CN114581192A - 基于用户隐性数据的金融产品推荐方法及系统 - Google Patents
基于用户隐性数据的金融产品推荐方法及系统 Download PDFInfo
- Publication number
- CN114581192A CN114581192A CN202210227776.1A CN202210227776A CN114581192A CN 114581192 A CN114581192 A CN 114581192A CN 202210227776 A CN202210227776 A CN 202210227776A CN 114581192 A CN114581192 A CN 114581192A
- Authority
- CN
- China
- Prior art keywords
- financial product
- product recommendation
- recommendation list
- recommended
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000001815 facial effect Effects 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出了基于用户隐性数据的金融产品推荐方法及系统，推荐方法，包括以下步骤：根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；对第一金融产品推荐列表和第二金融产品推荐列表进行融合，得到基于用户隐性数据的金融产品推荐列表。本公开能够最大化挖掘用户隐性数据所带的信息，解决推荐算法的冷启动问题，从而提高推荐系统的推荐效果。
Description
技术领域
本公开涉及数据处理相关技术领域，具体的说，是涉及基于用户隐性数据的金融产品推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
随着科技与金融行业的不断发展，基于互联网的金融产品数量和种类飞速增长，给用户带来便捷的同时也带来一些问题。面对海量的产品信息，传统的搜索已经不能满足用户的个性化需求，推荐系统在这个背景下应时而生。
发明人发现，传统的推荐系统通过用户的评分数据，捕获用户的偏好，进而向用户推荐可能感兴趣的物品，比如基于内容的推荐算法是目前针对互联网金融产品推荐领域常用的方法。然而，对于常用的推荐算法来说，冷启动问题依旧是挑战，即对于推荐系统中刚加入的用户，他们有较少的产品评价记录甚至没有。针对这些新用户，他们可利用的历史数据极少，推荐系统很难给出准确的推荐，由于数据的不足，导致对稀疏数据以及新用户的推荐质量较低，推荐效果较差。
发明内容
本公开为了解决上述问题，提出了基于用户隐性数据的金融产品推荐方法及系统，能够最大化挖掘用户隐性数据所带的信息，解决推荐算法的冷启动问题，从而提高推荐系统的推荐效果。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了基于用户隐性数据的金融产品推荐方法，包括以下步骤：
根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
对第一金融产品推荐列表和第二金融产品推荐列表进行融合，得到基于用户隐性数据的金融产品推荐列表。
一个或多个实施例提供了基于用户隐性数据的金融产品推荐系统，包括：
第一生成模块：被配置为用于根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
第二生成模块：被配置为用于根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
融合模块：被配置为用于对第一金融产品推荐列表和第二金融产品推荐列表进行融合，得到基于用户隐性数据的金融产品推荐列表。
一个或多个实施例提供了一种电子设备，包括视频采集设备和处理器，所述处理器执行上述的基于用户隐性数据的金融产品推荐方法。
一个或多个实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于用户隐性数据的金融产品推荐方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开综合考虑了人脸属性以及用户浏览时长中所包含的隐性数据，确定出用户本身通过隐性数据所表达的对金融产品的偏好，并基于该用户的偏好对该用户进行相应金融产品的推荐。引入用户隐性数据，并根据用户隐性数据进行金融产品推荐，可以解决推荐算法的冷启动问题，能极大地提高金融产品推荐的效果。
本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是本公开实施例1的方法流程图；
图2是本公开实施例3的电子设备的运行环境示意图；
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中，如图1所示，基于用户隐性数据的金融产品推荐方法，包括以下步骤：
步骤S1：根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
