CN115205052A - 理财产品的推荐方法及装置、电子设备、存储介质 - Google Patents

理财产品的推荐方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN115205052A
CN115205052A CN202210873051.XA CN202210873051A CN115205052A CN 115205052 A CN115205052 A CN 115205052A CN 202210873051 A CN202210873051 A CN 202210873051A CN 115205052 A CN115205052 A CN 115205052A
Authority
CN
China
Prior art keywords
target
user
product
current user
data
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
CN202210873051.XA
Other languages
English (en)
Inventor
孙有为
张明威
张盼
陈天乐
束程晨
戴震
陈翔宇
吕明明
闫传为
张晓慧
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.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210873051.XA priority Critical patent/CN115205052A/zh
Publication of CN115205052A publication Critical patent/CN115205052A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种理财产品的推荐方法及装置、电子设备、存储介质，可应用于人工智能领域或金融领域，所述方法包括：获取多个目标理财产品的标签数据以及获取当前用户的画像数据；分别对各个目标理财产品的标签数据以及当前用户的画像数据进行特征处理，得到各个目标理财产品对应的第一特征向量以及当前用户对应的第二特征向量；分别将各个目标理财产品对应的第一特征向量与当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值；基于各个目标理财产品的推荐值，向用户推荐目标理财产品。从而不再根据用户的基础信息来推荐理财产品，而是根据理财产品的标签数据以及用户的画像数据，以准确地推荐理财产品。

Description

理财产品的推荐方法及装置、电子设备、存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种理财产品的推荐方法及装置、电子设备、存储介质。
背景技术
随着金融行业的迅速发展，涌现出各种不同性质的理财方式以及不同类型的理财产品，为了使得更多的用户投资理财产品，所以会向用户推荐相应的理财产品，而如何准确地向用户推荐理财产品，并且使得用户投资该理财产品尤为的重要。
在现有的推荐方式中，通过各个获取用户的基础信息，例如用户的生日，工作等基础信息，将各个用户的基础信息转化为向量，得到各个用户对应的基础信息对应的向量，通过计算各个用户的基础信息对应的向量之间的相似度对用户进行聚类，将相似度较高的用户聚为同一类簇，最后将针对每个类簇中的用户的特征，查找与该类簇相匹配的理财产品并推荐给该类簇中的用户。
但是，由于获取的只是用户的基础信息，还不足以对用户的投资喜好进行准确的预测，因此用户得到的推荐产品并不是用户本身所喜好投资的理财产品，从而导致无法准确地向用户推荐理财产品。
发明内容
基于上述现有技术的不足，本申请提供了一种理财产品的推荐方法及装置、电子设备、存储介质，以解决现有技术推荐理财产品不准确的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请第一方面提供了一种理财产品的推荐方法，包括：
获取多个目标理财产品的标签数据以及获取当前用户的画像数据；
分别对各个所述目标理财产品的标签数据以及所述当前用户的画像数据进行特征处理，得到各个所述目标理财产品对应的第一特征向量以及所述当前用户对应的第二特征向量；
分别将各个所述目标理财产品对应的第一特征向量与所述当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值；其中，所述推荐模型预先利用多个用户的历史画像数据以及各个所述理财产品的标签数据训练得到；
基于各个所述目标理财产品的推荐值，向所述用户推荐所述目标理财产品。
可选地，在上述的理财产品的推荐方法中，所述推荐模型的训练方法，包括：
