品中为目标用户确定多个候选基金产品。
在一个可能的实施方式中,所述对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量,包括:
分别对所述用户数据、行为数据和所述上下文信息进行特征提取,得到与所述用户数据对应的第一特征向量、与所述行为数据对应的第二特征向量,以及与所述上下文信息对应的第三特征向量;
将所述第一特征向量、所述第二特征向量,以及所述第三特征向量进行拼接,得到所述目标用户的用户特征向量。
在一个可能的实施方式中,所述基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度,包括:
基于注意力机制对所述用户特征向量和各所述产品特征向量进行计算,得到所述目标用户对应于各所述候选基金产品的兴趣向量;
将所述兴趣向量输入至已训练的基金产品推荐模型,得到各所述候选基金产品对应于所述目标用户的匹配度。
在一个可能的实施方式中,所述基金产品推荐模型通过热部署的方式被部署在所述电子设备上,具体包括:
创建部署所述基金产品推荐模型所需的虚拟环境,将所述基金产品推荐模型加载至所述虚拟环境中;
初始化所述虚拟环境,以实现部署所述基金产品推荐模型。
在一个可能的实施方式中,所述基金产品推荐模型通过以下方式训练得到:
获取正样本数据和负样本数据;所述正样本数据包括用户特征向量、用户已购买基金产品的产品特征向量,所述负样本数据包括用户特征向量、用户浏览过但未购买的基金产品的产品特征向量;
利用所述正样本数据和所述负样本数据,并按照设定的机器学习算法,对初始模型进行训练;
当所述初始模型满足设定条件时,得到所述基金产品推荐模型。
在一个可能的实施方式中,所述基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个,包括:
按照所述匹配度从高到低的顺序,对多个所述候选基金产品进行排序;
将排序结果中,排在前N位的所述候选基金产品向所述目标用户进行推荐,所述N为预设值;
或者,将多个所述候选基金产品中,对应的所述匹配度大于设定阈值的至少一个所述候选基金产品向所述目标用户进行推荐。
第二方面,本发明实施例提供一种基金产品推荐装置,包括:
第一确定模块,用于为目标用户确定多个候选基金产品;
数据获取模块,用于获取所述目标用户的用户行为数据,以及与所述用户行为数据对应的上下文信息;
特征提取模块,用于对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
第二确定模块,用于基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
产品推荐模块,用于基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
第三方面,本发明实施例提供一种电子设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的基金产品推荐程序,以实现第一方面中任一项所述的基金产品推荐方法。
第四方面,本发明实施例提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面中任一项所述的基金产品推荐方法。
本发明实施例提供的技术方案,通过为目标用户确定多个候选基金产品,获取目标用户的用户数据、行为数据,以及与行为数据对应的上下文信息,对多个候选基金产品的产品信息进行特征提取,得到多个候选基金产品的产品特征向量,以及对用户数据、行为数据和上下文信息进行特征提取,得到目标用户的用户特征向量,基于用户特征向量、多个产品特征向量,确定各候选基金产品对应于目标用户的匹配度,基于各候选基金产品对应于目标用户的匹配度,向目标用户推荐多个候选基金产品中的至少一个,实现了智能地向用户进行基金产品推荐,并且,由于基于用户特征和产品特征,来向用户推荐基金产品,因此,这相较于传统的人工运营的方式而言,能够准确、高效地向用户进行基金产品推荐,实现千人千面的智能化运营。
附图说明
图1为本发明一示例性实施例提供的系统架构示意图;
图2为本发明一示例性实施例提供的基金产品推荐方法的实施例流程图;
图3为本发明一示例性实施例提供的基金产品推荐装置的实施例框图;
图4为本发明实施例提供的一种的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
为便于对本发明实施例的理解,首先结合附图对本发明涉及的系统架构进行示例性说明。
参见图1,为本发明一示例性实施例提供的系统架构示意图。如图1所示,该系统架构可包括用户设备11、服务器12,以及网络13。网络13用于在用户设备11和服务器12之间提供通信链路,可以包括无线链路、有线链路或者光纤电缆等,本发明对此不做限制。
用户设备11可以是支持具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等,图1中仅以用户设备11为智能手机为例。服务器12可以是单台设备,也可以是设备集群,图1中仅以服务器12为单台设备为例。
在实践中,用户设备11可以通过安装相应的客户端应用来提供相应的网络服务,比如用户设备11可以通过安装某理财应用来提供理财服务,再比如用户设备11可以通过安装某购物应用来提供网络购物服务。服务器12则通过安装与客户端应用相应的服务端应用来提供网络服务。