步骤S2：根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
步骤S3：对第一金融产品推荐列表和第二金融产品推荐列表，采用集成的方法进行融合，得到基于用户隐性数据的金融产品推荐列表，即为推荐结果，按照推荐列表的顺序推荐给待推荐对象。
本实施例中，综合考虑了人脸属性以及用户浏览时长中所包含的隐性数据，确定出用户本身通过隐性数据所表达的对金融产品的偏好，并基于该用户的偏好对该用户进行相应金融产品的推荐。引入用户隐性数据，并根据用户隐性数据进行金融产品推荐，可以解决推荐算法的冷启动问题，能极大地提高金融产品推荐的效果。
步骤S1中，根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表的方法，包括如下步骤：
步骤S10，获取待推荐对象(即用户)的人脸视频流数据，按照设定的帧间隔抽帧，得到人脸图像。
具体的，本实施例中，在接收到对用户进行金融产品推荐的请求时，调用视频采集设备，如手机前置摄像头，获取实时的人脸面部视频流数据，并按照预设帧间隔进行抽帧，得到抽帧图像。
其中，本发明实施例所采用的预设的所述帧间隔可以为5帧，将具有时间间隔的图像用于分析人脸面部数据，能够提高识别人脸面部属性特征的准确度。
步骤S11，对人脸图像进行预处理。
在本实施例中，图像预处理步骤包括人脸位置检测、跟踪和标定，以及图像去噪，尺寸和光照变量归一化，最终得到所述待识别图片。
人脸位置检测、跟踪、标定，具体的，可以使用SeetaFace开源人脸识别引擎，对人脸图像进行人脸检测与人脸特征点标定处理。
该SeetaFace开源人脸识别引擎中的人脸检测基于一种经典级联结构和多层神经网络结构的人脸检测方法实现，兼顾了速度和精度的平衡。其中，面部特征点标定基于深度学习的CFAN方法实现了5个面部关键特征点(两眼中心，鼻尖和两个嘴角)的精确定位。
在一些实施例中，尺寸和光照变量归一化，具体的，包括几何归一化与灰度归一化。
在经过对人脸图像进行人脸检测与人脸特征点定位后，人脸图像可能会存在一定的角度差异，以至对后续的特征提取带来一定的影响。因此，进行几何归一化。
可选的，几何归一化，具体的，根据人眼位置对人脸图像进行平移、旋转、缩放等几何放射变换，对人脸图像进行几何规范化处理。
可选的，灰度归一化可采用均值方差的方法，对人脸图像进行灰度变换和拉伸。
具体的，假设f(x,y)表示图像中某一点的像素值，aver表示整张图像的平均值，
表示该图像的标准差。灰度变换公式为
f(x,y)＝(f(x,y)-aver)/σ (1)
根据公式(1)可重新计算每个点的像素值。若重新计算后的像素值超出 0～255的灰度级范围，需进一步对计算结果进行灰度拉伸。
重新计算后的像素值，最大值记为max，最小值记为min，灰度拉伸公式为：
f(x,y)＝(f(x,y)-min)×255/(max-min)。
步骤S12，根据预处理后的人脸图像，提取待推荐对象的人脸属性特征。
步骤S13，根据待推荐对象的人脸属性特征，搜索拥有相近面部属性人群对产品的评价数据，以产品评价数据的平均分高低排序生成产品推荐列表。
人脸属性特征包括：待推荐对象即用户性别、年龄、佩戴眼镜状态等信息。佩戴眼镜状态即为是否佩戴眼镜。
从用户属性的角度出发，通过识别人脸面部属性，作为当前用户标识。搜索拥有相近面部属性人群对产品的评价数据，以产品评价数据的平均分高低排序生成产品推荐列表，这显示了同特征群体对产品的喜好趋势，对广大用户具有较好的适应性。
可选的，待推荐对象的人脸属性特征的获取方法为：根据待推荐对象的人脸图像，采用主成分分析方法对人脸图像进行特征提取。具体的，步骤如下：
步骤S121，按照预设截取帧间隔截取N帧人脸图像，作为样本集；本实施例中，按照预设截取帧间隔截取N帧人脸图像，作为一个用户的样本集，每张图像的像素大小为M×M，并且每张图片可以用一个长度为L(L＝M2)的列向量 xi，i＝1…N进行表示。
步骤S122，计算人脸图像的均值，并根据均值得到样本集的协方差矩阵D。
获取N张人脸图像的平均值，如式(2)所示。
通过计算可以得到每张人脸图像与平均值
的偏差，如式(3)所示。
样本集的偏差矩阵用Δ＝(Δ1,…,ΔN)表示，进一步可以得到样本集的协方差矩阵D＝ΔTΔ。
步骤S123，采用奇异值分解的方法，计算得到协方差矩阵D的特征值以及特征向量，进行K-L变换降维后，得到人脸图像在新空间下的坐标系数，该系数表明了图像在子空间的位置，以此作为人脸属性特征。
考虑到计算过程中出现维数过高的问题，在本实施例中，使用K-L变换消除原向量xi，i＝1…N各分量之间的相关性，从而去掉那些带有较少信息的分量以达到降低特征维数的目的。
在本实施例中，根据向量之间的相似度大小，搜索具有较高人脸属性特征相似度的用户已有的对各金融产品的评价数据，以产品评分的加权平均分高低排序生成基于用户人脸属性的产品推荐列表，其中相似度越高的用户的评分数据，赋予越高的权重。
例如，经过主成分分析方法得到用户A的人脸属性特征值，按照余弦相似度进行计算后，得到相似度大于0.8的用户B1，B2，B3。获取用户B1，B2，B3对金融产品的评价数据，并以相似度为权重，计算出相似用户对金融产品评价数据的加权平均值，将金融产品评分的加权平均分按照从高到低的顺序进行排序，选取评分排名前10的产品，生成基于用户人脸属性的产品推荐列表。