获取多个所述理财产品的标签数据以及多个样本用户的历史画像数据；
分别对各个所述理财产品的标签数据以及各个所述样本用户的历史画像数据进行特征处理，得到各个所述理财产品对应的第一特征向量以及各个所述样本用户对应的第二特征向量；
分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值；
判断各个所述目标理财产品的推荐值是否均满足预设的预期值；
若判断出各个所述目标理财产品的推荐值均满足预设的预期值，则将所述推荐模型确定为训练好的推荐模型；
若判断出各个所述目标理财产品的推荐值均不满足预设的预期值，则调整所述推荐模型的参数，返回执行分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值。
可选地，在上述的理财产品的推荐方法中，所述获取多个目标理财产品的标签数据，包括：
获取多个目标理财产品的数据；
分别对各个所述目标理财产品的数据进行内容审查；
基于通过内容审查的各个所述目标理财产品的数据，构建各个所述目标理财产品的标签数据。
可选地，在上述的理财产品的推荐方法中，所述获取当前用户的画像数据，包括：
判断所述当前用户是否为新用户；
若判断出所述当前用户为老用户，则获取预先存储的所述当前用户的基础信息；其中，所述当前用户的基础信息至少包括所述当前用户的兴趣特征、身份特征以及行为特征；
根据预先存储的所述当前用户的基础信息构建所述当前用户的画像数据；
若判断出所述当前用户为新用户，则获取所述当前用户上传的目标基础信息；
根据所述当前用户上传的目标基础信息构建所述当前用户的画像数据。
可选地，在上述的理财产品的推荐方法中，还包括：
获取所述当前用户的候选集；其中，所述当前用户的候选集指代基于所述当前用户的画像数据，从所有理财产品的数据中确定出所述当前用户倾向投资的各个所述理财产品；
将所述当前用户的候选集输入预先训练好的所述推荐模型中，得到所述候选集中的各个候选理财产品的推荐值；
利用各个所述候选理财产品以及各个所述目标理财产品，生成推荐列表；
基于所述推荐列表中的各个所述理财产品，向所述用户推荐所述理财产品。
本申请第二方面提供了一种理财产品的推荐装置，包括：
第一获取单元，用于获取多个目标理财产品的标签数据以及获取当前用户的画像数据；
第一处理单元，用于分别对各个所述目标理财产品的标签数据以及所述当前用户的画像数据进行特征处理，得到各个所述目标理财产品对应的第一特征向量以及所述当前用户对应的第二特征向量；
第一输入单元，用于分别将各个所述目标理财产品对应的第一特征向量与所述当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值；其中，所述推荐模型预先利用多个用户的历史画像数据以及各个所述理财产品的标签数据训练得到；
第一推荐单元，用于基于各个所述目标理财产品的推荐值，向所述用户推荐所述目标理财产品。
可选地，在上述的理财产品的推荐装置中，还包括：
第二获取单元，用于获取多个所述理财产品的标签数据以及多个样本用户的历史画像数据；
第二处理单元，用于分别对各个所述理财产品的标签数据以及各个所述样本用户的历史画像数据进行特征处理，得到各个所述理财产品对应的第一特征向量以及各个所述样本用户对应的第二特征向量；
第二输入单元，用于分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值；
第一判断单元，用于判断各个所述目标理财产品的推荐值是否均满足预设的预期值；
确定单元，用于若判断出各个所述目标理财产品的推荐值均满足预设的预期值，则将所述推荐模型确定为训练好的推荐模型；
调整单元，用于若判断出各个所述目标理财产品的推荐值均不满足预设的预期值，则调整所述推荐模型的参数，返回所述第二输入单元执行分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值。
可选地，在上述的理财产品的推荐装置中，所述第二获取单元，包括：
第三获取单元，用于获取多个目标理财产品的数据；
内容审查单元，用于分别对各个所述目标理财产品的数据进行内容审查；
第一构建单元，用于基于通过内容审查的各个所述目标理财产品的数据，构建各个所述目标理财产品的标签数据。
可选地，在上述的理财产品的推荐装置中，所述第二获取单元，包括：
第二判断单元，用于判断所述当前用户是否为新用户；
第四获取单元，用于若判断出所述当前用户为老用户，则获取预先存储的所述当前用户的基础信息；其中，所述当前用户的基础信息至少包括所述当前用户的兴趣特征、身份特征以及行为特征；
第二构建单元，用于根据预先存储的所述当前用户的基础信息构建所述当前用户的画像数据；
第五获取单元，用于若判断出所述当前用户为新用户，则获取所述当前用户上传的目标基础信息；
