CN115115449A - 一种面向金融供应链的优化数据推荐的方法及系统 - Google Patents
一种面向金融供应链的优化数据推荐的方法及系统 Download PDFInfo
- Publication number
- CN115115449A CN115115449A CN202211033519.0A CN202211033519A CN115115449A CN 115115449 A CN115115449 A CN 115115449A CN 202211033519 A CN202211033519 A CN 202211033519A CN 115115449 A CN115115449 A CN 115115449A
- Authority
- CN
- China
- Prior art keywords
- financial
- service
- pool
- behavior
- 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 31
- 230000006399 behavior Effects 0.000 claims description 278
- 239000013598 vector Substances 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 171
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种面向金融供应链的优化数据推荐的方法及系统，其方法包括：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合；确定与金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且金融业务池中包含若干类业务子池；确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。可以有效实现对用户的匹配推荐以及对立推荐，不仅可以打破推荐的局限性，还可以提高用户的金融体验感。
Description
技术领域
本发明涉及供应链技术领域，特别涉及一种面向金融供应链的优化数据推荐的方法及系统。
背景技术
在现有的数据推荐系统，比如不同金融业务的信息推荐等，可以通过推荐系统定向地或不定向的将需要推荐的数据发送到各个金融用户终端，向用户提供更多的推荐参考，一般情况下，会将最新的推荐数据或者最近的推荐数据无差别的推荐给不同用户，会使的推荐具备局限性，且由于不同金融用户金融偏好是不一样的，推荐结果与金融用户所需要的关联度不高，不能满足金融用户的体验需求。
因此，本发明提出一种面向金融供应链的优化数据推荐的方法及系统。
发明内容
本发明提供一种面向金融供应链的优化数据推荐的方法及系统，用以通过确定用户的行为特征，并与不同类金融业务子池建立匹配关系，提高推荐结果与金融用户的关联度，可以有效实现对用户的匹配推荐以及对立推荐，不仅可以打破推荐的局限性，还可以提高用户的金融体验感。
本发明提供一种面向金融供应链的优化数据推荐的方法，包括：
步骤1：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
步骤2：确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
步骤3：确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
步骤4：基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
优选的，基于金融供应链调取各个金融用户的金融行为信息，获取行为特征集合，包括：
基于金融供应链调取各个金融用户的金融行为信息，其中，所述金融行为信息包括：金融用户使用的金融应用、金融用户使用的设备终端、金融用户在不同设备终端的不同金融应用上的金融操作内容以及内容操作类型；
根据所述金融行为信息，确定所述金融用户的单一行为以及多组合行为；
对所述单一行为进行行为分类以及对所述多组合行为进行行为分类，得到行为列表，并对同个行为列表中的单一行为个数以及对多组合行为个数进行第一确定，同时，根据同个行为列表中的单一行为的金融操作内容以及内容操作类型、多组合行为的金融操作内容以及内容操作内容进行对应行为的子权重的第二确定；
根据所述同个行为列表的列表类型以及第一确定结果、第二确定结果，得到对应同个行为列表的列表特征；
基于所有列表特征，得到对应金融用户的行为特征集合。
优选的，确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，包括：
获取所述金融供应链中可识别到的金融应用；
对每个可识别到的金融应用的应用日志数据进行分析，确定对应金融应用与所述金融供应链的源关系，其中，所述源关系由对应金融应用与所述金融供应链交互时的交互节点确定；
当所述源关系满足节点延伸标准时，判定对应金融应用与所述金融供应链存在衔接关系，并获取对应的金融业务信息。
优选的，创建金融业务池，包括：
确定存在衔接关系的金融应用的应用类型，并按照应用类型进行划分得到多类金融应用；
分别确定每类金融应用的应用个数、对应金融应用的应用权重以及对应金融应用的应用占据容量，确定对应类金融应用是否满足业务子池的构建标准；
若满足，基于对应类金融应用构建对应类业务子池；
否则，获取不满足构建标准的第一指标，并分别获取每个第一指标的指标差异，得到差异组合；
将所述差异组合输入到指标调整模型中，确定调整方案；
基于调整方案对对应类业务子池进行调整，并创建得到金融业务池。
优选的，确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性，包括：
记录每个金融业务的初始界面的点击频次、浏览频次，同时，记录基于每个金融业务的初始界面实现的第一订阅频次以及记录基于每个金融业务的详情界面实现的第二订阅频次；
捕捉不同初始界面进行订阅的第一用户集合以及不同详情界面进行订阅的第二用户集合；
分析所述第一用户集合的用户特征，并获取对应第一误点可能性；
分析所述第二用户集合的用户特征，并获取对应第二误点可能性；