可以理解的是,图1中网络和设备的数目仅是示意。根据实际需要,图1所示系统架构中可以包括任意数目的网络和设备,本发明对此不做限制。
至此,完成图1所示系统架构的描述。
基于图1所示例的系统架构,在一示例性应用场景中,用户通过用户设备11上安装的理财应用购买基金产品时,服务器12可应用本发明提供的基金产品推荐方法向用户推荐基金产品。
下面将结合附图以具体实施例对本发明提供的基金产品推荐方法做进一步的解释说明,实施例并不构成对本发明实施例的限定。
参见图2,为本发明一示例性实施例提供的基金产品推荐方法的实施例流程图,该方法可应用于电子设备。在一个例子中,这里的电子设备可以为服务器,比如图1中所示例的服务器12。如图2所示,该方法包括以下步骤:
步骤201、为目标用户确定多个候选基金产品。
上述目标用户是指需向其进行基金产品推荐的用户,比如客户端应用上当前登录的用户。
本发明实施例中,可通过召回的方式从已配置的全量基金产品中为目标用户确定多个候选基金产品。在实践中,召回策略形式多样,例如包括但不限于:基于内容匹配的召回、基于协同过滤的召回、基于相似性/相关性的召回、基于模型的召回、基于Query规则的召回等等。进一步的,召回需要具备高并发与快召回的特点,为了实现快速召回,本发明实施例提出,采用多路分布式召回策略从已配置的全量基金产品中为目标用户确定多个候选基金产品。这里,多路分布式召回策略是指:采用多种形式的召回策略分别进行召回,将各个召回结果进行联合,得到最终的召回结果。
在实践中,为了适应上述多路分布式召回策略的灵活更新和扩展,在电子设备的底层可使用MongoDB与Elasticsearch这种可扩展的分布式弹性存储介质来辅助数据存储,这里的数据存储重点是指存储召回的候选基金产品。
进一步的,上述Query规则一般都是通过多个Query条件来组合实现的,并且在个性化推荐场景下,不同用户对应的Query条件可能会有区别,造成Query条件的千人千面。基于此,为提高从全量基金产品中为目标用户确定多个候选基金产品时的系统吞吐量,本发明设计了一种拆分Query规则,增加缓存实现的方式来提高整个召回的性能。
具体的,将完整的Query规则拆分成各个独立的原子Query条件进行多路Query,在原子Query条件上增加缓存。由于Query的粒度变小,不同用户之间可能会共享一些同样的Query条件,从而达到提高缓存命中率,提高系统吞吐量的目标。
步骤202、获取目标用户的用户数据、行为数据,以及与行为数据对应的上下文信息。
上述用户数据包括但不限于:用户的性别、年龄等数据。行为数据包括但不限于:用户的历史购买行为数据、用户的历史加购行为数据、用户的历史搜索行为数据,以及用户的历史浏览行为数据。与行为数据对应的上下文信息包括时间上下文信息和地点上下文信息。例如,用户购买基金产品的时间、地点等。
在实践中,可从相应的存储介质中获取上述用户数据、行为数据,以及与行为数据对应的上下文信息。进一步的,可根据实时性将上述数据分成两种类型:离线数据和实时数据,其中,用户数据可看做离线数据,行为数据及其对应的上下文信息可看做实时数据。对于不同的数据类型,可选择不同的数据处理技术和存储介质。
其中,针对离线数据,主要是结合大数据技术,通过一些分布式数据库来实现数据的部署,例如,可使用业内比较成熟的MongoDB或者Elasticsearch来作为数据存储介质,MongoDB和Elasticsearch都具有比较弹性的数据存储扩展性。
针对实时数据,主要是结合流式计算相关技术,例如通过Kafka的流平台,使用Spark Streaming、Flink或者Storm等来进行流式计算。考虑到实时性和数据的吞吐量,存储的方式可以直接使用REDIS这类缓存存储来实现。
除了以上的技术选型和设计方案,在系统的发展过程中,随着数据量的井喷式发展,整个数据量的读写IO压力会越来越巨大,也逐渐成为系统的瓶颈。对此,本发明实施例提出对数据进行压缩存储,例如采用Google的Protobuf技术对数据进行压缩存储,使得总体压缩后的数据所占存储空间为压缩前所占存储空间的一半左右。
步骤203、对多个候选基金产品的产品信息进行特征提取,得到多个候选基金产品的产品特征向量,以及对用户数据、行为数据和上下文信息进行特征提取,得到目标用户的用户特征向量。
本步骤203中,可分别对用户数据、行为数据和上下文信息进行特征提取,得到与用户数据对应的第一特征向量、与行为数据对应的第二特征向量,以及与上下文信息对应的第三特征向量,然后将第一特征向量、第二特征向量,以及第三特征向量进行拼接,得到目标用户的用户特征向量。
其中,在进行特征提取时,对于ID等类型的特征,比如基于产品名、用户名等,可以使用Hash编码的方式。Hash编码能够通过Hash函数将一个字符串形式的id映射到0-N范围区间,这样的优点是在编码的时候无须知道该类别下所有可能值,且在N值设定合适的情况下,网络训练对Hash冲突不敏感;对于较少类别情况下的特征,比如性别,可以采用LabelEncoder或者Onehot、multi-onehot方法;而对于数值型特征,比如年龄,可采用分桶处理。
步骤204、基于用户特征向量、多个产品特征向量,确定各候选基金产品对应于目标用户的匹配度。