第三构建单元，用于根据所述当前用户上传的目标基础信息构建所述当前用户的画像数据。
可选地，在上述的理财产品的推荐装置中，还包括：
第六获取单元，用于获取所述当前用户的候选集；其中，所述当前用户的候选集指代基于所述当前用户的画像数据，从所有理财产品的数据中确定出所述当前用户倾向投资的各个所述理财产品；
第三输入单元，用于将所述当前用户的候选集输入预先训练好的所述推荐模型中，得到所述候选集中的各个候选理财产品的推荐值；
生成单元，用于利用各个所述候选理财产品以及各个所述目标理财产品，生成推荐列表；
第二推荐单元，用于基于所述推荐列表中的各个所述理财产品，向所述用户推荐所述理财产品。
本申请第三方面提供了一种电子设备，包括：
存储器和处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的理财产品的推荐方法。
本申请第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的理财产品的推荐方法。
本申请提供的一种理财产品的推荐方法，通过获取理财产品的标签数据以及用户的画像数据，以实现向用户推荐准确的理财产品。通过获取多个目标理财产品的标签数据以及获取当前用户的画像数据，其次分别对各个目标理财产品的标签数据以及当前用户的画像数据进行特征处理，得到各个目标理财产品对应的第一特征向量以及当前用户对应的第二特征向量，然后分别将各个目标理财产品对应的第一特征向量与当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值。由于推荐模型预先利用多个用户的历史画像数据以及各个理财产品的标签数据训练得到，因此基于各个目标理财产品的推荐值，向用户推荐目标理财产品。从而不再单单根据用户的基础信息来向用户推荐理财产品，而是根据理财产品的标签数据以及用户的画像数据，准确地向用户推荐各个理财产品。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种理财产品的推荐方法的流程图；
图2为本申请实施例提供的一种各个目标理财产品的标签数据的构建方法的流程图；
图3为本申请实施例提供的一种当前用户的画像数据的构建方法的流程图；
图4为本申请实施例提供的一种推荐模型的训练方法的流程图；
图5为本申请实施例提供的一种推荐结果的候选方法的流程图；
图6为本申请另一实施例提供的一种理财产品的推荐装置的结构示意图；
图7为本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种理财产品的推荐方法，如图1所示，具体包括以下步骤：
S101、获取多个目标理财产品的标签数据以及获取当前用户的画像数据。
需要说明的是，理财产品的标签数据指的是对理财产品的的描述与刻画，便于了解该理财产品的属性，有利于根据用户的需求推荐理财产品，比如，某个理财产品的风险等级标签以及类型标签等等。
具体的，用户画像指的是根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。所以，在本申请实施中当前用户的画像数据可以包括当前用户的兴趣特征，身份特征以及行为特征，其中兴趣特征可以包括理财产品的来源、类别主题以及关键词，有利于判断用户的投资兴趣，可以推算出用户的投资理念倾向。身份特征可以包括用户的性别、年龄和常住地，有利于可以从用户定位的角度对用户进行合理化的划分。行为特征可以指的是用户过去的投资行为，其中可以包括用户经常选择的投资产品以及平时的投资习惯，该特征有利于从实际情况对用户的投资理念进行定位，从而减少了错误预测所带来的误差。
可选地，步骤S101中的获取多个目标理财产品的标签数据，可以是预先构建了现有的所有理财产品的标签数据，然后当目标理财产品为这些理财产品中全部理财产品或者部分理财产品时，则可以直接以构建的标签数据中获取各个目标理财产品的标签数据。如果当前系统中还未构建各个目标理财产品的标签数据，则需要当前进行构建，所以步骤S101中的获取多个目标理财产品的标签数据的另一种具体实施方式，即各个目标理财产品的标签数据的构建方法，如图2所示，包括以下步骤：
S201、获取多个目标理财产品的数据。
需要说明的是，理财产品数据可以包括银行的多款理财产品名称及其对应的产品编号、风险等级、购买门槛、持续时间、投资品种等参数。
S202、分别对各个目标理财产品的数据进行内容审查。
可选地，可以针对各个目标理财产品的风险等级进行内容审查，每当审查出风险等级为高风险的目标理财产品时，可以将该目标理财产品进行删除，因为高风险的理财产品可能会给用户带来利益上的损失，为了避免这种的情况的发生，所以预先将高风险的理财产品进行删除。当风险等级为低风险、中低风险、中等风险以及中高风险的各个目标理财产品时，可通过内容审查，然后执行后续的步骤。当然，也可以基于理财产品的其他内容进行审查，具体的根据需求设置。