计算每类业务子池中每个金融业务的第二订阅可能性；
其中，P2表示对应类业务子池中对应金融业务的第二订阅可能性；
表示处于初始界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示处于详情界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示基于对应金融业务的初始界面实现的第一订阅频次；C2表示基于对应金融业务的详情界面实现的第二订阅频次；
表示基于对应金融业务的初始界面的浏览次数；
表示基于对应金融业务的初始界面转跳到向详情页面的点击次数；
表示对应金融业务的初始界面的第一误点可能性；
表示对应金融业务的详情界面的第二误点可能性；
基于同类业务子池中包含的所有金融业务的第二订阅可能性，计算得到对应的第一订阅可能性；
其中，n1表示对应同类业务子池中包含的所有金融业务的总个数； 
表示对应同类业务子池中第i1个金融业务的第二订阅可能性； 
表示对应同类业务子池中第i1个金融业务的业务权重；
表示对应同类业务子池中第i1个金融业务的可能订阅因子；
表示对应同类业务子池中第i1个金融业务的最小订阅因子；
表示对应同类业务子池中第i1个金融业务的最大订阅因子；
表示对应同类业务子池的第一订阅可能性。
优选的，基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，包括：
确定每类业务子池的业务特征，构建每类业务子池的业务向量；
获取对应金融用户的行为特征集合中每个行为特征以及行为权重，构建用户行为向量，且用户行为向量中的每个元素对应一个行为特征；
基于向量匹配模型，对每个业务向量与同个用户行为向量进行匹配分析，确定对应的初始序列，其中，所述初始序列中的每个行为元素对应一个行为特征；
获取同类业务子池的第一订阅可能性、第二订阅可能性，建立可能参考向量，并基于第一向量分析模型，确定第一优化因子；
同时，获取剩余金融用户的行为特征集合中的高频特征，并构建典型行为向量，且基于第二向量分析模型，确定第二优化因子；
基于所述第一优化因子以及第二优化因子，对所述初始序列进行优化，得到匹配序列；
从序列-关系数据库中，获取与所述匹配序列中每个行为元素一致的匹配关系。
优选的，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务，包括：
根据对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，并基于子池类型-匹配关系-系数数据库确定对应金融用户与每类业务子池的匹配系数；
从所有匹配系数中筛选匹配系数大于第一预设系数的第一业务子池以及筛选匹配系数小于第二预设系数的第二业务子池；
确定对应金融用户的行为特征集合中与所述第一业务子池匹配的第一特征，并从第一特征中筛选行为权重靠前的
个第二特征，其中，N1表示对应第一特征的个数；
从所述第一业务子池中获取与所述第二特征相关的第一推荐业务推荐给对应金融用户；
确定对应金融用户的行为特征集合中与所述第二业务子池不匹配的第三特征，并确定每个第三特征与对应的所有第一特征的对立系数；
按照所述对立系数，从对应的所有第三特征中筛选前
个第四特征，并从所述第二业务子池中获取与第四特征相关的第二推荐业务推荐给对应金融用户，其中，N2表示对应第三特征的个数。
本发明提供一种面向金融供应链的优化数据推荐的系统，包括：
集合获取模块，用于基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
业务池创建模块，用于确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
订阅可能性确定模块，用于确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
业务推荐模块，用于基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行任一项所述方法的步骤。
本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述方法的步骤。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种面向金融供应链的优化数据推荐的方法的流程图；
图2为本发明实施例中一种面向金融供应链的优化数据推荐的系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种面向金融供应链的优化数据推荐的方法，如图1所示，包括：
步骤1：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
步骤2：确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
步骤3：确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
步骤4：基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
该实施例中，金融供应链指的是从金融业务开始上线以及不同的金融用户对该上线的金融业务进行金融操作（浏览、购买、订阅、咨询等）等的一些列行为，都是围绕该供应链进行展开的，因此，称为金融供应链，且该金融供应链是包含不同金融用户的金融行为信息以及不同金融应用所开展的金融业务信息在内的，也起到记录存储的作用。
该实施例中，比如，金融用户1的金融行为信息为信息1、信息2、信息3，比如，信息1单独构成行为特征1，信息2与信息3两者构成行为特征2，此时，行为特征1和行为特征2构成行为特征集合，且不同的行为特征对应的行为权重可以不同，比如行为特征1的行为权重为0.4，行为特征2的行为权重为0.6，权重越大反应的金融行为越具备参考价值。
该实施例中，比如，存在金融应用1、2、3，此时，金融应用1在供应链中节点1中有涉及，金融应用2和3在供应链节点1、2、3中都有涉及，此时，就判定金融应用2和3与金融供应链存在衔接关系，也就是为了更加精准的获取具备推荐价值的金融业务信息，其中，金融业务信息指的是基于该应用的各种金融业务，比如理财业务、贷款业务、基金业务、保险业务等，也就是获取一个与该金融供应链存在衔接关系的应用的一个信息库，方便后续进行业务推荐。