在一实施例中,首先基于注意力机制对用户特征向量和各产品特征向量进行计算,得到目标用户对应于各候选基金产品的兴趣向量,然后,将目标用户对应于各候选基金产品的兴趣向量输入至已训练的基金产品推荐模型,得到各候选基金产品对应于目标用户的匹配度。
其中,深度学习中的注意力机制(Attention Mechanism)和人类视觉的注意力机制类似,就是在众多信息中把注意力集中放在重要的点上,选出关键信息,而忽略其他不重要的信息。
步骤205、基于各候选基金产品对应于目标用户的匹配度,向目标用户推荐多个候选基金产品中的至少一个。
在一实施例中,按照各候选基金产品对应于目标用户的匹配度从高到低的顺序,对多个候选基金产品进行排序,将排序结果中,排在前N位的候选基金产品向目标用户进行推荐,这里,N为预设值,例如为10。
在另一实施例中,将多个候选基金产品中,对应的匹配度大于设定阈值的至少一个候选基金产品向目标用户进行推荐。
至此,完成图2所示流程的描述。
本发明实施例提供的技术方案,通过为目标用户确定多个候选基金产品,获取目标用户的用户数据、行为数据,以及与行为数据对应的上下文信息,对多个候选基金产品的产品信息进行特征提取,得到多个候选基金产品的产品特征向量,以及对用户数据、行为数据和上下文信息进行特征提取,得到目标用户的用户特征向量,基于用户特征向量、多个产品特征向量,确定各候选基金产品对应于目标用户的匹配度,基于各候选基金产品对应于目标用户的匹配度,向目标用户推荐多个候选基金产品中的至少一个,实现了智能地向用户进行基金产品推荐,并且,由于基于用户特征和产品特征,来向用户推荐基金产品,因此,这相较于传统的人工运营的方式而言,能够准确、高效地向用户进行基金产品推荐,实现千人千面的智能化运营。
此外,在一实施例中,上述基金产品推荐模型通过以下方式训练得到:获取正样本数据和负样本数据,其中,正样本数据包括用户特征向量、用户已购买基金产品的产品特征向量,负样本数据包括用户特征向量、用户浏览过但未购买的基金产品的产品特征向量,之后利用正样本数据和负样本数据,并按照设定的机器学习算法,对初始模型进行训练,当初始模型满足设定条件时,得到基金产品推荐模型。
可选的,上述初始模型可以是树模型,例如GBDT模型、XGBoost模型等。
进一步的,在一实施例中,基金产品推荐模型通过热部署的方式被部署在电子设备上,具体包括:创建部署基金产品推荐模型所需的虚拟环境,将基金产品推荐模型加载至该虚拟环境中,初始化虚拟环境,以实现部署基金产品推荐模型。
通过模型热部署,可以在日常工作中减少很多发布量,让模型的更新更自由和方便。
与前述基金产品推荐方法的实施例相对应,本发明还提供基金产品推荐装置的实施例。
参见图3,为本发明一示例性实施例提供的基金产品推荐装置的实施例框图。如图3所示,该装置包括:
第一确定模块31,用于为目标用户确定多个候选基金产品;
数据获取模块32,用于获取所述目标用户的用户行为数据,以及与所述用户行为数据对应的上下文信息;
特征提取模块33,用于对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
第二确定模块34,用于基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
产品推荐模块35,用于基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
在一个可能的实施方式中,所述第一确定模块31为目标用户确定多个候选基金产品,包括:
采用多路分布式召回策略从已配置的全量基金产品中为目标用户确定多个候选基金产品。
在一个可能的实施方式中,所述特征提取模块33对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量,包括:
分别对所述用户数据、行为数据和所述上下文信息进行特征提取,得到与所述用户数据对应的第一特征向量、与所述行为数据对应的第二特征向量,以及与所述上下文信息对应的第三特征向量;
将所述第一特征向量、所述第二特征向量,以及所述第三特征向量进行拼接,得到所述目标用户的用户特征向量。
在一个可能的实施方式中,所述第二确定模块34基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度,包括:
基于注意力机制对所述用户特征向量和各所述产品特征向量进行计算,得到所述目标用户对应于各所述候选基金产品的兴趣向量;
将所述兴趣向量输入至已训练的基金产品推荐模型,得到各所述候选基金产品对应于所述目标用户的匹配度。
在一个可能的实施方式中,所述基金产品推荐模型通过热部署的方式被部署在所述电子设备上,所述装置还包括(图中未示出):
创建模块,用于创建部署所述基金产品推荐模型所需的虚拟环境,将所述基金产品推荐模型加载至所述虚拟环境中;
部署模块,用于初始化所述虚拟环境,以实现部署所述基金产品推荐模型。
在一个可能的实施方式中,所述装置还包括(图中未示出):
模型训练模块,用于获取正样本数据和负样本数据;所述正样本数据包括用户特征向量、用户已购买基金产品的产品特征向量,所述负样本数据包括用户特征向量、用户浏览过但未购买的基金产品的产品特征向量;利用所述正样本数据和所述负样本数据,并按照设定的机器学习算法,对初始模型进行训练;当所述初始模型满足设定条件时,得到所述基金产品推荐模型。
