CN114116814A - 基于智慧金融大数据的金融产品推荐方法 - Google Patents

基于智慧金融大数据的金融产品推荐方法 Download PDF

Info

Publication number
CN114116814A
CN114116814A CN202111336895.2A CN202111336895A CN114116814A CN 114116814 A CN114116814 A CN 114116814A CN 202111336895 A CN202111336895 A CN 202111336895A CN 114116814 A CN114116814 A CN 114116814A
Authority
CN
China
Prior art keywords
financial
product
user
feature
characteristic
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
CN202111336895.2A
Other languages
English (en)
Inventor
姚骏
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111336895.2A priority Critical patent/CN114116814A/zh
Publication of CN114116814A publication Critical patent/CN114116814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于智慧金融大数据的金融产品推荐方法，其包括：分别对第一金融交互图、第二金融交互图和第三金融交互图进行子图分解以生成若干个第一金融子图、第二金融子图和第三金融子图，并对所有的第一金融子图、第二金融子图和第三金融子图进行子图融合以生成金融产品推荐图。根据由金融产品推荐图生成的候选用户特征组和候选产品特征组获取标准特征映射对，并将标准特征映射对中的标准用户特征和标准产品特征进行特征融合得到标准推荐特征。根据所有标准推荐特征生成标准推荐特征组，并根据标准推荐特征组计算金融产品的产品推荐值，然后将产品推荐值大于推荐阈值的金融产品推荐给目标金融用户。