该实施例中，通过对不同的金融业务信息进行分类等操作，来获取不同类业务子池，进而得到金融业务池。
该实施例中，订阅可能性指的是针对不同金融业务的订阅情况，也就是为了确定该金融业务的受欢迎程度，订阅可能性越大，受欢迎程度越高，最后对应的推荐可能性越大。
该实施例中，比如存在3个金融用户，当前是确定的金融用户1的匹配推荐以及对立推荐，此时，剩余金融用户为用户2和用户3。
该实施例中，同个金融用户的行为特征集合中的每个行为特征都与对应类业务子池存在匹配关系，也就是关联度，关联度越高，联系越紧密，匹配推荐的内容越精准。
该实施例中，比如：存在一类业务子池，且该类业务子池中包含金融业务01、02，且金融用户的行为特征为001、002，此时，就建立001与01、001与02、002与01、002与02的匹配关系，且金融业务01、02分别都存在第二订阅可能性，且对应类业务子池存在第一订阅可能性：
首先，初步根据行为特征以及行为权重建立与对应类业务子池的初始关系（主要是依靠匹配度确定）；
其次，按照可能性以及剩余金融用户的行为特征集合对初始关系进行调整，进而得到匹配关系，主要是为了保证推荐的精准性，比如，001与01的初始关系对应的匹配度为0.6，调整后的001与01的匹配关系对应的匹配度为0.65。
该实施例中，比如，获取匹配度高于0.6的匹配关系涉及到金融业务01可以作为推荐参考。
该实施例中，对立推荐指的是与匹配推荐完全对立的推荐，比如，所有的匹配关系对应的匹配度为0.3、0.1、0.65、0.98，此时，可以获取0.1相关的金融业务作为对立业务进行推荐，或者是重新寻找与0.98所匹配的金融业务完全对立的业务（匹配度最小的）作为对立业务进行推荐等。
上述技术方案的有益效果是：通过确定用户的行为特征，并与不同类金融业务子池建立匹配关系，提高推荐结果与金融用户的关联度，可以有效实现对用户的匹配推荐以及对立推荐，不仅可以打破推荐的局限性，还可以提高用户的金融体验感。
本发明提供一种面向金融供应链的优化数据推荐的方法，基于金融供应链调取各个金融用户的金融行为信息，获取行为特征集合，包括：
基于金融供应链调取各个金融用户的金融行为信息，其中，所述金融行为信息包括：金融用户使用的金融应用、金融用户使用的设备终端、金融用户在不同设备终端的不同金融应用上的金融操作内容以及内容操作类型；
根据所述金融行为信息，确定所述金融用户的单一行为以及多组合行为；
对所述单一行为进行行为分类以及对所述多组合行为进行行为分类，得到行为列表，并对同个行为列表中的单一行为个数以及对多组合行为个数进行第一确定，同时，根据同个行为列表中的单一行为的金融操作内容以及内容操作类型、多组合行为的金融操作内容以及内容操作内容进行对应行为的子权重的第二确定；
根据所述同个行为列表的列表类型以及第一确定结果、第二确定结果，得到对应同个行为列表的列表特征；
基于所有列表特征，得到对应金融用户的行为特征集合。
该实施例中，单一行为以及多组合行为主要是按照金融用户在不同设备终端的不同金融应用上的金融操作内容以及内容操作类型确定的，比如，存在金融操作内容1、2、3，如果只是对金融操作内容1、2、3中的任何一个进行的操作，则视为单一行为，如果存在两个及异常的操作，则视为多组合行为。
该实施例中，进行行为分类主要是按照内容操作类型进行的分类。
该实施例中，比如存在：单一行为1、2、3，存在多组合行为01、02，此时，将单一行为1、2以及多组合行为01归到一个行为列表1中，将单一行为3与多组合行为02归到另一个行为列表2中。
该实施例中，行为列表1中包括单一行为2个、多组合行为1个，同时，根据不同操作内容以及类型确定子权重。
比如：子权重=单一行为（或多组合行为）对应的金融操作内容的内容值*操作类型的类型权重值*转换系数，进而来计算得到对应的子权重。
该实施例中，列表类型指的是行为分类类型。
该实施例中，第一确定结果是针对个数的，第二确定结果是针对子权重的，且行为特征集合是基于行为个数、子权重、行为的操作内容、行为的类型综合确定的，比如，得到基于单一行为1、2、3；多组合行为01、02；行为个数；子权重；得到行为特征10、11。
该实施例中，主要是基于子权重，确定的对应行为特征的行为权重。
比如：行为权重与对应涉及到的单一行为的子权重和对应设置到的多组合行为的子权重的累加和的平均值有关；
其中，
表示同个行为特征对应涉及到的
的数量；
表示同个行为特征对应涉及到的多组合行为的数量。
上述技术方案的有益效果是：通过基于金融行为信息确定单一行为以及多组合行为，并进行行为分类以及列表构建，便于得到不同列表的列表特征，为得到行为特征集合提供有效基础。
本发明提供一种面向金融供应链的优化数据推荐的方法，确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，包括：
获取所述金融供应链中可识别到的金融应用；
对每个可识别到的金融应用的应用日志数据进行分析，确定对应金融应用与所述金融供应链的源关系，其中，所述源关系由对应金融应用与所述金融供应链交互时的交互节点确定；
当所述源关系满足节点延伸标准时，判定对应金融应用与所述金融供应链存在衔接关系，并获取对应的金融业务信息。
该实施例中，比如，存在金融应用1、2、3，此时，通过对应用日志数据分析，发现金融应用1在供应链中节点1中有涉及，金融应用2和3在供应链节点1、2、3中都有涉及，也就是金融应用1与节点1为源关系，金融应用2与节点1、2、3为源关系，金融应用3与节点1、2、3为源关系。
且衍射标准为，必须存在节点1与节点3的涉及，此时，就判定金融应用2和3与金融供应链存在衔接关系。
上述技术方案的有益效果是：通过对日志数据的分析，确定存在的源关系，进而根据与延伸标准的判断，便于获取存在衔接关系的金融业务信息，为后续推荐提供有效基础。
本发明提供一种面向金融供应链的优化数据推荐的方法，创建金融业务池，包括：
确定存在衔接关系的金融应用的应用类型，并按照应用类型进行划分得到多类金融应用；
分别确定每类金融应用的应用个数、对应金融应用的应用权重以及对应金融应用的应用占据容量，确定对应类金融应用是否满足业务子池的构建标准；