S203、基于通过内容审查的各个目标理财产品的数据，构建各个目标理财产品的标签数据。
可选地，步骤S101中的获取当前用户的画像数据，可以是预先对当前用户的基础信息进行构建，然后系统可以直接获取当前用户的画像数据。如果当前系统中还未构建当前用户的画像数据，则需要当前进行构建，所以步骤S101中的获取当前用户的画像数据的另一种具体实施方式，即当前用户的画像数据的构建方法，如图3所示，包括以下步骤：
S301、判断当前用户是否为新用户。
需要说明的是，由于之前可能存在过为当前用户推荐过理财产品，所以在系统中会存储有该当前用户的信息，进而用户也不需要再一次的上传相关的信息，才能为用户推荐理财产品。所以在本申请实施例，需要进一步对当前用户的身份进行判断，即判断当前是否为新用户，若判断出当前用户为老用户，则执行步骤S302。若判断出当前用户为新用户，则执行步骤S304。
S302、获取预先存储的当前用户的基础信息。
其中，当前用户的基础信息至不仅仅包括当前用户的兴趣特征、身份特征以及行为特征，还可以包括当前用户的工作岗位特征以及消费理念特征等等。
S303、根据预先存储的当前用户的基础信息构建当前用户的画像数据。
需要说明的是，构建用户的画像数据是为了更好地获知用户的需求，从而可以有效地提高向用户推荐理财产品的准确性，也为了能站在用户的角度去向用户推荐产品，使得用户信赖的手段。
S304、获取当前用户上传的目标基础信息。
需要说明的是，由于当前用户为新用户，系统中没有存储有该用户的相关信息，无法获知用户的投资喜好，从而影响无法准确地向用户推荐理财产品，所以在本申请实施中，需要用户上传该用户的基础信息，其中，用户上传的基础信息需要能反映出用户的投资喜好以及投资习惯等相关信息。
可选地，用户可以通过系统提供的接口上传目标基础信息，也可以是向工作人员递交相关的基础信息，再由工作人员上传该信息至系统中。
S305、根据当前用户上传的目标基础信息构建当前用户的画像数据。
S102、分别对各个目标理财产品的标签数据以及当前用户的画像数据进行特征处理，得到各个目标理财产品对应的第一特征向量以及当前用户对应的第二特征向量。
具体的，分别将各个目标理财产品的标签数据和当前用户的画像数据处理为向量形式，即将各项数据用相应的数值进行表示，有利于模型的训练。
S103、分别将各个目标理财产品对应的第一特征向量与当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值。
其中，推荐模型预先利用多个用户的历史画像数据以及各个理财产品的标签数据训练得到。
可选地，推荐模型可以利用多个理财产品的标签数据进行训练，当然也可以是利用所有的理财产品的标签数据进行训练，具体可以根据需求设置。
可选地，本申请实施例提供了一种推荐模型的训练方法，如图4所示，包括以下步骤：
S401、获取多个理财产品的标签数据以及多个样本用户的历史画像数据。
具体的，历史画像数据指的是在历史的某个时间点根据样本用户的兴趣特征、身份特征以及行为特征等特征，构建样本用户的画像数据。
需要说明的是，步骤S401的具体实施方式可相应地参考步骤S101，此处不再赘述。
S402、分别对各个理财产品的标签数据以及各个样本用户的历史画像数据进行特征处理，得到各个理财产品对应的第一特征向量以及各个样本用户对应的第二特征向量。
需要说明的是，步骤S402的具体实施方式可相应地参考步骤S102，此处不再赘述。
S403、分别针对每个样本用户，分别将各个理财产品对应的第一特征向量与样本用户对应的第二特征向量共同输入预先训练好的推荐模型中，通过推荐模型得到各个目标理财产品的推荐值。
可选地，推荐模型可以基于协同过滤、罗杰斯特回归、深度神经网络等机器学习算法进行构建，所以在本申请实施例中，基于机器学习算法对推荐模型进行训练，得到训练结果。
S404、判断各个目标理财产品的推荐值是否均满足预设的预期值。
可选地，步骤S403中的通过推荐模型得到各个目标理财产品的推荐值可能不满足后续将理财产品推荐给用户的要求，所以还需要对各个目标理财产品的推荐值进一步的判断，所以再得到各个目标理财产品的推荐值之后，还会判断各个目标理财产品的推荐值是否均满足预设的预期值，若判断出各个目标理财产品的推荐值均满足预设的预期值，说明各个目标理财产品的推荐值均满足向用户推荐理财产品的要求，则执行步骤S405。若判断出各个目标理财产品的推荐值均不满足预设的预期值，说明需要对推荐模型进行迭代训练，则执行步骤S406。
S405、将推荐模型确定为训练好的推荐模型。
S406、调整推荐模型的参数。
需要说明的是，当各个目标理财产品的推荐值均不满足预设的预期值时，需要返回执行步骤S403，直至各个目标理财产品的推荐值均满足预设预期值。
