CN115063203A - 理财产品的推荐方法、推荐设备及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种理财产品的推荐方法、推荐设备及计算机可读存储介质。该推荐方法包括：获取待售卖的全量理财产品的信息；对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息；基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型；基于相似度计算模型，计算出历史理财产品与待售卖的全量理财产品之间的相似度；基于相似度从待售卖的全量理财产品中获取到可推荐的理财产品。通过本申请的理财产品的推荐方法，可以精准地向客户推荐合适的理财产品，为理财产品的交易业务提效、降本。

Description

理财产品的推荐方法、推荐设备及计算机可读存储介质

技术领域

本申请涉及金融领域，特别是涉及一种理财产品的推荐方法、推荐设备及计算机可读存储介质。

背景技术

当前的理财产品推荐，需要用户自己进入理财页面后，自己挑选理财产品，或者当有待售卖的理财产品时，客户经理向客户推送该理财产品。

当前的理财产品的推荐方法无法主动发现客户需求，使客户经理的工作量较大，且理财产品的交易达成率较低。

发明内容

本申请提供一种理财产品的推荐方法、推荐设备及计算机可读存储介质，以解决现有技术中，理财产品的推荐方法无法主动发现客户需求，使客户经理的工作量较大，且理财产品的交易达成率较低的技术问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种理财产品的推荐方法，该推荐方法包括：获取待售卖的全量理财产品的信息；对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息；基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型；基于相似度计算模型，计算出历史理财产品与待售卖的全量理财产品之间的相似度；基于相似度从待售卖的全量理财产品中获取到可推荐的理财产品。

进一步地，基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型，包括，基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息，根据余弦距离计算方法进行建模，以得到相似度计算模型。

进一步地，基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息，根据余弦距离计算方法进行建模，以得到相似度计算模型，包括，将待售卖的全量理财产品的筛选信息向量化，以得到待售卖的全量理财产品的向量，将历史理财产品的信息向量化，以得到历史理财产品的向量；基于待售卖的全量理财产品的向量和历史理财产品的向量，通过余弦距离计算方法进行建模，以得到相似度计算模型。

进一步地，获取待售卖的全量理财产品的信息，包括，对所有的待售卖的理财产品的信息进行合并处理，以得到待售卖的全量理财产品的信息。

进一步地，对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息，包括，将待售卖的全量理财产品的信息中缺失率大于预设值的信息去掉，以得到待售卖的全量理财产品的筛选信息。

进一步地，基于相似度从待售卖的全量理财产品中获取到可推荐的理财产品，包括：根据相似度的大小，从待售卖的全量理财产品中找出预设个数的理财产品，以得到理财产品的推荐清单。

进一步地，根据相似度的大小，从待售卖的全量理财产品中找出预设个数的理财产品，以得到理财产品的推荐清单，包括，根据相似度，得到预设个数的理财产品的推荐分，其中，推荐分的范围为0-100分。

进一步地，基于相似度从全量理财产品中获取到可推荐的理财产品的步骤之后，推荐方法还包括：向用户推送可推荐的理财产品后，统计用户在验证时期实际购买的理财产品；基于实际购买的理财产品和可推荐的理财产品，得到理财产品推荐的准确率；据准确率对待售卖的全量理财产品的筛选信息进行调整。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种理财产品的推荐设备，该推荐设备包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一实施例的理财产品的推荐方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现上述任一实施例的理财产品的推荐方法。

本申请的有益效果是：区别于现有技术的情况，本申请提供的理财产品的推荐方法包括：获取待售卖的全量理财产品的信息；对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息；基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型；以基于该相似度计算模型，计算出历史理财产品与待售卖的全量理财产品之间的相似度；然后根据得到的相似度从待售卖的全量理财产品中获取到可推荐的理财产品。本申请的理财产品的推荐方法，能够主动预测客户理财产品的买入需求，以使销售人员能够精准地向客户推荐合适的理财产品，为理财产品的交易业务提效、降本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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是本申请提供的理财产品的推荐方法的一实施例的流程示意图；