若满足，基于对应类金融应用构建对应类业务子池；
否则，获取不满足构建标准的第一指标，并分别获取每个第一指标的指标差异，得到差异组合；
将所述差异组合输入到指标调整模型中，确定调整方案；
基于调整方案对对应类业务子池进行调整，并创建得到金融业务池。
该实施例中，如果调整方案与位置新建有关，建立新区域放置与差异组合匹配的差异信息，并得到新的业务子池；
如果调整方案与位置调整有关时，确定匹配且满足构建标准的其余类业务子池，并分别向对应的业务子池的可容纳区域放置匹配的差异信息，也就是，比如，需要将对应类业务子池终中的信息1放置到对应类的业务子池2的可容纳区域中。
该实施例中，对金融应用1、2、3进行划分，将金融应用1和2划为一类，将金融应用3划为一类。
该实施例中，应用权重是预先设置好的，与供应链越连接越紧密，对应的权重越大，且应用占据容量指的是该应用在业务子池中放置需要占用的存储空间。
该实施例中，构建标准，比如，该对应子池最多包含4个应用，且总容量不能大于u1，且权重总和不能小于0.3。
该实施例中，第一指标指的是不满足构建标准对应的指标，与个数、容量以及权重有关，指标差异比如是容量上的差异，此时，就需要将某个应用的数据转移到其余子池，或者新建子池，又或者是转移一部分数据等。
该实施例中，指标调整模型是预先训练好的，且包括不同指标的差异组合以及与不同差异组合匹配的调整方案为样本训练得到的，因此，可以根据差异组合，得到调整方案。
上述技术方案的有益效果是：通过确定金融应用是否满足构建标准，便于获取第一指标，来确定差异组合，方便得到调整方案，实现业务池的合理创建。
本发明提供一种面向金融供应链的优化数据推荐的方法，确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性，包括：
记录每个金融业务的初始界面的点击频次、浏览频次，同时，记录基于每个金融业务的初始界面实现的第一订阅频次以及记录基于每个金融业务的详情界面实现的第二订阅频次；
捕捉不同初始界面进行订阅的第一用户集合以及不同详情界面进行订阅的第二用户集合；
分析所述第一用户集合的用户特征，并获取对应第一误点可能性；
分析所述第二用户集合的用户特征，并获取对应第二误点可能性；
计算每类业务子池中每个金融业务的第二订阅可能性；
其中，P2表示对应类业务子池中对应金融业务的第二订阅可能性；
表示处于初始界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示处于详情界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示基于对应金融业务的初始界面实现的第一订阅频次；
表示基于对应金融业务的详情界面实现的第二订阅频次；
表示基于对应金融业务的初始界面的浏览次数；
表示基于对应金融业务的初始界面转跳到向详情页面的点击次数；
表示对应金融业务的初始界面的第一误点可能性； 
2表示对应金融业务的详情界面的第二误点可能性；
基于同类业务子池中包含的所有金融业务的第二订阅可能性，计算得到对应的第一订阅可能性；
其中，n1表示对应同类业务子池中包含的所有金融业务的总个数；
表示对应同类业务子池中第i1个金融业务的第二订阅可能性； 
表示对应同类业务子池中第i1个金融业务的业务权重；
表示对应同类业务子池中第i1个金融业务的可能订阅因子；
表示对应同类业务子池中第i1个金融业务的最小订阅因子；
表示对应同类业务子池中第i1个金融业务的最大订阅因子；
表示对应同类业务子池的第一订阅可能性。
该实施例中，
指的是针对订阅可能性的调整因子，且依据指数函数以及对应的最大订阅因子以及最小订阅因子获取得到的。
该实施例中，不同的金融业务对应的订阅因子是不一样的，且订阅因子是基于业务权重以及对应的第二订阅可能性计算得到的，且
。
该实施例中，
表示对对应金融业务的初始界面的可能性调整因子，
表示对对应金融业务的性情界面的可能性调整因子。
该实施例中，假如是存在一个推荐链接，如果只是在该界面浏览，此时的推荐界面为初始界面，如果点击该推荐链接，并跳转到新的界面，此时为详情页面，且预先设定的可以在不同的界面进行订阅操作。
该实施例中，点击频次是为了给详情界面的订阅提供参考，浏览频次是为了初始界面的订阅提供参考。
该实施例中，用户集合是为了获取不同用户在浏览以及订阅过程中出现的错误情况，也就是订阅之后又取消的情况，通过该情况来确定不同的用户特征，来深度分析不同界面的用户的历史误点情况，且不同的用户误点情况不同，进而来确定针对不同界面的误点可能性，且第一误点可能性的取值范围为[0，0.03]，第二误点可能性的取值范围为[0，0.02]。
该实施例中，每类业务子池包含若干个金融业务，且至少大于5以以上。
该实施例中，浏览次数肯定是大于订阅次数的。
上述技术方案的有益效果是：通过记录每个金融业务的初始界面以及详情界面的订阅情况，以及捕捉不同界面的用户集合，来分析存在的误点可能性，进而通过计算金融业务的订阅可能性以及对应类业务子池的订阅可能性，为后续进行匹配推荐提供有效基础。
本发明提供一种面向金融供应链的优化数据推荐的方法，基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，包括：
确定每类业务子池的业务特征，构建每类业务子池的业务向量；
获取对应金融用户的行为特征集合中每个行为特征以及行为权重，构建用户行为向量，且用户行为向量中的每个元素对应一个行为特征；
基于向量匹配模型，对每个业务向量与同个用户行为向量进行匹配分析，确定对应的初始序列，其中，所述初始序列中的每个行为元素对应一个行为特征；
获取同类业务子池的第一订阅可能性、第二订阅可能性，建立可能参考向量，并基于第一向量分析模型，确定第一优化因子；
同时，获取剩余金融用户的行为特征集合中的高频特征，并构建典型行为向量，且基于第二向量分析模型，确定第二优化因子；
基于所述第一优化因子以及第二优化因子，对所述初始序列进行优化，得到匹配序列；
从序列-关系数据库中，获取与所述匹配序列中每个行为元素一致的匹配关系。
该实施例中，对应类业务子池的业务特征，是基于包含的不同金融业务确定的，比如，业务特征为1、2、3、4，构建的业务向量为[b1 b2 b3 b4]。