S104、基于各个目标理财产品的推荐值，向用户推荐目标理财产品。
可选地，可以将各个理财产品按照推荐值高到低的顺序进行排序，依次向用户推荐理财产品。也可以按照推荐值的高低情况，仅将排名靠前N位的理财产品，依次向用户推荐。当然，也可以是基于推荐值采用其他的推荐策略，具体的可以根据需求设定。
可选地，基于推荐模型得到各个目标理财产品的推荐值，向用户推荐目标理财产品，可能会存在用户不太满意的情况，从而导致推荐结果还是不够地准确，所以在本申请另一实施例中，为了使得用户满意系统的推荐结果，还需要进一步的筛选出用户所倾向使用的理财产品进行预测。可选地，如图5所示，本申请另一实施例提供一种推荐结果的候选方法，包括以下步骤：
S501、获取当前用户的候选集。
其中，当前用户的候选集指代基于当前用户的画像数据，从所有理财产品的数据中确定出当前用户倾向投资的各个理财产品。
需要说明的是，为了确保用户能满足系统所推荐的理财产品，所以通过推荐模型对各个目标理财产品的标签数据以及用户的画像数据进行处理，得到各个目标理财产品的推荐值之后，还需要进一步的获取当前用户的候选集进行处理，以便以后续将两个推荐结果中的各个理财产品，一起推荐给用户。
S502、将当前用户的候选集输入预先训练好的推荐模型中，得到候选集中的各个候选理财产品的推荐值。
具体的，由于已经预先筛选出用户比较感兴趣投资的各个理财产品，所以通过推荐模型对当前用户的候选集进行预测，可以大幅度减少系统的计算量，从而提高系统对理财产品的预测速度。
S503、利用各个候选理财产品以及各个目标理财产品，生成推荐列表。
S504、基于推荐列表中的各个理财产品，向用户推荐理财产品。
可选地，可以先向按照各个候选理财产品的推荐值高到低的顺序，依次向用户推荐候选理财产品，再按照各个目标理财产品的推荐值高到低的顺序，向用户推荐目标理财产品。也可以是按照推荐值的高低情况，仅将排名靠前N位的候选理财产品以及目标理财产品，依次向用户推荐。当然，也可以是基于推荐值采用其他的推荐策略，具体的可以根据需求设定。
本申请提供的一种理财产品的推荐方法，通过获取理财产品的标签数据以及用户的画像数据，以实现向用户推荐准确的理财产品。通过获取多个目标理财产品的标签数据以及获取当前用户的画像数据，其次分别对各个目标理财产品的标签数据以及当前用户的画像数据进行特征处理，得到各个目标理财产品对应的第一特征向量以及当前用户对应的第二特征向量，然后分别将各个目标理财产品对应的第一特征向量与当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值。由于推荐模型预先利用多个用户的历史画像数据以及各个理财产品的标签数据训练得到，因此基于各个目标理财产品的推荐值，向用户推荐目标理财产品。从而不再单单根据用户的基础信息来向用户推荐理财产品，而是根据理财产品的标签数据以及用户的画像数据，准确地向用户推荐各个理财产品。
本申请另一实施例提供了一种理财产品的推荐装置，如图6所示，包括：
第一获取单元601，用于获取多个目标理财产品的标签数据以及获取当前用户的画像数据。
第一处理单元602，用于分别对各个目标理财产品的标签数据以及当前用户的画像数据进行特征处理，得到各个目标理财产品对应的第一特征向量以及当前用户对应的第二特征向量。
第一输入单元603，用于分别将各个目标理财产品对应的第一特征向量与当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值。
其中，推荐模型预先利用多个用户的历史画像数据以及各个理财产品的标签数据训练得到。
第一推荐单元604，用于基于各个目标理财产品的推荐值，向用户推荐目标理财产品。
需要说明的是，本申请实施例中的上述单元的具体工作过程可相应地参考上述方法实施例中的步骤S101～步骤S104，此处不再赘述。
可选地，本申请另一实施例中，还包括以下单元：
第二获取单元，用于获取多个理财产品的标签数据以及多个样本用户的历史画像数据。
第二处理单元，用于分别对各个理财产品的标签数据以及各个样本用户的历史画像数据进行特征处理，得到各个理财产品对应的第一特征向量以及各个样本用户对应的第二特征向量。
第二输入单元，用于分别针对每个样本用户，分别将各个理财产品对应的第一特征向量与样本用户对应的第二特征向量共同输入预先训练好的推荐模型中，通过推荐模型得到各个目标理财产品的推荐值。
第一判断单元，用于判断各个目标理财产品的推荐值是否均满足预设的预期值。
确定单元，用于若判断出各个目标理财产品的推荐值均满足预设的预期值，则将推荐模型确定为训练好的推荐模型。