图2是图1中步骤S13的一实施例的流程示意图；

图3是本申请提供的理财产品的推荐方法的另一实施例的流程示意图；

图4是本申请提供的理财产品的推荐设备的一实施例的框架结构示意图；

图5是本申请提供的计算机可读存储介质的一实施例的框架结构示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

本申请公开了一种理财产品的推荐方法，基于该推荐方法，销售人员可以获取到用户的购买需求，并精准地向用户推荐理财产品，通过此种方式，能够减少销售人员的工作量，且可提高交易的达成效率。其中，该理财产品可以为债券、基金或者股票等。下面以债券为例对该理财产品的推荐方法进行详细介绍。

请参阅图1所示，图1是本申请提供的理财产品的推荐方法的一实施例的流程示意图，具体地，该理财产品的推荐方法的流程包括：

S11：获取待售卖的全量理财产品的信息。

首先获取到待售卖的全量理财产品的信息，其中，待售卖的全量理财产品的信息，包括待售卖的理财产品的属性信息，其中，属性信息包括理财产品的编码、类型、发行地域等信息。例如，当理财产品为债券时，待售卖的全量理财产品的信息包括：待售卖的债券的编码、债券的类型、托管机构、企业性质、担保方式和到期日等信息。

理财产品中，有的理财产品属于同一类别，比如，对于增发的债券或者续发的债券和原债券属于同一类，可以看成是同一种债券，因此，可以合并处理。也即，可以对所有的待售卖的理财产品进行合并处理，以得到待售卖的全量理财产品的信息。

比如，当待售卖的理财产品为债券时，统计出2021年09月01日之前且债券的剩余期限大于60天的所有债券，以得到所有待售卖的债券。然后对所有待售卖的债券进行合并处理。在一个具体的实施例中，债券合并处理的方法包括：

1)将债券代码的“.”之前的代码留下，记为bond_code1；

2)若bond_code1里含有X，则截取X之前的代码，记为bond_code2；

3)若bond_code2里含有Z，则截取Z之前的代码，记为bond_code3；

4)将发行人、到期日、发行金额、票息品种、利率类型、票面利率(发行时)六个要素相同的债券合并，得到最终的债券代码bond_code4；

5)通过上述合并后，得到以得到若干个待售卖的全量债券。

在其他实施例中，也可以采用其他方式对债券进行合并，比如，按照债券的发行人对债券进行合并等。在此不做一一列举。

S12：对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息。

在得到待售卖的全量理财产品的信息后，待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息。本步骤主要是对待售卖的全量理财产品的属性进行筛选。

具体地，可以将待售卖的全量理财产品的信息中缺失率大于预设值的信息去掉，以得到待售卖的全量理财产品的筛选信息。可选地，可以对待售卖的全量理财产品的信息中缺失率大于60％的信息去掉，以使待售卖的全量理财产品的筛选信息相对完整。

比如，在一个具体的实施例中，对待售卖的债券的信息进行筛选，去掉缺失率大于50％的字段；如表1所示，最后选中的字段19个，其中分类型15个，连续型4个。通过此种方式，能够使筛选信息相对完整，为后续的计算提供数据基础。

表1待售卖的债券的筛选信息

S13：基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型。

在得到待售卖的全量理财产品的筛选信息后，基于待售卖的全量理财产品的筛选信息和用户在预定时期内购买的历史理财产品的信息进行建模，得到相似度计算模型。

比如，可以获取用户在最近一个月内的购买的历史理财产品的信息。然后基于该历史购买数据和待售卖的全量理财产品的筛选信息，并根据协同过滤算法来建模，以得到相似度计算模型。

可选地，可以基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息，根据余弦距离计算方法进行建模，以得到相似度计算模型。在其他实施例中，还可以采用均方差计算相似度，以得到相似度计算模型等。

如图2所示，在一个具体的实施例中，相似度计算模型的建立流程可以为：

S131：将待售卖的全量理财产品的筛选信息向量化，以得到待售卖的全量理财产品的向量，将历史理财产品的信息向量化，以得到历史理财产品的向量。

为了便于理财产品之间进行相似度度量，并消除量纲影响，可以将理财产品的筛选信息进行向量化。具体地，将待售卖的全量理财产品的筛选信息向量化，以得到待售卖的全量理财产品的向量，将历史理财产品的信息向量化，以得到历史理财产品的向量。

比如，可以上述表1中的将分类型变量进行onehot编码，将连续型变量进行min-max归一化，以对待售卖的理财产品的筛选信息进行向量化。

S132：基于待售卖的全量理财产品的向量和历史理财产品的向量，通过余弦距离计算方法进行建模，以得到相似度计算模型。

在得到待售卖的全量理财产品的向量和历史理财产品的向量后，可以基于待售卖的全量理财产品的向量和历史理财产品的向量，通过余弦距离计算方法进行建模，以得到相似度计算模型。

比如，两个理财产品之间的相似度计算选用余弦距离，用A和B分别代表两个理财产品的向量，则余弦距离的计算公式为：cos(A,B)＝(A*B)/(|A||B|)，其中，cos(A,B)表示理财产品A和理财产品B的余弦距离，分子为两个向量的内积，分母为两个向量的模之积。通过上述相似度计算模型，能够得到两个理财产品之间的余弦相似度。

S14：基于相似度计算模型，计算出历史理财产品与待售卖的全量理财产品之间的相似度。

根据上述步骤S13中得到的相似度计算模型，可以得到用户预定的时期内购买的历史理财产品，与待售卖的全量理财产品之间的相似度。可选地，根据相似度计算模型中的余弦距离的计算方法，可以得到用户预定时期购买的历史理财产品与待售卖的全量理财产品之间的余弦相似度。得到的主要信息后：客户、购买过的理财产品、相似理财产品、余弦相似度。

S15：基于相似度从待售卖的全量理财产品中获取到可推荐的理财产品。

在得到历史理财产品与待售卖的全量理财产品之间的相似度后，根据该相似度，来从待售卖的全量理财产品中获取到可推荐的理财产品。具体地，可以根据相似度的大小，从待售卖的全量理财产品中，获取到预设个数的理财产品，通过此种方式可以得到理财产品的推荐清单。比如，用户历史购买记录为C理财产品，在得到该C理财产品与待售卖的理财产品之间的相似度后，根据相似度的大小，获取到排名前10的理财产品为相似理财产品，比如相似度排名前十的理财产品作为推荐清单。

当得到理财产品的推荐清单后，以客户为分组，取最大相似度的理财产品作为客户的推荐理财产品。即，对推荐清单进行去重工作，比如，客户有2个历史记录，理论上模型取2个排名前10的理财产品的清单，最多会生成2个10条理财产品的推荐记录，这2个10条理财产品之间可能重复，所以按客户分类，取相似度高的进行去重。

进一步地，可以将推荐清单中的理财产品的相似度转换成推荐分，该推荐分的范围为0-100分，以便于用户更好的理解该推荐产品与历史购买产品之间的相似度。

比如，在一个具体的实施例中，可以先将推荐清单中的理财产品的余弦相似度取两次对数，得到第一推荐分，主要信息有：客户、相似理财产品和第一推荐分；再将通过计算公式：(第一推荐分+15)/15计算得到第二推荐分，主要信息有客户、相似理财产品、第二推荐分；再将第二推荐分大于1的赋值为1，小于0.1的赋值为0.1，得到第三推荐分，主要信息有：客户、相似理财产品、第三推荐分；在将第三推荐分乘以100，得到最终的推荐分，得到的主要信息有客户、相似理财产品、第四推荐分。通过此种方式，将相似度转换成推荐分，且推荐分的范围为0-100，使用户更加直观的了解理财产品之间的相似度。

在获取到待推荐的理财产品的清单后，销售人员可以根据清单主动与客户联系，主动挖掘客户需求，提前把握最佳展业时机，提高客户满意度。或者销售人员想要卖出理财产品时，也可以通过清单查找可能的买家，主动与客户联系，提高理财产品的卖出效率。

如图3所示，在另一实施例中，理财产品的推荐方法包括：

S21：获取待售卖的全量理财产品的信息。

步骤S21与步骤S11相同，在此不再赘述。

S22：对待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息。

步骤S22与步骤S12相同，在此不再赘述。

S23：基于待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型。

步骤S23与步骤S13相同，在此不再赘述。

S24：基于相似度计算模型，计算出历史理财产品与待售卖的全量理财产品之间的相似度。

步骤S24与步骤S14相同，在此不再赘述。

S25：基于相似度从待售卖的全量理财产品中获取到可推荐的理财产品。

步骤S25与步骤S15相同，在此不再赘述。

S26：向用户推送可推荐的理财产品后，统计用户在验证时期实际购买的理财产品。

在获取到可推荐的理财产品的清单后，可以基于该清单向用户推送理财产品。然后，在验证时期统计用户实际购买的理财产品。比如，可以应用上述推荐方法，基于用户2022年5月份的历史该买记录，从待售的理财产品中找出可推荐的理财产品的清单，并将清单中的理财产品推送给用户，然后再统计用户6月份的实际购买的理财产品。

S27：基于实际购买的理财产品和可推荐的理财产品，得到理财产品推荐的准确率。

在获取到用户验证时期实际购买的理财产品后，可以基于实际购买的理财产品和可推荐的理财产品的清单，得到理财产品推荐的准确率。通过此种方式，能够评判理财产品推荐清单的准确率。

在一个具体的实施例中，准确率的评估方法为：基于客户的推荐清单，在验证时期如果客户实际发生购买，则表示命中，否则没有命中，理财产品推荐的准确率＝命中清单数/推荐清单数。

比如，在一个具体的实施例中，理财产品的推荐清单包括top1-top10。根据上述准确率的计算公式得到：top1准确率：20.36％，top2准确率：17.58％，top3准确率：16.25％，top4准确率：14.86％，top5准确率：13.97％；top6准确率：13.05％，top7准确率：12.52％，top8准确率：12.15％，top9准确率：11.56％，top10准确率：11.06％。进一步地，可以对top10清单将余弦相似度进行变形，得到推荐分，将实际购买数过少的归并到相邻区间，得到推荐分，比如，分数最高18.59％，最低5.41％，呈单调性特点。

S28：根据准确率对得到待售卖的全量理财产品的筛选信息进行调整。

在得到推荐清单的准确率后，可以根据该准确率对全量理财产品的筛选信息进行调整。比如，当准确率小于预设的准确率阈值时，可以降低缺失率阈值，比如，之前对全量理财产品的信息中缺失率大于50％的字段去掉，当准确率小于预设的准确率阈值时，可以对全量理财产品的信息中缺失率大于40％的字段去掉，以得到待售卖的全量理财产品的新的筛选信息。通过此种方式，能够调整推荐清单的准确率，使准确率达到预设的目标。

区别于上一实施例，本实施例通过计算理财产品推荐的准确率，来对待售卖的全量理财产品的筛选信息进行调整，即对相似度计算模型中的参数进行调整，以使理财产品推荐的准确率满足预设的目标，提高理财产品的推荐方法的可靠性。

本申请还提供一种理财产品的推荐设备，如图4所示，图4是本申请提供的理财产品的推荐设备一实施例的结构示意图，该推荐设备包括相互耦接的存储器120和处理器110，处理器110用于执行存储器120中存储的程序指令，以实现上述任一实施例的理财产品的推荐方法中的步骤，关于理财产品的推荐方法具体请参阅上述实施例的介绍，在此不再赘述。

处理器110可以为CPU(Central Processing Unit，中央处理单元)；处理器110也可以是一种集成电路芯片，具有信号的处理能力；处理器110还可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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。处理器110可以是微处理器或者该处理器110也可以是任何常规的处理器等。