该实施例中，行为特征为01、02、03、04，对应分行为权重分别为0.2、0.3、0.4、0.1，此时，对应的用户行为向量为[b5 b6 b7 b8]。
该实施例中，向量匹配模型是预先训练好的，且是以不同业务向量与用户行为向量的各种组合为输入以及对应的匹配序列为输出，作为样本训练得到的，进而可以得到业务向量[b1 b2 b3 b4]与用户行为向量[b5 b6 b7 b8]的初始序列，比如初始序列为1 1 00。
该实施例中，因为不同金融业务对应的订阅可能性不同，因此，可能参考向量是基于第二订阅可能性以及金融业务的业务类型还有第一订阅可能性综合确定的，比如，存在3个金融业务，也就是存在3个第二订阅可能性，构建的可能参考向量为[c1 c2 c3 c4]。
该实施例中，第一向量分析模型是预先训练好的，且是基于不同的订阅可能性以及不同金融业务类型以及对应类子池的订阅可能性所构成的可能参考向量为输入，对应的优化因子为输出，构成的样本训练得到的。
该实施例中，第二向量分析模型是预先训练好的，且是基于不同的高频特征构成的向量为输入，对应的优化因子为输出，构成的样本训练得到的。
该实施例中，高频特征指的是出现频次高的特征，比如，存在10个剩余金融用户，且每个剩余金融用户都出现同个行为特征a1，此时，行为特征a1就为高频特征。
该实施例中，对初始序列进行优化，主要是为了对序列中的某个元素进行优化，比如，第一优化因子以及第二优化因子是基于对初始序列中两个0的优化，此时，优化后的结果为1 1 0.2 0.1，也就是匹配序列，也就是第一优化因子或者第二优化因子，是为了对序列中的某个行为元素或这多个行为元素的优化，具备针对行，且是依靠优化因子本身的因子属性确定的，且因子属性与对应的行为特征存在联系。
该实施例中，初始序列中的每个元素都对应用户的一个行为特征。
该实施例中，序列-关系数据库中包括匹配序列中不同的行为元素以及与行为元素匹配的关系在内的，进而可以获取得到与 1 1 0.2 0.1 分别一致的匹配关系，也就是获取到与每个行为特征一致的匹配关系。
该实施例中，获取与匹配序列中每个行为元素一致的匹配关系也就是获取的该金融用户的每个行为特征与对应类金融子池的匹配关系。
上述技术方案的有益效果是：通过构建业务向量以及用户行为向量来进行匹配分析，得到初始向量，进而根据订阅可能性，得到第一优化因子，根据高频特征得到第二优化因子，进而实现对初始序列的优化，并从数据库中获取得到匹配关系，为后续进行推荐提供有效基础，保证推荐的合理可靠性。
本发明提供一种面向金融供应链的优化数据推荐的方法，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务，包括：
根据对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，并基于子池类型-匹配关系-系数数据库确定对应金融用户与每类业务子池的匹配系数；
从所有匹配系数中筛选匹配系数大于第一预设系数的第一业务子池以及筛选匹配系数小于第二预设系数的第二业务子池；
确定对应金融用户的行为特征集合中与所述第一业务子池匹配的第一特征，并从第一特征中筛选行为权重靠前的
个第二特征，其中，N1表示对应第一特征的个数；
从所述第一业务子池中获取与所述第二特征相关的第一推荐业务推荐给对应金融用户；
确定对应金融用户的行为特征集合中与所述第二业务子池不匹配的第三特征，并确定每个第三特征与对应的所有第一特征的对立系数；
按照所述对立系数，从对应的所有第三特征中筛选前
个第四特征，并从所述第二业务子池中获取与第四特征相关的第二推荐业务推荐给对应金融用户，其中，N2表示对应第三特征的个数。
该实施例中子池类型-匹配关系-系数数据库是包含不同子池类型、不同的匹配关系组合以及与组合匹配的系数在内的，进而可以确定到对应的匹配系数。
该实施例中，第一预设系数远大于第二预设系数，比如，第一预设系数为0.8，第二预设系数为0.1，且匹配系数的取值范围为[0,1]。
比如，存在匹配的第一特征为：01、02、03、04、05，此时，N1的数量为5，对应的
为2，此时筛选权重靠前的2个特征，视为第二特征，比如01和05，此时，获取与特征01和05相关的业务，推荐给金融用户，其中，不同的业务子池是包含若干种不同的金融业务在内的。
该实施例中，比如，存在的不匹配的第三特征为08、09、20，此时，分别计算08与所有第一特征的对立系数，09与所有第一特征的对立系数，20与所有第一特征的对立系数，此时N2为3，对应的
取值为1，也就是第四特征为一个，比如筛选得到的最大对立系数对应的特征为20，此时，获取与特征20相关的业务推荐给金融用户，提高用户体验。
该实施例中，
，计算得到的。
上述技术方案的有益效果是：通过基于行为特征与每类业务子池的匹配关系，来确定该用户基于不同子池的匹配系数，进而根据系数大小的比较，来确定匹配高的子池以及不匹配的子池，实现对不同特征的筛选，进而实现对不同筛选特征的业务推荐结果，提高推荐结果与金融用户的关联度，可以有效实现对用户的匹配推荐以及对立推荐，不仅可以打破推荐的局限性，还可以提高用户的金融体验感。
本发明提供一种面向金融供应链的优化数据推荐的系统，如图2所示，包括：
集合获取模块，用于基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
业务池创建模块，用于确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
订阅可能性确定模块，用于确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
业务推荐模块，用于基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
上述技术方案的有益效果是：通过确定用户的行为特征，并与不同类金融业务子池建立匹配关系，提高推荐结果与金融用户的关联度，可以有效实现对用户的匹配推荐以及对立推荐，不仅可以打破推荐的局限性，还可以提高用户的金融体验感。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
步骤1：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
步骤2：确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
步骤3：确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
步骤4：基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
步骤1：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
步骤2：确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
步骤3：确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
步骤4：基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种面向金融供应链的优化数据推荐的方法，其特征在于，包括：
步骤1：基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
步骤2：确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
步骤3：确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
步骤4：基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
2.如权利要求1所述的面向金融供应链的优化数据推荐的方法，其特征在于，基于金融供应链调取各个金融用户的金融行为信息，获取行为特征集合，包括：
基于金融供应链调取各个金融用户的金融行为信息，其中，所述金融行为信息包括：金融用户使用的金融应用、金融用户使用的设备终端、金融用户在不同设备终端的不同金融应用上的金融操作内容以及内容操作类型；
根据所述金融行为信息，确定所述金融用户的单一行为以及多组合行为；
对所述单一行为进行行为分类以及对所述多组合行为进行行为分类，得到行为列表，并对同个行为列表中的单一行为个数以及对多组合行为个数进行第一确定，同时，根据同个行为列表中的单一行为的金融操作内容以及内容操作类型、多组合行为的金融操作内容以及内容操作内容进行对应行为的子权重的第二确定；
根据所述同个行为列表的列表类型以及第一确定结果、第二确定结果，得到对应同个行为列表的列表特征；
基于所有列表特征，得到对应金融用户的行为特征集合。
3.如权利要求1所述的面向金融供应链的优化数据推荐的方法，其特征在于，确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，包括：
获取所述金融供应链中可识别到的金融应用；
对每个可识别到的金融应用的应用日志数据进行分析，确定对应金融应用与所述金融供应链的源关系，其中，所述源关系由对应金融应用与所述金融供应链交互时的交互节点确定；
当所述源关系满足节点延伸标准时，判定对应金融应用与所述金融供应链存在衔接关系，并获取对应的金融业务信息。
4.如权利要求1所述的面向金融供应链的优化数据推荐的方法，其特征在于，创建金融业务池，包括：
确定存在衔接关系的金融应用的应用类型，并按照应用类型进行划分得到多类金融应用；
分别确定每类金融应用的应用个数、对应金融应用的应用权重以及对应金融应用的应用占据容量，确定对应类金融应用是否满足业务子池的构建标准；
若满足，基于对应类金融应用构建对应类业务子池；
否则，获取不满足构建标准的第一指标，并分别获取每个第一指标的指标差异，得到差异组合；
将所述差异组合输入到指标调整模型中，确定调整方案；
基于调整方案对对应类业务子池进行调整，并创建得到金融业务池。
5.如权利要求1所述的面向金融供应链的优化数据推荐方法，其特征在于，确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性，包括：
记录每个金融业务的初始界面的点击频次、浏览频次，同时，记录基于每个金融业务的初始界面实现的第一订阅频次以及记录基于每个金融业务的详情界面实现的第二订阅频次；
捕捉不同初始界面进行订阅的第一用户集合以及不同详情界面进行订阅的第二用户集合；
分析所述第一用户集合的用户特征，并获取对应第一误点可能性；
分析所述第二用户集合的用户特征，并获取对应第二误点可能性；
计算每类业务子池中每个金融业务的第二订阅可能性；
其中，P2表示对应类业务子池中对应金融业务的第二订阅可能性；
表示处于初始界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示处于详情界面时对对应类业务子池中对应金融业务进行订阅的可能性权重；
表示基于对应金融业务的初始界面实现的第一订阅频次；C2表示基于对应金融业务的详情界面实现的第二订阅频次；
表示基于对应金融业务的初始界面的浏览次数；
表示基于对应金融业务的初始界面转跳到向详情页面的点击次数；
表示对应金融业务的初始界面的第一误点可能性；
表示对应金融业务的详情界面的第二误点可能性；
基于同类业务子池中包含的所有金融业务的第二订阅可能性，计算得到对应的第一订阅可能性；
其中，n1表示对应同类业务子池中包含的所有金融业务的总个数； 
表示对应同类业务子池中第i1个金融业务的第二订阅可能性； 
表示对应同类业务子池中第i1个金融业务的业务权重；
表示对应同类业务子池中第i1个金融业务的可能订阅因子；
表示对应同类业务子池中第i1个金融业务的最小订阅因子；
表示对应同类业务子池中第i1个金融业务的最大订阅因子；
表示对应同类业务子池的第一订阅可能性。
6.如权利要求1所述的面向金融供应链的优化数据推荐方法，其特征在于，基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，包括：
确定每类业务子池的业务特征，构建每类业务子池的业务向量；
获取对应金融用户的行为特征集合中每个行为特征以及行为权重，构建用户行为向量，且用户行为向量中的每个元素对应一个行为特征；
基于向量匹配模型，对每个业务向量与同个用户行为向量进行匹配分析，确定对应的初始序列，其中，所述初始序列中的每个行为元素对应一个行为特征；
获取同类业务子池的第一订阅可能性、第二订阅可能性，建立可能参考向量，并基于第一向量分析模型，确定第一优化因子；
同时，获取剩余金融用户的行为特征集合中的高频特征，并构建典型行为向量，且基于第二向量分析模型，确定第二优化因子；
基于所述第一优化因子以及第二优化因子，对所述初始序列进行优化，得到匹配序列；
从序列-关系数据库中，获取与所述匹配序列中每个行为元素一致的匹配关系。
7.如权利要求6所述的面向金融供应链的优化数据推荐方法，其特征在于，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务，包括：
根据对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，并基于子池类型-匹配关系-系数数据库确定对应金融用户与每类业务子池的匹配系数；
从所有匹配系数中筛选匹配系数大于第一预设系数的第一业务子池以及筛选匹配系数小于第二预设系数的第二业务子池；
确定对应金融用户的行为特征集合中与所述第一业务子池匹配的第一特征，并从第一特征中筛选行为权重靠前的
个第二特征，其中，N1表示对应第一特征的个数；
从所述第一业务子池中获取与所述第二特征相关的第一推荐业务推荐给对应金融用户；
确定对应金融用户的行为特征集合中与所述第二业务子池不匹配的第三特征，并确定每个第三特征与对应的所有第一特征的对立系数；
按照所述对立系数，从对应的所有第三特征中筛选前
个第四特征，并从所述第二业务子池中获取与第四特征相关的第二推荐业务推荐给对应金融用户，其中，N2表示对应第三特征的个数。
8.一种面向金融供应链的优化数据推荐的系统，其特征在于，包括：
集合获取模块，用于基于金融供应链调取各个金融用户的金融行为信息，得到对应金融用户的行为特征集合，且每个行为特征都配置有行为权重；
业务池创建模块，用于确定与所述金融供应链存在衔接关系的金融应用的金融业务信息，并创建金融业务池，且所述金融业务池中包含若干类业务子池；
订阅可能性确定模块，用于确定每类业务子池中的第一订阅可能性以及每类业务子池中每个金融业务的第二订阅可能性；
业务推荐模块，用于基于第一订阅可能性、第二订阅可能性、对应金融用户的行为权重以及剩余金融用户的行为特征集合，建立对应金融用户的行为特征集合中每个行为特征与每类业务子池的匹配关系，得到与对应金融用户匹配的第一推荐业务以及与对应金融用户对立的第二推荐业务。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211033519.0A CN115115449B (zh) | 2022-08-26 | 2022-08-26 | 一种面向金融供应链的优化数据推荐的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211033519.0A CN115115449B (zh) | 2022-08-26 | 2022-08-26 | 一种面向金融供应链的优化数据推荐的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115449A true CN115115449A (zh) | 2022-09-27 |
| CN115115449B CN115115449B (zh) | 2022-12-02 |
Family
ID=83336161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211033519.0A Active CN115115449B (zh) | 2022-08-26 | 2022-08-26 | 一种面向金融供应链的优化数据推荐的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115449B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100306126A1 (en) * | 2009-05-29 | 2010-12-02 | Ameriprise Financial, Inc. | Management of goals and recommendations |
| CN104160682A (zh) * | 2012-03-10 | 2014-11-19 | 海德沃特合作Ii有限公司 | 内容代理协助内容分发 |
| KR102035141B1 (ko) * | 2019-04-22 | 2019-10-22 | 주식회사 바넷정보기술 | 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법 |
| CN112069406A (zh) * | 2020-09-01 | 2020-12-11 | 张富平 | 基于区块链离线支付的信息推送方法及云服务推送平台 |
| CN113051345A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算和大数据的信息推送方法、系统及金融服务器 |
| CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
| CN113434771A (zh) * | 2021-07-09 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 |
| CN113609193A (zh) * | 2021-08-11 | 2021-11-05 | 中国工商银行股份有限公司 | 训练用于预测客户交易行为的预测模型的方法及装置 |
| CN114070812A (zh) * | 2016-10-21 | 2022-02-18 | 好事达保险公司 | 用于数字安全和账户发现的系统和方法 |
-
2022
- 2022-08-26 CN CN202211033519.0A patent/CN115115449B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100306126A1 (en) * | 2009-05-29 | 2010-12-02 | Ameriprise Financial, Inc. | Management of goals and recommendations |