步骤S2中，根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表的方法，如下：
步骤S20，获取待推荐对象(即用户)浏览金融产品详情页面的时长。
在用户打开某一金融产品详情页面时，系统开始计时，用户离开详情页面时计时停止，以此记录用户停留在金融产品详情页面的总时长。设置浏览时长的上限阈值，对于超过上限阈值的浏览时长数据，视作干扰数据不进行相应产品的推荐。
步骤S21，根据时长对金融产品进行量化估分，生成基于用户浏览时长的金融产品推荐列表。
进一步地，根据浏览时长对金融产品进行量化估分，具体的，按照金融产品的最终得分与用户浏览时长成正比，对金融产品进行评分，同时，设定最大浏览时长阈值，超出该时长阈值的金融产品评分为零。
浏览时长和最终得分的量化估分的评分关系，可以为一次函数、指数函数、对数函数。
初始化用户得分为0分，各金融产品的最终得分与用户浏览时长成正比。另外，考虑到由于不确定因素，导致用户长期停留在某一详情页面，从而导致推荐结果出现偏差。为避免该现象的发生，设置时长的上限阈值，比如设置为 10分钟，对于超过上限阈值的浏览时长数据，视作干扰数据，评分为0。选取评分排名前10的产品，生成基于用户浏览时长的产品推荐列表。
步骤S3中，综合考虑人脸属性以及用户浏览时长中所包含的隐性数据，采用集成的方法，生成基于用户隐性数据的金融产品推荐列表。
可选的，集成方法可以采用交叉融合方法，具体的，包括如下步骤：
步骤S30，将第一金融产品推荐列表和第二金融产品推荐列表合并为一个列表，重复推荐的金融产品仅保留一个；
步骤S31，调整合并后列表中各项的顺序，生成基于用户隐性数据的金融产品推荐列表。
具体的，调整合并后列表中各项的顺序的方法为：
若金融产品A，B均同时出现在第一金融产品推荐列表和第二金融产品推荐列表中，则将金融产品A，B的推荐优先级提高，放置在推荐结果的前列，金融产品A，B的顺序由该产品评分的平均分决定，平均分较高的金融产品放置在推荐结果的前列。只出现在第一金融产品推荐列表或第二金融产品推荐列表内的金融产品，在最终推荐列表中交替出现。
例如，第一金融产品推荐列表中包含的金融产品按评分从高到低排序为 A1，A2，A，A3，A4，第二金融产品推荐列表中包含的金融产品按评分从高到低排序为B1，B2，B3，B4，A，那么生成的基于用户隐性数据的金融产品推荐列表为A，A1，B1，A2，B2，A3，B3，A4，B4。
步骤S32，进一步根据对象(用户)对推荐结果的评价数据判断用户对推荐结果的偏好，从而对交替排序时的数量进行调整。
用户反馈中若对第一推荐结果的评价分数高，则可以提高第一推荐结果交替一次时出现的金融产品个数，如上例中推荐结果可修改为A，A1，A2，B1， A3，A4，B2，B3，B4。在长期的不同用户反馈中得到第一推荐结果和第二推荐结果交替的最优排序。
进一步的，将推荐列表中的项次推荐给待推荐对象后，进一步获取待推荐对象(用户)对推荐结果的评价数据，丰富数据库信息，用以进一步优化推荐系统。
在本实施例中，获取用户对推荐结果的评价数据包括：获取用户对推荐结果的总体满意度，以及用户对推荐列表中每一个金融产品的评价数据。
与现有技术相比，本实施例通过最大化挖掘用户隐性数据所带的信息，解决了针对新用户进行推荐服务数据不足的问题，引入用户隐性数据，并根据用户隐性数据进行金融产品推荐，可以解决推荐算法的冷启动问题，能极大地提高金融产品推荐的效果。
实施例2
基于实施例1，本实施例提供一种基于用户隐性数据的金融产品推荐系统，包括：
第一生成模块：被配置为用于根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
第二生成模块：被配置为用于根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
融合模块：被配置为用于对第一金融产品推荐列表和第二金融产品推荐列表，采用集成的方法进行融合，得到基于用户隐性数据的金融产品推荐列表，即为推荐结果，按照推荐列表的顺序推荐给待推荐对象。
实施例3
基于实施例1，本实施例提供一种电子设备，包括视频采集设备和处理器，所述处理器执行实施例1所述的基于用户隐性数据的金融产品推荐方法。
如图2所示，为金融产品推荐系统较佳实施例的运行环境示意图。
进一步的，电子设备还包括存储器及显示器。
视频采集设备用于实现高清晰度数据采集的影像获取。
可选的，视频采集设备可以采用手机摄像头。所述视频采集设备采集用户具备视频流格式的数据，并按照预设的帧间隔进行所述视频流数据的抽帧，得到抽帧图像，通过时间间隔提取的图像有利于获取同一用户的多张不同状态的图像，便于后续识别用户人脸属性特征。
可选的，存储器包括至少一种类型的可读存储介质。所述存储器在一些实施例中可以是所述电子设备的内部存储单元，例如该电子设备的内存。所述存储器在另一些实施例中也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字 (Secure Digital,SD)卡，闪存卡(FlashCard)等。