基于此，本申请还提供一种计算机可读存储介质，如图5所示，图5是本申请提供的计算机可读存储介质的一实施例的结构示意图，计算机可读存储介质200上存储有程序指令210，该程序指令210被处理器执行时实现上述任一实施例的理财产品的推荐方法中的步骤，关于理财产品的推荐方法具体请参阅上述实施例的介绍，在此不再赘述。

其中，该程序指令210可以以软件产品的形式存储在上述计算机可读存储介质200中，包括若干指令用以使得一个设备或处理器执行本申请各个实施方式方法的全部或部分步骤。

计算机可读存储介质200是计算机存储器中用于存储某种不连续物理量的媒体。而前述的计算机可读存储介质200包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、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指令210代码的介质。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、步骤或特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种理财产品的推荐方法，其特征在于，所述推荐方法包括：

获取待售卖的全量理财产品的信息；

对所述待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息；

基于所述待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型；

基于所述相似度计算模型，计算出所述历史理财产品与所述待售卖的全量理财产品之间的相似度；

基于所述相似度从所述待售卖的全量理财产品中获取到可推荐的理财产品。

2.根据权利要求1所述的推荐方法，其特征在于，所述基于所述待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息进行建模，得到相似度计算模型，包括，

基于所述待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息，根据余弦距离计算方法进行建模，以得到所述相似度计算模型。

3.根据权利要求2所述的推荐方法，其特征在于，所述基于所述待售卖的全量理财产品的筛选信息和用户预定的时期内购买的历史理财产品的信息，根据余弦距离计算方法进行建模，以得到所述相似度计算模型，包括，

将所述待售卖的全量理财产品的筛选信息向量化，以得到所述待售卖的全量理财产品的向量，将所述历史理财产品的信息向量化，以得到所述历史理财产品的向量；

基于所述待售卖的全量理财产品的向量和所述历史理财产品的向量，通过余弦距离计算方法进行建模，以得到所述相似度计算模型。

4.根据权利要求1所述的推荐方法，其特征在于，所述获取待售卖的全量理财产品的信息，包括，

对所有的待售卖的理财产品的信息进行合并处理，以得到所述待售卖的全量理财产品的信息。

5.根据权利要求1所述的推荐方法，其特征在于，所述对所述待售卖的全量理财产品的信息进行筛选，以得到待售卖的全量理财产品的筛选信息，包括，

将所述待售卖的全量理财产品的信息中缺失率大于预设值的信息去掉，以得到所述待售卖的全量理财产品的筛选信息。

6.根据权利要求1所述的推荐方法，其特征在于，所述基于所述相似度从所述待售卖的全量理财产品中获取到可推荐的理财产品，包括，

根据所述相似度的大小，从所述待售卖的全量理财产品中找出预设个数的理财产品，以得到理财产品的推荐清单。

7.根据权利要求6所述的推荐方法，其特征在于，所述根据所述相似度的大小，从所述待售卖的全量理财产品中找出预设个数的理财产品，以得到理财产品的推荐清单，包括，

根据所述相似度，得到所述预设个数的理财产品的推荐分，其中，所述推荐分的范围为0-100分。

8.根据权利要求1所述的推荐方法，其特征在于，所述基于所述相似度从所述全量理财产品中获取到可推荐的理财产品的步骤之后，所述推荐方法还包括：

向所述用户推送所述可推荐的理财产品后，统计所述用户在验证时期实际购买的理财产品；

基于所述实际购买的理财产品和所述可推荐的理财产品，得到理财产品推荐的准确率；

根据所述准确率对所述待售卖的全量理财产品的筛选信息进行调整。

9.一种理财产品的推荐设备，其特征在于，所述推荐设备包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现如权利要求1-8任一项所述的理财产品的推荐方法。

10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现如权利要求1-8中任一项所述的理财产品的推荐方法。

Images