| CN104160682A (zh) * | 2012-03-10 | 2014-11-19 | 海德沃特合作Ii有限公司 | 内容代理协助内容分发 |
| CN114070812A (zh) * | 2016-10-21 | 2022-02-18 | 好事达保险公司 | 用于数字安全和账户发现的系统和方法 |
| KR102035141B1 (ko) * | 2019-04-22 | 2019-10-22 | 주식회사 바넷정보기술 | 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법 |
| CN112069406A (zh) * | 2020-09-01 | 2020-12-11 | 张富平 | 基于区块链离线支付的信息推送方法及云服务推送平台 |
| CN113051345A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算和大数据的信息推送方法、系统及金融服务器 |
| CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
| CN113434771A (zh) * | 2021-07-09 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 |
| CN113609193A (zh) * | 2021-08-11 | 2021-11-05 | 中国工商银行股份有限公司 | 训练用于预测客户交易行为的预测模型的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 韩民,高戌煦: "产融结合型银行供应链金融业务有效性研究—基于昆仑银行的实证分析", 《财经理论与实践》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115449B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021179834A1 (zh) | 基于异构图进行业务处理的方法及装置 | |
| CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
| US11227217B1 (en) | Entity transaction attribute determination method and apparatus | |
| US8972336B2 (en) | System and method for mapping source columns to target columns | |
| CN111797320B (zh) | 数据处理方法、装置、设备及存储介质 | |
| US7099855B1 (en) | System and method for electronic communication management | |
| US9864951B1 (en) | Randomized latent feature learning | |
| US20140101124A1 (en) | System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data | |
| CN110991474A (zh) | 一种机器学习建模平台 | |
| US20230031522A1 (en) | Recommendation method and apparatus based on automatic feature grouping | |
| CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
| US20220261591A1 (en) | Data processing method and apparatus | |
| CN113626241B (zh) | 应用程序的异常处理方法、装置、设备及存储介质 | |
| CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
| CN108027814A (zh) | 停用词识别方法与装置 | |
| KR20200088134A (ko) | 상품 추천 방식 개선 방법 및 장치 | |
| CN106027317A (zh) | 信任感知的Web服务质量预测系统及方法 | |
| Liu et al. | A Heterogeneous QoS‐Based Cloud Service Selection Approach Using Entropy Weight and GRA‐ELECTRE III | |
| CN111444424A (zh) | 一种信息推荐方法和信息推荐系统 | |
| CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
| JP2022534721A (ja) | データトラフィックを処理及び分配する予測モデリング及び分析 | |
| CN116561134A (zh) | 业务规则处理方法、装置、设备及存储介质 | |
| US12052174B1 (en) | Reducing network traffic by filtering network requests based on network request-related information systems and methods | |
| CN114221991A (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务系统 | |
| CN115115449B (zh) | 一种面向金融供应链的优化数据推荐的方法及系统 |
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 |