进一步地，所述存储器包括内部存储单元和外部存储设备。所述存储器用于存储安装于所述电子设备的应用软件及各类数据，例如所述金融产品推荐系统的程序代码以及视频采集设备所获得的视频流数据等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
在一些实施例中，处理器可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器中存储的程序代码或处理数据。
在一些实施例中，所述显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器用于显示在所述电子设备中处理的信息以及用于显示可视化的用户界面，例如确定出的推荐的金融产品等。
优选地，电子设备还包括网络接口和通信总线。
可选地，网络接口包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子设备与其他设备之间建立通信连接。通信总线用于实现这些组件之间的连接通信。
基于用户隐性数据的金融产品推荐系统包括至少一个存储在所述存储器中的计算机可读指令，计算机可读指令可被所述处理器执行，以实现本发明实施例1的方法。
实施例4
基于实施例1，本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。
所述基于用户隐性数据的金融产品推荐方法可被至少一个处理器执行，以使所述至少一个处理器执行如上述实施例中的基于用户隐性数据的金融产品推荐方法的步骤。
本公开所提出的电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS 手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据，存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。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公开的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于用户隐性数据的金融产品推荐方法，其特征在于，包括以下步骤：
根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
对第一金融产品推荐列表和第二金融产品推荐列表进行融合，得到基于用户隐性数据的金融产品推荐列表。
2.如权利要求1所述的基于用户隐性数据的金融产品推荐方法，其特征在于：根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表的方法，包括如下步骤：
获取待推荐对象的人脸图像数据，并对图像进行预处理；
根据预处理后的人脸图像，提取待推荐对象的人脸属性特征；
根据待推荐对象的人脸属性特征，搜索拥有相近面部属性人群对产品的评价数据，以产品评价数据的平均分高低排序生成产品推荐列表。
3.如权利要求2所述的基于用户隐性数据的金融产品推荐方法，其特征在于：人脸属性特征包括：待推荐对象即用户的性别、年龄、佩戴眼镜状态。
4.如权利要求2所述的基于用户隐性数据的金融产品推荐方法，其特征在于：根据待推荐对象的人脸图像，采用主成分分析方法对人脸图像进行特征提取；
或者，对人脸图像进行预处理包括人脸位置检测、跟踪和标定，以及图像去噪，尺寸和光照变量归一化，最终得到所述待识别图片；
或者，对人脸图像进行预处理中的使用SeetaFace开源人脸识别引擎，对人脸图像进行人脸检测与人脸特征点标定处理；
或者，尺寸和光照变量归一化，具体的，包括几何归一化与灰度归一化；
或者，几何归一化，具体的，根据人眼位置对人脸图像进行平移、旋转、缩放等几何放射变换，对人脸图像进行几何规范化处理；
或者，灰度归一化采用均值方差的方法，对人脸图像进行灰度变换和拉伸。
5.如权利要求1所述的基于用户隐性数据的金融产品推荐方法，其特征在于：根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表的方法，包括如下步骤：
获取待推荐对象浏览金融产品详情页面的时长；
根据时长对金融产品进行量化估分，生成基于用户浏览时长的金融产品推荐列表；
或者，根据浏览时长对金融产品进行量化估分，具体的，按照金融产品的最终得分与用户浏览时长成正比，对金融产品进行评分，并且，设定最大浏览时长阈值，超出该时长阈值的金融产品评分为零；
或者，浏览时长和最终得分的量化估分的评分关系，为一次函数、指数函数或对数函数。
6.如权利要求1所述的基于用户隐性数据的金融产品推荐方法，其特征在于：第一金融产品推荐列表和第二金融产品推荐列表采用集成方法融合，具体的，采用交叉融合方法，包括如下步骤：
将第一金融产品推荐列表和第二金融产品推荐列表合并为一个列表，重复推荐的金融产品仅保留一个；
根据金融产品在两个列表的出现次数和金融产品的评分值，调整合并后列表中各项金融产品的顺序，生成基于用户隐性数据的金融产品推荐列表；
获取待推荐对象对推荐结果的评价数据，判断待推荐对象对推荐结果的偏好，从而对列表中的排序进行调整。
7.基于用户隐性数据的金融产品推荐系统，其特征在于，包括：
第一生成模块：被配置为用于根据获取的待推荐对象的人脸图像特征，生成第一金融产品推荐列表；