Description

基于智慧金融大数据的金融产品推荐方法
技术领域
本发明涉及大数据和智慧金融领域，尤其涉及一种基于智慧金融大数据的金融产品推荐方法。
背景技术
随着互联网经济的飞速发展，各种金融理财产品的营销也从线下转移到了线上，通过理财终端向用户推荐金融产品，不仅节约了大量的人力成本还能够实现面向用户的个性化推荐功能使得金融产品推荐的成功率大大提高。
目前，对于金融产品的推荐方法主要包括两种：第一种，用户根据自身兴趣设定喜好的兴趣标签，系统根据推荐信息与用户兴趣标签的匹配程度为用户进行推荐。第二种是用户根据自身兴趣，在已经设定好的分类中选择感兴趣的类别标签，系统根据推荐信息与用户兴趣标签的匹配程度为用户进行推荐。但是上述两种推荐方法都存在以下问题：由于用户不愿意花费更多的时间和精力去进行设定，甚至有些用户是随意选择标签，使标签描述不准确，无法为用户推荐更准确地金融产品，从而导致推荐结果准确率降低。
因此，如今迫切需要设计一种智能推荐方法，以解决现有技术中推荐准确度较低的不足之处。
发明内容
有鉴于此，本发明提供了一种基于智慧金融大数据的金融产品推荐方法，其包括以下步骤：
分别获取金融产品的产品ID和金融用户的用户ID，并分别对产品ID和用户ID进行独热编码以获取用户编码和产品编码；
分别提取用户编码和产品编码的特征，并将用户编码的特征和产品编码的特征扩充到相同维度以得到用户编码特征和产品编码特征；分别提取金融用户的特征和金融产品的特征，并将金融用户的特征和金融产品的特征扩充到相同维度以生成金融用户特征和金融产品特征；
根据用户编码特征、产品编码特征、金融用户特征和金融产品特征构建第一金融交互图、第二金融交互图和第三金融交互图，并分别对第一金融交互图、第二金融交互图和第三金融交互图进行子图分解生成若干个第一金融子图、若干个第二金融子图和若干个第三金融子图，然后根据所有的第一金融子图、第二金融子图和第三金融子图进行子图融合生成金融产品推荐图；
从金融产品推荐图中随机选取一个金融用户作为目标金融用户，并根据金融产品推荐图获取相邻金融用户，然后将目标金融用户和相邻金融用户的金融用户特征进行特征拓展以得到目标金融用户的候选用户特征组；
根据金融产品推荐图获取目标金融用户的一阶相邻产品和二阶相邻产品，并将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展以得到目标金融用户的候选产品特征组；
对候选用户特征组和候选产品特征组进行特征映射处理生成若干个候选特征映射对；所述候选特征映射对包括候选用户特征和候选产品特征；根据候选特征映射对中候选用户特征与候选产品特征的特征距离计算候选特征映射对的特征参考值，并将特征参考值大于参考阈值的候选特征映射对作为标准特征映射对；所述标准特征映射包括标准用户特征和标准产品特征；
将标准特征映射对中的标准用户特征和标准产品特征进行特征融合以得到标准推荐特征，并根据所有标准推荐特征生成标准推荐特征组；根据标准推荐特征组计算金融产品的产品推荐值，并将产品推荐值大于推荐阈值的金融产品推荐给目标金融用户。
根据一个优选实施方式，所述产品ID用于对金融产品进行唯一标识；所述用户ID用于对金融用户进行唯一标识；所述第一金融交互图为金融用户与金融用户间的交互图；所述第二金融交互图为金融产品与金融产品间的交互图；所述第三金融交互图为金融用户与金融产品间的交互图。
根据一个优选实施方式，根据金融产品推荐图获取相邻金融用户包括：
将金融产品推荐图中除了目标金融用户外的其他金融用户作为候选金融用户，并分别获取目标金融用户和候选金融用户的金融用户特征；
将目标金融用户和候选金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和候选用户特征向量，并根据目标用户特征向量与候选用户特征向量的向量二范数获取候选金融用户与目标金融用户的特征距离；
将所述特征距离小于第一距离阈值的候选金融用户作为关联金融用户，并随机选取第一预设数量的关联金融用户作为相邻金融用户；
将相邻金融用户与目标金融用户的特征距离进行归一化处理以得到相邻金融用户的相邻系数。
根据一个优选实施方式，将目标金融用户和相邻金融用户的金融用户特征进行特征拓展得到候选用户特征组包括：
分别将目标金融用户和相邻金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和相邻用户特征向量，并通过特征聚合函数和相邻金融用户的相邻系数将所有相邻用户特征向量进行特征聚合以生成用户聚合特征向量；
将目标用户特征向量和用户聚合特征向量进行特征拼接以得到用户拼接特征向量，并将用户拼接特征向量进行线性变换以得到目标金融用户的用户参考特征；
将用户参考特征进行特征分解以得到若干个候选用户特征，并根据所有的候选用户特征生成目标金融用户的候选用户特征组。
根据一个优选实施方式，根据金融产品推荐图获取目标金融用户的一阶相邻产品和二阶相邻产品包括：
获取金融产品推荐图中金融产品的金融产品特征，并将金融产品特征映射到特征向量空间以得到金融产品特征向量，然后根据目标用户特征向量与金融产品特征向量的向量二范数获取金融产品与目标金融用户的特征距离；