在一个可能的实施方式中,所述产品推荐模块35基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个,包括:
按照所述匹配度从高到低的顺序,对多个所述候选基金产品进行排序;
将排序结果中,排在前N位的所述候选基金产品向所述目标用户进行推荐,所述N为预设值;
或者,将多个所述候选基金产品中,对应的所述匹配度大于设定阈值的至少一个所述候选基金产品向所述目标用户进行推荐。
图4为本发明实施例提供的一种的电子设备的结构示意图,图4所示的电子设备400包括:至少一个处理器401、存储器402、至少一个网络接口404和其他用户接口403。电子设备400中的各个组件通过总线系统405耦合在一起。可理解,总线系统405用于实现这些组件之间的连接通信。总线系统405除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图4中将各种总线都标为总线系统405。
其中,用户接口403可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(StaticRAM,SRAM)、动态随机存取存储器(DynamicRAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM,DRRAM)。本文描述的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器402存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统4021和应用程序4022。
其中,操作系统4021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序4022,包含各种应用程序,例如媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序4022中。
在本发明实施例中,通过调用存储器402存储的程序或指令,具体的,可以是应用程序4022中存储的程序或指令,处理器401用于执行各方法实施例所提供的方法步骤,例如包括:
为目标用户确定多个候选基金产品;
获取所述目标用户的用户数据、行为数据,以及与所述行为数据对应的上下文信息;
对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
上述本发明实施例揭示的方法可以应用于处理器401中,或者由处理器401实现。处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits,ASIC)、数字信号处理器(DigitalSignalProcessing,DSP)、数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(ProgrammableLogicDevice,PLD)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的电子设备可以是如图4中所示的电子设备,可执行如图2中基金产品推荐方法的所有步骤,进而实现图2所示基金产品推荐方法的技术效果,具体请参照图2相关描述,为简洁描述,在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在电子设备侧执行的基金产品推荐方法。
所述处理器用于执行存储器中存储的对象推荐程序,以实现以下在电子设备侧执行的基金产品推荐方法的步骤:
为目标用户确定多个候选基金产品;
获取所述目标用户的用户数据、行为数据,以及与所述行为数据对应的上下文信息;
对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,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方式而已,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。
Claims (10)
1.一种基金产品推荐方法,其特征在于,应用于电子设备,所述方法包括:
为目标用户确定多个候选基金产品;
获取所述目标用户的用户数据、行为数据,以及与所述行为数据对应的上下文信息;
对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
2.根据权利要求1所述的方法,其特征在于,所述为目标用户确定多个候选基金产品,包括:
采用多路分布式召回策略从已配置的全量基金产品中为目标用户确定多个候选基金产品。
3.根据权利要求1所述的方法,其特征在于,所述对所述用户数据、行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量,包括:
分别对所述用户数据、行为数据和所述上下文信息进行特征提取,得到与所述用户数据对应的第一特征向量、与所述行为数据对应的第二特征向量,以及与所述上下文信息对应的第三特征向量;
将所述第一特征向量、所述第二特征向量,以及所述第三特征向量进行拼接,得到所述目标用户的用户特征向量。
4.根据权利要求1所述的方法,其特征在于,所述基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度,包括:
基于注意力机制对所述用户特征向量和各所述产品特征向量进行计算,得到所述目标用户对应于各所述候选基金产品的兴趣向量;
将所述兴趣向量输入至已训练的基金产品推荐模型,得到各所述候选基金产品对应于所述目标用户的匹配度。
5.根据权利要求4所述的方法,其特征在于,所述基金产品推荐模型通过热部署的方式被部署在所述电子设备上,具体包括:
创建部署所述基金产品推荐模型所需的虚拟环境,将所述基金产品推荐模型加载至所述虚拟环境中;
初始化所述虚拟环境,以实现部署所述基金产品推荐模型。
6.根据权利要求4或5所述的方法,其特征在于,所述基金产品推荐模型通过以下方式训练得到:
获取正样本数据和负样本数据;所述正样本数据包括用户特征向量、用户已购买基金产品的产品特征向量,所述负样本数据包括用户特征向量、用户浏览过但未购买的基金产品的产品特征向量;
利用所述正样本数据和所述负样本数据,并按照设定的机器学习算法,对初始模型进行训练;
当所述初始模型满足设定条件时,得到所述基金产品推荐模型。
7.根据权利要求1所述的方法,其特征在于,所述基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个,包括:
按照所述匹配度从高到低的顺序,对多个所述候选基金产品进行排序;
将排序结果中,排在前N位的所述候选基金产品向所述目标用户进行推荐,所述N为预设值;
或者,将多个所述候选基金产品中,对应的所述匹配度大于设定阈值的至少一个所述候选基金产品向所述目标用户进行推荐。
8.一种基金产品推荐装置,其特征在于,应用于电子设备,所述装置包括:
第一确定模块,用于为目标用户确定多个候选基金产品;
数据获取模块,用于获取所述目标用户的用户行为数据,以及与所述用户行为数据对应的上下文信息;
特征提取模块,用于对多个所述候选基金产品的产品信息进行特征提取,得到多个所述候选基金产品的产品特征向量,以及对所述用户行为数据和所述上下文信息进行特征提取,得到所述目标用户的用户特征向量;
第二确定模块,用于基于所述用户特征向量、多个所述产品特征向量,确定各所述候选基金产品对应于所述目标用户的匹配度;
产品推荐模块,用于基于各所述候选基金产品对应于所述目标用户的匹配度,向所述目标用户推荐多个所述候选基金产品中的至少一个。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的基金产品推荐程序,以实现权利要求1~7中任一项所述的基金产品推荐方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~7中任一项所述的基金产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023800.1A CN113781236A (zh) | 2021-09-01 | 2021-09-01 | 基金产品推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023800.1A CN113781236A (zh) | 2021-09-01 | 2021-09-01 | 基金产品推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781236A true CN113781236A (zh) | 2021-12-10 |
Family
ID=78840696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023800.1A Pending CN113781236A (zh) | 2021-09-01 | 2021-09-01 | 基金产品推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645211A (zh) * | 2023-05-15 | 2023-08-25 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307344A (zh) * | 2020-11-05 | 2021-02-02 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
CN112785397A (zh) * | 2021-03-09 | 2021-05-11 | 中国工商银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
US20210216561A1 (en) * | 2020-08-21 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information search method and apparatus, device and storage medium |
CN113268645A (zh) * | 2021-05-07 | 2021-08-17 | 北京三快在线科技有限公司 | 信息召回方法、模型训练方法、装置、设备及存储介质 |
-
2021
- 2021-09-01 CN CN202111023800.1A patent/CN113781236A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210216561A1 (en) * | 2020-08-21 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information search method and apparatus, device and storage medium |
CN112307344A (zh) * | 2020-11-05 | 2021-02-02 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
CN112785397A (zh) * | 2021-03-09 | 2021-05-11 | 中国工商银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
CN113268645A (zh) * | 2021-05-07 | 2021-08-17 | 北京三快在线科技有限公司 | 信息召回方法、模型训练方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
李海生主编: "《知识管理技术与应用》", 30 April 2012 * |
陈林等: "《"互联网+"智慧校园技术与工程实施》", 30 September 2017, 电子科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645211A (zh) * | 2023-05-15 | 2023-08-25 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
CN116645211B (zh) * | 2023-05-15 | 2024-05-10 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016225947B2 (en) | System and method for multimedia document summarization | |
CN111241851A (zh) | 语义相似度确定方法、装置及处理设备 | |
CN110019736B (zh) | 基于语言模型的问答匹配方法、系统、设备及存储介质 | |
CN112307344B (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
CN108345419B (zh) | 一种信息推荐列表的生成方法及装置 | |
CN113239176B (zh) | 语义匹配模型训练方法、装置、设备及存储介质 | |
CN111125538A (zh) | 一个利用实体信息增强个性化检索效果的搜索方法 | |
CN111078858A (zh) | 文章搜索方法、装置及电子设备 | |
CN114547257B (zh) | 类案匹配方法、装置、计算机设备及存储介质 | |
CN113343091A (zh) | 面向产业和企业的科技服务推荐计算方法、介质及程序 | |
CN114064852A (zh) | 自然语言的关系抽取方法、装置、电子设备和存储介质 | |
CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
CN113343020B (zh) | 基于人工智能的图像处理方法、装置及电子设备 | |
CN113781236A (zh) | 基金产品推荐方法、装置、电子设备及存储介质 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN111026910A (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111488510A (zh) | 小程序相关词的确定方法、装置、处理设备及搜索系统 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
CN112231546B (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 | |
CN115080039A (zh) | 前端代码生成方法、装置、计算机设备、存储介质和产品 | |
US20210117853A1 (en) | Methods and systems for automated feature generation utilizing formula semantification | |
CN110837596A (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN114048392B (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 | |
CN111291263B (zh) | 数据推送方法、装置、系统及存储介质 | |
KR102662784B1 (ko) | 인공지능을 이용한 자동 가명처리기법 추천 방법 |
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: 20211210 |