第二生成模块：被配置为用于根据获取的待推荐对象浏览金融产品详情页面的时长，生成第二金融产品推荐列表；
融合模块：被配置为用于对第一金融产品推荐列表和第二金融产品推荐列表进行融合，得到基于用户隐性数据的金融产品推荐列表。
8.一种电子设备，其特征在于：包括视频采集设备和处理器，所述处理器执行权利要求1-6任一项所述的基于用户隐性数据的金融产品推荐方法。
9.如权利要求8所述的一种电子设备，其特征在于：视频采集设备采用手机摄像头；或者所述电子设备还包括存储器或/和显示器。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210227776.1A CN114581192B (zh) | 2022-03-08 | 2022-03-08 | 基于用户隐性数据的金融产品推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210227776.1A CN114581192B (zh) | 2022-03-08 | 2022-03-08 | 基于用户隐性数据的金融产品推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114581192A true CN114581192A (zh) | 2022-06-03 |
| CN114581192B CN114581192B (zh) | 2024-01-26 |
Family
ID=81773129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210227776.1A Active CN114581192B (zh) | 2022-03-08 | 2022-03-08 | 基于用户隐性数据的金融产品推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114581192B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019285A1 (en) * | 2012-07-13 | 2014-01-16 | Venkateswaran Subramanian Karthik | Dynamic Listing Recommendation |
| CN107203897A (zh) * | 2017-04-24 | 2017-09-26 | 广东数相智能科技有限公司 | 一种产品推荐度的评价方法、装置及系统 |
| CN112417956A (zh) * | 2020-10-14 | 2021-02-26 | 广州虎牙科技有限公司 | 信息推荐方法及装置、电子设备及计算机可读存储介质 |
| CN112418956A (zh) * | 2020-12-16 | 2021-02-26 | 国网雄安金融科技集团有限公司 | 一种金融产品的推荐方法及装置 |
| CN112685596A (zh) * | 2019-10-18 | 2021-04-20 | 中移(苏州)软件技术有限公司 | 视频推荐方法及装置、终端、存储介质 |
| CN112785444A (zh) * | 2021-02-19 | 2021-05-11 | 苏州科知律信息科技有限公司 | 基于海量金融数据的智能投资数据处理方法、装置及系统 |
| CN113946752A (zh) * | 2021-10-28 | 2022-01-18 | 平安银行股份有限公司 | 基于大数据的金融产品推荐方法、装置、设备及存储介质 |
-
2022
- 2022-03-08 CN CN202210227776.1A patent/CN114581192B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019285A1 (en) * | 2012-07-13 | 2014-01-16 | Venkateswaran Subramanian Karthik | Dynamic Listing Recommendation |
| CN107203897A (zh) * | 2017-04-24 | 2017-09-26 | 广东数相智能科技有限公司 | 一种产品推荐度的评价方法、装置及系统 |
| CN112685596A (zh) * | 2019-10-18 | 2021-04-20 | 中移(苏州)软件技术有限公司 | 视频推荐方法及装置、终端、存储介质 |
| CN112417956A (zh) * | 2020-10-14 | 2021-02-26 | 广州虎牙科技有限公司 | 信息推荐方法及装置、电子设备及计算机可读存储介质 |
| CN112418956A (zh) * | 2020-12-16 | 2021-02-26 | 国网雄安金融科技集团有限公司 | 一种金融产品的推荐方法及装置 |
| CN112785444A (zh) * | 2021-02-19 | 2021-05-11 | 苏州科知律信息科技有限公司 | 基于海量金融数据的智能投资数据处理方法、装置及系统 |