将所述特征距离小于第二特征阈值的金融产品作为目标金融用户的相邻金融产品，并随机选取第二预设数量目标金融用户的相邻金融产品作为目标金融用户的一阶相邻金融产品；
根据相邻用户特征向量与金融产品特征向量的向量二范数获取金融产品与相邻金融用户的特征距离，并将所述特征距离小于第二特征阈值的金融产品作为相邻金融用户的相邻金融产品，然后分别在每个相邻金融用户的相邻金融产品中随机选取第二预设数量的金融产品作为目标金融用户的二阶相邻金融产品。
根据一个优选实施方式，将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展得到候选产品特征组包括：
分别将一阶相邻金融产品和二阶相邻金融产品的金融产品特征映射到特征向量空间以得到一阶产品特征向量和二阶产品特征向量，并通过特征聚合函数将所有一阶产品特征向量进行特征聚合以得到目标金融用户的一阶聚合特征向量；
通过特征聚合函数和相邻金融用户的相邻系数将所有二阶产品特征向量进行特征聚合以得到二阶聚合特征向量，并将一阶聚合特征向量和二阶聚合特征向量进行特征拼接以生成产品拼接特征向量，然后将产品拼接特征向量进行非线性变换以得到目标金融用户的产品参考特征；
将产品参考特征进行特征分解以得到若干个候选产品特征，并根据所有候选产品特征生成目标金融用户的候选产品特征组。
根据一个优选实施方式，根据标准推荐特征组计算金融产品的产品推荐值包括：
遍历所有的金融产品，并将正在遍历的金融产品作为目标金融产品，然后获取目标金融产品的金融产品特征；
根据标准推荐特征组对金融产品特征进行特征分解以得到与标准推荐特征数量相同的产品子特征，并根据所有产品子特征生成产品子特征组；
将产品子特征组和标准推荐特征组进行特征映射处理以得到若干个推荐映射对；所述推荐映射对包括标准推荐特征和产品子特征；
根据推荐映射对中标准推荐特征与产品子特征之间的特征距离得到推荐映射对的拟合值，并将拟合值进行归一化处理以得到推荐映射对的权值系数，然后根据推荐映射对的权值系数对推荐映射对的拟合值进行加权求和以得到目标金融产品的产品推荐值；
重复以上步骤，直到遍历完所有的金融产品以获取每个金融产品的产品推荐值。
根据一个优选实施方式，根据标准推荐特征组计算金融产品的产品推荐值包括：
Figure BDA0003350868630000051
其中，S为产品推荐值，i为推荐映射对的索引，n为推荐映射对的数量，e为自然底数，di为第i个推荐映射对中标准推荐特征和产品子特征的特征距离，dmax为最大特征距离，dmin为最小特征距离。
本发明具有以下有益效果：本发明通过对金融用户的金融用户特征和金融产品的金融产品特征进行处理以得到金融交互图，并将金融交互图进行子图分解和子图融和以生成金融产品推荐图，然后根据金融产品推荐图计算每个金融产品的产品推荐值将金融产品推荐值大于推荐阈值的金融产品推荐给目标用户，使得为目标用户推荐的金融产品能精准的匹配目标用户，从而为用户推荐更准确地金融产品，提高推荐结果准确率。
附图说明
图1为一示例性实施例提供的基于智慧金融大数据的金融产品推荐方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，在一个实施例中，基于智慧金融大数据的金融产品推荐方法可以包括：
S1、分别获取金融产品的产品ID和金融用户的用户ID，并分别对产品ID和用户ID进行独热编码以获取用户编码和产品编码；分别提取用户编码和产品编码的特征，并将用户编码的特征和产品编码的特征扩充到相同维度以得到用户编码特征和产品编码特征；分别提取金融用户的特征和金融产品的特征，并将金融用户的特征和金融产品的特征扩充到相同维度以生成金融用户特征和金融产品特征。
产品ID用于对金融产品进行唯一标识，用户ID用于对金融用户进行唯一标识。
金融用户特征用于表征金融用户的用户情况，其包括：家庭收入、教育程度、风险承受力和交往圈子等。金融产品特征用于表征金融产品的产品情况，其包括：风险程度、最小金额和产品类型等。
金融用户特征和金融产品特征的特征维度相同以便将金融产品特征和金融用户特征进行特征融合。
用户编码特征和产品编码特征的特征维度相同以便于对用户编码特征和产品编码特征进行处理从而生成金融交互图。
金融产品指的是各种具有经济价值，可进行公开交易或兑现的非实物资产，如汇票、股票、期货、债券或保单等。
金融用户为参加金融产品交易或兑换的对象。
S2、根据用户编码特征、产品编码特征、金融用户特征和金融产品特征构建第一金融交互图、第二金融交互图和第三金融交互图，并分别对第一金融交互图、第二金融交互图和第三金融交互图进行子图分解以生成若干个第一金融子图、若干个第二金融子图和若干个第三金融子图，然后根据所有的第一金融子图、第二金融子图和第三金融子图进行子图融合以生成金融产品推荐图。
第一金融交互图为金融用户与金融用户间的交互图，用于表征金融用户与金融用户间的交互关系；第二金融交互图为金融产品与金融产品间的交互图，用于表征金融产品与金融产品间的交互关系；第三金融交互图为金融用户与金融产品间的交互图，用户表征金融用户与金融产品间的交互关系。
第一金融子图表征为具有相似金融用户特征的金融用户与金融用户间的交互关系，第二金融子图用于表征具有相似金融产品特征的金融产品和金融产品间的交互关系，第三金融子图表征金融用户特征和金融产品特征相似的金融用户和金融产品间的交互关系。
金融产品推荐图用于表征金融用户与其他金融用户的交互关系以及金融用户与金融产品之间的交互关系。
S3、从金融产品推荐图中随机选取一个金融用户作为目标金融用户，并根据金融产品推荐图获取相邻金融用户，然后将目标金融用户和相邻金融用户的金融用户特征进行特征拓展以得到目标金融用户的候选用户特征组；根据金融产品推荐图获取目标金融用户的一阶相邻产品和二阶相邻产品，并将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展以得到目标金融用户的候选产品特征组。
在一个实施例中，根据金融产品推荐图获取相邻金融用户包括：
将金融产品推荐图中除了目标金融用户外的其他金融用户作为候选金融用户，并分别获取目标金融用户和候选金融用户的金融用户特征；
将目标金融用户和候选金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和候选用户特征向量，并根据目标用户特征向量与候选用户特征向量的向量二范数获取候选金融用户与目标金融用户的特征距离；
将所述特征距离小于第一距离阈值的候选金融用户作为关联金融用户，并随机选取第一预设数量的关联金融用户作为相邻金融用户；
将相邻金融用户与目标金融用户的特征距离进行归一化处理以得到相邻金融用户的相邻系数。
在一个实施例中，将目标金融用户和相邻金融用户的金融用户特征进行特征拓展得到候选用户特征组包括：
分别将目标金融用户和相邻金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和相邻用户特征向量，并通过特征聚合函数和相邻金融用户的相邻系数将所有相邻用户特征向量进行特征聚合以生成用户聚合特征向量；
将目标用户特征向量和用户聚合特征向量进行特征拼接以得到用户拼接特征向量，并将用户拼接特征向量进行线性变换以得到目标金融用户的用户参考特征；
将用户参考特征进行特征分解以得到若干个候选用户特征，并根据所有的候选用户特征生成目标金融用户的候选用户特征组。
在一个实施例中，根据金融产品推荐图获取目标金融用户的一阶相邻产品和二阶相邻产品包括：
获取金融产品推荐图中金融产品的金融产品特征，并将金融产品特征映射到特征向量空间以得到金融产品特征向量，然后根据目标用户特征向量与金融产品特征向量的向量二范数获取金融产品与目标金融用户的特征距离；
将所述特征距离小于第二特征阈值的金融产品作为目标金融用户的相邻金融产品，并随机选取第二预设数量目标金融用户的相邻金融产品作为目标金融用户的一阶相邻金融产品；
根据相邻用户特征向量与金融产品特征向量的向量二范数获取金融产品与相邻金融用户的特征距离，并将所述特征距离小于第二特征阈值的金融产品作为相邻金融用户的相邻金融产品，然后分别在每个相邻金融用户的相邻金融产品中随机选取第二预设数量的金融产品作为目标金融用户的二阶相邻金融产品。
在一个实施例中，将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展得到候选产品特征组包括：
分别将一阶相邻金融产品和二阶相邻金融产品的金融产品特征映射到特征向量空间以得到一阶产品特征向量和二阶产品特征向量，并通过特征聚合函数将所有一阶产品特征向量进行特征聚合以得到目标金融用户的一阶聚合特征向量；
通过特征聚合函数和相邻金融用户的相邻系数将所有二阶产品特征向量进行特征聚合以得到二阶聚合特征向量，并将一阶聚合特征向量和二阶聚合特征向量进行特征拼接以生成产品拼接特征向量，然后将产品拼接特征向量进行非线性变换以得到目标金融用户的产品参考特征；
将产品参考特征进行特征分解以得到若干个候选产品特征，并根据所有候选产品特征生成目标金融用户的候选产品特征组。
可选地，相邻系数用于表征相邻金融用户与目标金融用户的相邻程度。第一特征阈值、第二特征阈值、第一预设数量和第二预设数量可以根据实际情况进行调整，调整第一特征阈值、第二特征阈值、第一预设数量和第二预设数量的数值可以调整金融产品的推荐精度。
S4、对候选用户特征组和候选产品特征组进行特征映射处理生成若干个候选特征映射对；根据候选特征映射对中候选用户特征与候选产品特征的特征距离计算候选特征映射对的特征参考值，并将特征参考值大于参考阈值的候选特征映射对作为标准特征映射对。
候选特征映射对包括候选用户特征和候选产品特征，标准特征映射包括标准用户特征和标准产品特征。
参考阈值为根据实际情况预先设置，并可以随时对参考阈值进行调整以调整金融产品的推荐精度。
特征参考值用于表征相应特征的参考性，特征参考值越大表示特征映射对对应的特征对于向相应金融用户推荐金融产品的参考性越强，特征参考值越小表示特征映射对对应的特征对于向相应金融用户推荐金融产品的参考性越弱。
S5、将标准特征映射对中的标准用户特征和标准产品特征进行特征融合以得到标准推荐特征，并根据所有标准推荐特征生成标准推荐特征组；根据标准推荐特征组计算金融产品的产品推荐值，并将产品推荐值大于推荐阈值的金融产品推荐给目标金融用户。
推荐阈值为根据实际情况预先进行设置，并可以随时对推荐阈值进行调整以调整金融产品的推荐精度。
在一个实施例中，根据标准推荐特征组计算金融产品的产品推荐值包括：
遍历所有的金融产品，并将正在遍历的金融产品作为目标金融产品，然后获取目标金融产品的金融产品特征；
根据标准推荐特征组对金融产品特征进行特征分解以得到与标准推荐特征数量相同的产品子特征，并根据所有产品子特征生成产品子特征组；
将产品子特征组和标准推荐特征组进行特征映射处理以得到若干个推荐映射对；所述推荐映射对包括标准推荐特征和产品子特征；
根据推荐映射对中标准推荐特征与产品子特征之间的特征距离得到推荐映射对的拟合值，并将拟合值进行归一化处理以得到推荐映射对的权值系数，然后根据推荐映射对的权值系数对推荐映射对的拟合值进行加权求和以得到目标金融产品的产品推荐值；
重复以上步骤，直到遍历完所有的金融产品以获取每个金融产品的产品推荐值。
在一个实施例中，根据标准推荐特征组计算金融产品的产品推荐值包括：
Figure BDA0003350868630000101
其中，S为产品推荐值，i为推荐映射对的索引，n为推荐映射对的数量，e为自然底数，di为第i个推荐映射对中标准推荐特征和产品子特征的特征距离，dmax为最大特征距离，dmin为最小特征距离。
最大特征距离为所有推荐映射对中标准推荐特征和产品子特征的特征距离的最大值，最小特征距离为所有推荐映射对中标准推荐特征和产品子特征的特征距离的最小值，
Figure BDA0003350868630000102
为第i个推荐映射对的拟合值，
Figure BDA0003350868630000103
为第i个推荐映射对的权值系数。
本发明通过对金融用户的金融用户特征和金融产品的金融产品特征进行处理以得到金融交互图，并将金融交互图进行子图分解和子图融和以生成金融产品推荐图，然后根据金融产品推荐图计算每个金融产品的产品推荐值将金融产品推荐值大于推荐阈值的金融产品推荐给目标用户，使得为目标用户推荐的金融产品能精准的匹配目标用户，从而为用户推荐更准确地金融产品，提高推荐结果准确率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solidstate disk，SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备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。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种基于智慧金融大数据的金融产品推荐方法，其特征在于，分别获取金融产品的产品ID和金融用户的用户ID，并分别对产品ID和用户ID进行独热编码以获取用户编码和产品编码；
分别提取用户编码和产品编码的特征，并将用户编码的特征和产品编码的特征扩充到相同维度以得到用户编码特征和产品编码特征；分别提取金融用户的特征和金融产品的特征，并将金融用户的特征和金融产品的特征扩充到相同维度以生成金融用户特征和金融产品特征；
根据用户编码特征、产品编码特征、金融用户特征和金融产品特征构建第一金融交互图、第二金融交互图和第三金融交互图，并分别对第一金融交互图、第二金融交互图和第三金融交互图进行子图分解生成若干个第一金融子图、若干个第二金融子图和若干个第三金融子图，然后根据所有的第一金融子图、第二金融子图和第三金融子图进行子图融合生成金融产品推荐图；
从金融产品推荐图中随机选取一个金融用户作为目标金融用户，并根据金融产品推荐图获取相邻金融用户，然后将目标金融用户和相邻金融用户的金融用户特征进行特征拓展以得到目标金融用户的候选用户特征组；
根据金融产品推荐图获取目标金融用户的一阶相邻产品和二阶相邻产品，并将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展以得到目标金融用户的候选产品特征组；
对候选用户特征组和候选产品特征组进行特征映射处理生成若干个候选特征映射对；所述候选特征映射对包括候选用户特征和候选产品特征；根据候选特征映射对中候选用户特征与候选产品特征的特征距离计算候选特征映射对的特征参考值，并将特征参考值大于参考阈值的候选特征映射对作为标准特征映射对；所述标准特征映射包括标准用户特征和标准产品特征；
将标准特征映射对中的标准用户特征和标准产品特征进行特征融合以得到标准推荐特征，并根据所有标准推荐特征生成标准推荐特征组；根据标准推荐特征组计算金融产品的产品推荐值，并将产品推荐值大于推荐阈值的金融产品推荐给目标金融用户。
2.根据权利要求1所述的方法，其特征在于，所述产品ID用于对金融产品进行唯一标识；所述用户ID用于对金融用户进行唯一标识。
3.根据权利要求2所述的方法，其特征在于，所述第一金融交互图为金融用户与金融用户间的交互图；
所述第二金融交互图为金融产品与金融产品间的交互图；
所述第三金融交互图为金融用户与金融产品间的交互图。
4.根据权利要求1至3之一所述的方法，其特征在于，根据金融产品推荐图获取相邻金融用户包括：
将金融产品推荐图中除了目标金融用户外的其他金融用户作为候选金融用户，并分别获取目标金融用户和候选金融用户的金融用户特征；
将目标金融用户和候选金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和候选用户特征向量，并根据目标用户特征向量与候选用户特征向量的向量二范数获取候选金融用户与目标金融用户的特征距离；
将所述特征距离小于第一距离阈值的候选金融用户作为关联金融用户，并随机选取第一预设数量的关联金融用户作为相邻金融用户；
将相邻金融用户与目标金融用户的特征距离进行归一化处理以得到相邻金融用户的相邻系数。
5.根据权利要求4所述的方法，其特征在于，将目标金融用户和相邻金融用户的金融用户特征进行特征拓展得到候选用户特征组包括：
分别将目标金融用户和相邻金融用户的金融用户特征映射到特征向量空间以得到目标用户特征向量和相邻用户特征向量，并通过特征聚合函数和相邻金融用户的相邻系数将所有相邻用户特征向量进行特征聚合以生成用户聚合特征向量；
将目标用户特征向量和用户聚合特征向量进行特征拼接以得到用户拼接特征向量，并将用户拼接特征向量进行线性变换以得到目标金融用户的用户参考特征；
将用户参考特征进行特征分解以得到若干个候选用户特征，并根据所有的候选用户特征生成目标金融用户的候选用户特征组。
6.根据权利要求5所述的方法，其特征在于，所述根据金融产品推荐图获取目标金融用户的一阶阶相邻产品和二阶相邻产品包括：
获取金融产品推荐图中金融产品的金融产品特征，并将金融产品特征映射到特征向量空间以得到金融产品特征向量，然后根据目标用户特征向量与金融产品特征向量的向量二范数获取金融产品与目标金融用户的特征距离；
将所述特征距离小于第二特征阈值的金融产品作为目标金融用户的相邻金融产品，并随机选取第二预设数量目标金融用户的相邻金融产品作为目标金融用户的一阶相邻金融产品；
根据相邻用户特征向量与金融产品特征向量的向量二范数获取金融产品与相邻金融用户的特征距离，并将所述特征距离小于第二特征阈值的金融产品作为相邻金融用户的相邻金融产品，然后分别在每个相邻金融用户的相邻金融产品中随机选取第二预设数量的金融产品作为目标金融用户的二阶相邻金融产品。
7.根据权利要求1至6之一所述的方法，其特征在于，将一阶相邻产品和二阶相邻产品的金融产品特征进行特征拓展得到候选产品特征组包括：
分别将一阶相邻金融产品和二阶相邻金融产品的金融产品特征映射到特征向量空间以得到一阶产品特征向量和二阶产品特征向量，并通过特征聚合函数将所有一阶产品特征向量进行特征聚合以得到目标金融用户的一阶聚合特征向量；
通过特征聚合函数和相邻金融用户的相邻系数将所有二阶产品特征向量进行特征聚合以得到二阶聚合特征向量，并将一阶聚合特征向量和二阶聚合特征向量进行特征拼接以生成产品拼接特征向量，然后将产品拼接特征向量进行非线性变换以得到目标金融用户的产品参考特征；
将产品参考特征进行特征分解以得到若干个候选产品特征，并根据所有候选产品特征生成目标金融用户的候选产品特征组。
8.根据权利要求7所述的方法，其特征在于，根据标准推荐特征组计算金融产品的产品推荐值包括：
遍历所有的金融产品，并将正在遍历的金融产品作为目标金融产品，然后获取目标金融产品的金融产品特征；
根据标准推荐特征组对金融产品特征进行特征分解以得到与标准推荐特征数量相同的产品子特征，并根据所有产品子特征生成产品子特征组；
将产品子特征组和标准推荐特征组进行特征映射处理以得到若干个推荐映射对；所述推荐映射对包括标准推荐特征和产品子特征；
根据推荐映射对中标准推荐特征与产品子特征之间的特征距离得到推荐映射对的拟合值，并将拟合值进行归一化处理以得到推荐映射对的权值系数，然后根据推荐映射对的权值系数对推荐映射对的拟合值进行加权求和以得到目标金融产品的产品推荐值；
重复以上步骤，直到遍历完所有的金融产品以获取每个金融产品的产品推荐值。
9.根据权利要求8所述的方法，其特征在于，根据标准推荐特征组计算金融产品的产品推荐值包括：
Figure FDA0003350868620000041
其中，S为产品推荐值，i为推荐映射对的索引，n为推荐映射对的数量，e为自然底数，di为第i个推荐映射对中标准推荐特征和产品子特征的特征距离，dmax为最大特征距离，dmin为最小特征距离。
CN202111336895.2A 2021-11-12 2021-11-12 基于智慧金融大数据的金融产品推荐方法 Pending CN114116814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111336895.2A CN114116814A (zh) 2021-11-12 2021-11-12 基于智慧金融大数据的金融产品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111336895.2A CN114116814A (zh) 2021-11-12 2021-11-12 基于智慧金融大数据的金融产品推荐方法

Publications (1)

Publication Number Publication Date
CN114116814A true CN114116814A (zh) 2022-03-01

Family

ID=80378800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111336895.2A Pending CN114116814A (zh) 2021-11-12 2021-11-12 基于智慧金融大数据的金融产品推荐方法

Country Status (1)

Country Link
CN (1) CN114116814A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备

Similar Documents

Publication Publication Date Title
CN107330445B (zh) 用户属性的预测方法和装置
WO2020119272A1 (zh) 风险识别模型训练方法、装置及服务器
CN110704730A (zh) 基于大数据的产品数据推送方法、系统及计算机设备
CN110766428A (zh) 一种数据价值评估系统以及方法
CN112990386B (zh) 用户价值聚类方法、装置、计算机设备和存储介质
CN110147502B (zh) 基于大数据分析的产品推荐方法、装置、介质及服务器
CN110659926A (zh) 一种数据价值评估系统以及方法
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN114116814A (zh) 基于智慧金融大数据的金融产品推荐方法
CN113868542B (zh) 基于注意力模型的推送数据获取方法、装置、设备及介质
CN115482048A (zh) 潜在客户预测方法、装置、电子设备及存储介质
US20220058658A1 (en) Method of scoring and valuing data for exchange
CN114996579A (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN114943563A (zh) 一种权益推送方法、装置、计算机设备及存储介质
CN116739665A (zh) 信息投放方法、装置、电子设备及存储介质
CN114971787A (zh) 信息推荐方法、装置、系统及推荐服务器
CN114399352A (zh) 一种信息推荐方法、装置、电子设备及存储介质
JP6686208B1 (ja) 情報処理装置、情報処理方法、及びプログラム
CN115757979B (zh) 一种基于人工智能的用户数据推荐方法及系统
CN117076962B (zh) 应用于人工智能领域的数据分析方法、装置及设备
CN111709764B (zh) 多媒体内容的相关参数的确定方法、装置及存储介质
CN110738538A (zh) 识别相似物品的方法和装置
CN114116815A (zh) 一种面向智慧金融的多维数据融合的理财信息推荐系统
CN116308687B (zh) 基于知识图谱的商品信息推荐方法、电子设备及存储介质
CN108846743B (zh) 用于生成信息的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220301