调整单元，用于若判断出各个目标理财产品的推荐值均不满足预设的预期值，则调整推荐模型的参数，返回第二输入单元执行分别针对每个样本用户，分别将各个理财产品对应的第一特征向量与样本用户对应的第二特征向量共同输入预先训练好的推荐模型中，通过推荐模型得到各个目标理财产品的推荐值。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
可选地，本申请另一实施例中，第二获取单元，包括：
第三获取单元，用于获取多个目标理财产品的数据。
内容审查单元，用于分别对各个目标理财产品的数据进行内容审查。
第一构建单元，用于基于通过内容审查的各个目标理财产品的数据，构建各个目标理财产品的标签数据。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
可选地，本申请另一实施例中，第二获取单元，包括：
第二判断单元，用于判断当前用户是否为新用户。
第四获取单元，用于若判断出当前用户为老用户，则获取预先存储的当前用户的基础信息。
其中，当前用户的基础信息至少包括当前用户的兴趣特征、身份特征以及行为特征。
第二构建单元，用于根据预先存储的当前用户的基础信息构建当前用户的画像数据。
第五获取单元，用于若判断出当前用户为新用户，则获取当前用户上传的目标基础信息。
第三构建单元，用于根据当前用户上传的目标基础信息构建当前用户的画像数据。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
可选地，本申请另一实施例中，还包括：
第六获取单元，用于获取当前用户的候选集。
其中，当前用户的候选集指代基于当前用户的画像数据，从所有理财产品的数据中确定出当前用户倾向投资的各个理财产品。
第三输入单元，用于将当前用户的候选集输入预先训练好的推荐模型中，得到候选集中的各个候选理财产品的推荐值。
生成单元，用于利用各个候选理财产品以及各个目标理财产品，生成推荐列表。
第二推荐单元，用于基于推荐列表中的各个理财产品，向用户推荐理财产品。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
本申请另一实施例提供了一种电子设备，如图7所示，包括：
存储器701和处理器702。
其中，存储器701用于存储程序。
处理器702用于执行程序，程序被执行时，具体用于实现如上述任意一个实施例提供的理财产品的推荐方法。
本申请另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的理财产品的推荐方法。
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
需要说明的是，本发明提供的一种理财产品的推荐方法及装置、电子设备、存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的一种理财产品的推荐方法及装置、电子设备、存储介质的应用领域进行限定。
专业人员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申请的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种理财产品的推荐方法，其特征在于，包括：
获取多个目标理财产品的标签数据以及获取当前用户的画像数据；
分别对各个所述目标理财产品的标签数据以及所述当前用户的画像数据进行特征处理，得到各个所述目标理财产品对应的第一特征向量以及所述当前用户对应的第二特征向量；
分别将各个所述目标理财产品对应的第一特征向量与所述当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值；其中，所述推荐模型预先利用多个用户的历史画像数据以及各个所述理财产品的标签数据训练得到；
基于各个所述目标理财产品的推荐值，向所述用户推荐所述目标理财产品。
2.根据权利要求1所述的方法，其特征在于，所述推荐模型的训练方法，包括：
获取多个所述理财产品的标签数据以及多个样本用户的历史画像数据；
分别对各个所述理财产品的标签数据以及各个所述样本用户的历史画像数据进行特征处理，得到各个所述理财产品对应的第一特征向量以及各个所述样本用户对应的第二特征向量；
分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值；
判断各个所述目标理财产品的推荐值是否均满足预设的预期值；
若判断出各个所述目标理财产品的推荐值均满足预设的预期值，则将所述推荐模型确定为训练好的推荐模型；
若判断出各个所述目标理财产品的推荐值均不满足预设的预期值，则调整所述推荐模型的参数，返回执行分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值。
3.根据权利要求1所述的方法，其特征在于，所述获取多个目标理财产品的标签数据，包括：
获取多个目标理财产品的数据；
分别对各个所述目标理财产品的数据进行内容审查；
基于通过内容审查的各个所述目标理财产品的数据，构建各个所述目标理财产品的标签数据。
4.根据权利要求1所述的方法，其特征在于，所述获取当前用户的画像数据，包括：
判断所述当前用户是否为新用户；
若判断出所述当前用户为老用户，则获取预先存储的所述当前用户的基础信息；其中，所述当前用户的基础信息至少包括所述当前用户的兴趣特征、身份特征以及行为特征；
根据预先存储的所述当前用户的基础信息构建所述当前用户的画像数据；
若判断出所述当前用户为新用户，则获取所述当前用户上传的目标基础信息；
根据所述当前用户上传的目标基础信息构建所述当前用户的画像数据。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取所述当前用户的候选集；其中，所述当前用户的候选集指代基于所述当前用户的画像数据，从所有理财产品的数据中确定出的所述当前用户倾向投资的各个所述理财产品；
将所述当前用户的候选集输入预先训练好的所述推荐模型中，得到所述候选集中的各个候选理财产品的推荐值；
利用各个所述候选理财产品以及各个所述目标理财产品，生成推荐列表；
基于所述推荐列表中的各个所述理财产品，向所述用户推荐所述理财产品。
6.一种理财产品的推荐装置，其特征在于，包括：
第一获取单元，用于获取多个目标理财产品的标签数据以及获取当前用户的画像数据；
第一处理单元，用于分别对各个所述目标理财产品的标签数据以及所述当前用户的画像数据进行特征处理，得到各个所述目标理财产品对应的第一特征向量以及所述当前用户对应的第二特征向量；
第一输入单元，用于分别将各个所述目标理财产品对应的第一特征向量与所述当前用户对应的第二特征向量共同输入预先训练好的推荐模型中，得到各个目标理财产品的推荐值；其中，所述推荐模型预先利用多个用户的历史画像数据以及各个所述理财产品的标签数据训练得到；
第一推荐单元，用于基于各个所述目标理财产品的推荐值，向所述用户推荐所述目标理财产品。
7.根据权利要求6所述的装置，其特征在于，还包括：
第二获取单元，用于获取多个所述理财产品的标签数据以及多个样本用户的历史画像数据；
第二处理单元，用于分别对各个所述理财产品的标签数据以及各个所述样本用户的历史画像数据进行特征处理，得到各个所述理财产品对应的第一特征向量以及各个所述样本用户对应的第二特征向量；
第二输入单元，用于分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值；
第一判断单元，用于判断各个所述目标理财产品的推荐值是否均满足预设的预期值；
确定单元，用于若判断出各个所述目标理财产品的推荐值均满足预设的预期值，则将所述推荐模型确定为训练好的推荐模型；
调整单元，用于若判断出各个所述目标理财产品的推荐值均不满足预设的预期值，则调整所述推荐模型的参数，返回执行分别针对每个所述样本用户，分别将各个所述理财产品对应的第一特征向量与所述样本用户对应的第二特征向量共同输入预先训练好的所述推荐模型中，通过所述推荐模型得到各个所述目标理财产品的推荐值。
8.根据权利要求6所述的装置，其特征在于，所述第二获取单元，包括：
第三获取单元，用于获取多个目标理财产品的数据；
内容审查单元，用于分别对各个所述目标理财产品的数据进行内容审查；
第一构建单元，用于基于通过内容审查的各个所述目标理财产品的数据，构建各个所述目标理财产品的标签数据。
9.一种电子设备，其特征在于，包括：
存储器和处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如权利要求1至5任意一项所述的理财产品的推荐方法。
10.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序被执行时，用于实现如权利要求1至5任意一项所述的理财产品的推荐方法。
CN202210873051.XA 2022-07-22 2022-07-22 理财产品的推荐方法及装置、电子设备、存储介质 Pending CN115205052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210873051.XA CN115205052A (zh) 2022-07-22 2022-07-22 理财产品的推荐方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210873051.XA CN115205052A (zh) 2022-07-22 2022-07-22 理财产品的推荐方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN115205052A true CN115205052A (zh) 2022-10-18

Family

ID=83583904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210873051.XA Pending CN115205052A (zh) 2022-07-22 2022-07-22 理财产品的推荐方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115205052A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076660A (zh) * 2023-10-16 2023-11-17 浙江同花顺智能科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN117725306A (zh) * 2023-10-09 2024-03-19 书行科技(北京)有限公司 推荐内容的处理方法、装置、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725306A (zh) * 2023-10-09 2024-03-19 书行科技(北京)有限公司 推荐内容的处理方法、装置、设备及介质
CN117076660A (zh) * 2023-10-16 2023-11-17 浙江同花顺智能科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN117076660B (zh) * 2023-10-16 2024-01-26 浙江同花顺智能科技有限公司 一种信息推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11195050B2 (en) Machine learning to generate and evaluate visualizations
CN108829808B (zh) 一种页面个性化排序方法、装置及电子设备
CN115205052A (zh) 理财产品的推荐方法及装置、电子设备、存储介质
US20210103858A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
CN107169052A (zh) 推荐方法及装置
CN112966189B (zh) 一种基金产品推荐系统
CN114358569A (zh) 基于多级模型融合的企业核心竞争力评估方法及存储介质
WO2023172541A1 (en) System and methods for monitoring related metrics
CA2935281A1 (en) A multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN114610865A (zh) 召回文本推荐方法、装置、设备及存储介质
CN112100400A (zh) 基于知识图谱的节点推荐方法及装置
CN114971891A (zh) 风险预测方法和装置、处理器及电子设备
CN110858368A (zh) 一种数据评估服务价值确定系统和方法
CN117292191A (zh) 一种模型优化方法、电子设备及计算机可读存储介质
CN117574201A (zh) 基于多工业模型的模型训练方法、装置、设备和存储介质
CN114218487B (zh) 一种视频推荐方法、系统、装置及存储介质
US20220156334A1 (en) User profile matching using lists
CN112801406A (zh) 数据处理方法及装置、计算设备
CN114387089A (zh) 客户信用风险评估方法、装置、设备及存储介质
Yavuz et al. A dynamic clustering method to improve the coherency of an ANP Supermatrix
CN113204398B (zh) 应用程序子模块的确定方法、装置、电子设备及存储介质
CN116523546B (zh) 智能读者行为分析预测系统数据采集分析的方法和装置
CN114997554B (zh) 复杂机械设备健康状况的评估方法、装置和存储介质
Schlegel et al. Assessing Completeness of Production Data in Context of Predictive Quality Applications

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