| CN113946752A (zh) * | 2021-10-28 | 2022-01-18 | 平安银行股份有限公司 | 基于大数据的金融产品推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 史加荣: "《MATLAB程序设计及数学实验与建模》", 西安电子科技大学出版社, pages: 196 - 198 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114581192B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11259718B1 (en) | Systems and methods for automated body mass index calculation to determine value | |
| CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
| EP3028184B1 (en) | Method and system for searching images | |
| Han et al. | Demographic estimation from face images: Human vs. machine performance | |
| US9721183B2 (en) | Intelligent determination of aesthetic preferences based on user history and properties | |
| Lee et al. | Sensitivity analysis for biometric systems: A methodology based on orthogonal experiment designs | |
| CN104680121B (zh) | 一种人脸图像的处理方法及装置 | |
| US9449221B2 (en) | System and method for determining the characteristics of human personality and providing real-time recommendations | |
| US20170213075A1 (en) | Head-pose invariant recognition of facial attributes | |
| WO2012132418A1 (ja) | 属性推定装置 | |
| CN111814620A (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
| CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
| Porto et al. | Automatic cephalometric landmarks detection on frontal faces: An approach based on supervised learning techniques | |
| KR102594093B1 (ko) | 딥러닝 기술을 활용한 피부과 시술 추천 시스템 및 방법 | |
| CN112581230A (zh) | 一种商品推荐方法及装置 | |
| Rybintsev | Age estimation from a face image in a selected gender-race group based on ranked local binary patterns | |
| Nam et al. | New fuzzy-based retinex method for the illumination normalization of face recognition | |
| CN110543813B (zh) | 一种基于场景的人脸画像、目光计数方法及系统 | |
| CN114581192B (zh) | 基于用户隐性数据的金融产品推荐方法及系统 | |
| CN110866146A (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
| CN110298684B (zh) | 车型匹配方法、装置、计算机设备及存储介质 | |
| CN114066564A (zh) | 服务推荐时间确定方法、装置、计算机设备、存储介质 | |
| Rodriguez et al. | Improved likelihood ratios for face recognition in surveillance video by multimodal feature pairing | |
| Lin et al. | Face detection based on the use of eyes tracking | |
| Lee et al. | Advanced face recognition and verification in mobile platforms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |