CN115269997A - 一种金融产品推荐方法及装置 - Google Patents

一种金融产品推荐方法及装置 Download PDF

Info

Publication number
CN115269997A
CN115269997A CN202210995119.1A CN202210995119A CN115269997A CN 115269997 A CN115269997 A CN 115269997A CN 202210995119 A CN202210995119 A CN 202210995119A CN 115269997 A CN115269997 A CN 115269997A
Authority
CN
China
Prior art keywords
financial product
user
historical
financial
matching degree
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
CN202210995119.1A
Other languages
English (en)
Inventor
师慧
周静
张琳一
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 CN202210995119.1A priority Critical patent/CN115269997A/zh
Publication of CN115269997A publication Critical patent/CN115269997A/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
    • G06F16/90—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种金融产品推荐方法及装置，涉及人工智能领域，也可用于金融领域，包括：根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。本申请能够根据金融产品信息及选择金融产品的用户对应的用户画像信息为用户推荐金融产品。

Description

一种金融产品推荐方法及装置
技术领域
本申请涉及人工智能领域，可以用于金融领域，具体是一种金融产品推荐方法及装置。
背景技术
金融产品(Financial Products)是指资金融通过程的各种载体，其包括货币、黄金、外汇及有价证券等。金融产品是金融市场的买卖对象，供求双方通过市场竞争原则形成金融产品价格，如利率或收益率，最终完成交易，达到融通资金的目的。
为了完成资金融通，现有的金融业务系统往往随机地向潜在客户推荐金融产品，无法做到根据客户需求进行有针对性的个性化推荐。对于金融产品而言，即使多名潜在客户具有相似的特征，也未必会选择相同的金融产品，而很可能会根据自己的偏好进行选择。这种偏好是潜在的，属于不易被察觉的隐藏因素，然而却会深刻地影响着潜在用户对金融产品的选择。现有技术未能很好地利用这些隐藏因素，以对潜在客户进行相对精准的金融产品推荐。
发明内容
针对现有技术中的问题，本申请提供一种金融产品推荐方法及装置，能够根据用户的用户画像信息为其准确地推荐金融产品。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种金融产品推荐方法，包括：
根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述金融产品信息包括各金融产品对应的产品信息；所述用户画像信息为待选择金融产品的用户所对应的用户画像信息；
将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
进一步地，构建所述金融产品匹配度确定模型的步骤，包括：
根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；
将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。
进一步地，所述根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵，包括：
根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量；
根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量；
对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵。
进一步地，所述将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度，包括：
利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
比较所述用户属性标签与所述每一金融产品对应的金融产品属性标签，得到所述用户与每一金融产品之间的匹配度。
进一步地，所述根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品，包括：
分别比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品。
第二方面，本申请提供一种金融产品推荐装置，包括：
联合表达矩阵构建单元，用于根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述金融产品信息包括各金融产品对应的产品信息；所述用户画像信息为待选择金融产品的用户所对应的用户画像信息；
匹配度计算单元，用于将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
金融产品推荐单元，用于根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
进一步地，所述的金融产品推荐装置，还包括：
历史联合表达矩阵构建单元，用于根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；
匹配度确定模型训练单元，用于将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。
进一步地，所述联合表达矩阵构建单元，包括：
金融产品主体向量生成模块，用于根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量；
用户主体向量生成模块，用于根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量；
联合表达矩阵生成模块，用于对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵。
进一步地，所述匹配度计算单元，包括：
标签解析模块，用于利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
匹配度计算模块，用于比较所述用户属性标签与所述每一金融产品对应的金融产品属性标签，得到所述用户与每一金融产品之间的匹配度。
进一步地，所述金融产品推荐单元，具体用于分别比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品。
第三方面，本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述金融产品推荐方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述金融产品推荐方法的步骤。
第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述金融产品推荐方法的步骤。
针对现有技术中的问题，本申请提供的金融产品推荐方法及装置，能够充分利用历史用户画像信息及历史金融产品信息，将更合适的金融产品推送给用户，做到金融产品的精准推送，进而增加用户的活跃度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本申请实施例中金融产品推荐方法的流程图；
图2为本申请实施例中训练金融产品匹配度确定模型的流程图；
图3为本申请实施例中构建联合表达矩阵的流程图；
图4为本申请实施例中得到匹配度的流程图；
图5为本申请实施例中金融产品推荐装置的结构图之一；
图6为本申请实施例中金融产品推荐装置的结构图之二；
图7为本申请实施例中联合表达矩阵构建单元的结构图；
图8为本申请实施例中匹配度计算单元的结构图；
图9为本申请实施例中的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。
需要说明的是，本申请提供的金融产品推荐方法及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本申请提供的金融产品推荐方法及装置的应用领域不做限定。
本申请技术方案中对数据的获取、存储、使用及处理等均符合国家法律法规的相关规定。
一实施例中，参见图1，为了能够能够根据金融产品信息及选择金融产品的用户对应的用户画像信息为用户推荐金融产品，本申请提供一种金融产品推荐方法，包括：
S101：根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述金融产品信息包括各金融产品对应的产品信息；所述用户画像信息为待选择金融产品的用户所对应的用户画像信息；
可以理解的是，现有的金融业务系统往往随机地向潜在客户推荐金融产品，无法做到根据客户需求进行有针对性的个性化推荐。对于金融产品而言，即使多名潜在客户具有相似的特征，也未必会选择相同的金融产品，而很可能会根据自己的偏好进行选择。这种偏好是潜在的，属于不易被察觉的隐藏因素，然而却会深刻地影响着潜在用户对金融产品的选择。
随着深度学习技术的兴起，技术人员认为端到端的机器学习框架可以极大提高对这些隐藏因素的向量表示的识别能力。因此，本申请提供一种金融产品推荐方法，基于端到端的机器学习框架，完成待被推荐的金融产品(以下也称金融产品)与待选择金融产品的用户之间的精准匹配，进而实现对金融产品的精准推荐。
具体地，参见图3，所述根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵，包括：根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量(S301)；根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量(S302)；对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵(S303)。
可以理解的是，对于某一特定的金融产品J，本申请实施例中的执行主体(可为一服务器)能够从数据库中获取到其对应的金融产品信息，并将该金融产品信息记为MJ＝{R1，R2，...Rn)。其中，R1至Rn代表与该金融产品存在交易关联的用户。金融产品信息还可能包括与标签相关的其他信息，例如，若标签信息包括优惠、送礼、拉新、促活、使用过的用户，则金融产品信息也应包括相应的内容。
相似地，对于用户，本申请实施例中的执行主体(可为一服务器)能够从数据库中获取到其对应的用户画像信息，并将该用户画像信息记为MR＝{J1，J2，...}。其中，J1至Jn代表与该用户存在交易关联的金融产品。用户画像信息还可能包括与标签相关的其他信息，例如，若标签信息包括职业、年龄、性别、参与过的金融产品，则用户画像信息也应包括相应的内容。
举例而言，一个用户自己本身具备一些特质，比如专业，职业，年龄等等，并且之前使用过一些金融产品，那么用户的标签信息就不止是本身的特质，还会融合之前使用过的金融产品的信息，比如这个用户偏向优惠类的产品，他的用户画像信息就包括了产品的标签信息，后续匹配的过程中可能与优惠类的金融产品的匹配度较高。
从上述描述可知，本申请提供的金融产品推荐方法，能够根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵。
S102：将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
需要说明的是，参见图2，构建所述金融产品匹配度确定模型的步骤，包括：根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵(S201)；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；以及将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型(S202)。
可以理解的是，在训练该模型时，本申请实施例中的执行主体(可为一服务器)需要预先从数据库中获取一定量的历史数据，作为训练样本。这些历史数据包括历史用户画像信息及历史金融产品信息。
对于某一特定的历史金融产品I，本申请实施例中的执行主体(可为一服务器)能够从数据库中获取到其对应的金融产品信息，并将该金融产品信息记为MI＝{R1，R2，...Rn}。其中，R1至Rn代表与该金融产品存在交易关联的用户。相似地，对于用户，本申请实施例中的执行主体(可为一服务器)能够从数据库中获取到其对应的用户画像信息，并将该用户画像信息记为MR＝{I1，I2，...In}。其中，Il至In代表与该用户存在交易关联的金融产品。
历史金融产品信息还可能包括与标签相关的其他信息，例如，若标签信息包括优惠、送礼、拉新、促活、使用过的用户，则历史金融产品信息也应包括相应的内容。历史用户画像信息还可能包括与标签相关的其他信息，例如，若标签信息包括职业、年龄、性别、参与过的金融产品，则历史用户画像信息也应包括相应的内容。
构建历史联合表达矩阵的具体方法与前述构建联合表达矩阵的方法相同，历史联合表达矩阵与前述联合表达矩阵的区别仅在于矩阵内的具体数据不同。因此，构建历史联合表达矩阵的具体方法不再赘述。
构建历史联合表达矩阵后，可以将历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。其中，多层感知器(Multilayer Perceptron，简称MLP)是一种前馈人工神经网络模型，其能够将输入的多个数据集映射到单一的输出数据集上。
具体实施时，首先，可以确定多组合格的历史用户与历史金融产品之间的对子；然后，利用Match(J，R)、MI＝{R1，R2，...Rn}及MR＝{I1，I2，...In}；用历史已经配对的用户和金融产品进行训练，保证模型更多可能的识别出用户后续参与度高的金融产品。
最终的目标是，根据MI＝{R1，R2，...Rn}及MR＝{I1，I2，...In}学习一个预测前述用户R和金融产品J之间匹配度的模型。对于每一对(J，R)，有对应的属性标签y∈{0，1}，用于表征该用户是否购买过该金融产品。理想地，该模型用尽可能多的带有正向属性标签的用户与金融产品对(即y＝1)实现预测(具体的预测方法参见下文步骤S401至步骤S404的阐述)。这意味着本申请提供的方法增加了向用户推荐恰当金融产品的可能性。所谓恰当是指个性化及有针对性的推荐。
综上所述，在模型的训练过程中，首先得到历史金融产品信息与历史用户画像信息的联合向量表示(也称历史联合表达矩阵)，其次将它们整合到深度神经网络中来训练，最后验证模型是否能够精准匹配给定的前述金融产品与前述待选择金融产品的用户。
从上述的模型训练过程可知，模型训练涉及两部分：文本表示及向量匹配。
1.文本表示
针对历史金融产品信息及历史用户画像信息，本申请实施例给出一个历史记忆模块，用于“记住”历史用户购买金融产品的偏好，形成金融产品信息(一种文本表示)。
同样，对于用户画像，本申请实施例也使用相应的方法来学习用户的偏好，并通过选购新的金融产品来更新自己的偏好。本申请实施例从用户的金融产品购买记录中评估哪些是其感兴趣的金融产品，并通过“记忆模块”将其整合到用户画像信息中，形成用户画像信息(一种文本表示)。
金融产品主体向量及用户主体向量都可以用于进行交互式学习及迭代更新。对于金融产品，该模型记录有参与过的用户画像，并迭代地更新金融产品主体向量。对于用户画像，模型“记忆”用户参与(购买)金融产品的历史，并更新相应的用户主体向量。
其中，“记忆模块”可以存在于前述的数据库中。
该“记忆模块”还能够保存所有与该历史金融产品存在交易关联的用户对应的用户画像信息，并从中学习类似金融产品所偏好的用户类型，然后将这些偏好信息写入金融产品的金融产品信息中，形成MI＝{R1，R2，...Rn}。同样，会保存所有与该用户存在交易关联的历史金融产品，并从中学习类似用户所偏好的金融产品类型，然后将这些偏好信息写入该用户的用户画像信息中，形成MR＝{I1，I2，...In}。再将上述两种文本表示进行融合，得到历史联合表达矩阵。其中，历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息。融合方法参见前述构建联合表达矩阵的方法。
通过这种方式，可以得到一个既包含金融产品信息文本表示又包含用户画像信息的活动词嵌入。后续，“记忆模块”会随着新用户的交易记录而有所更新，上述历史联合表达矩阵也会随着更新后的偏好同步变化。因此，历史联合表达矩阵的构建实际上是一个迭代更新的过程。
后续，对于新增的金融产品及用户，还可以对其隐藏信息进行最大池化处理后，对金融产品主体向量及用户主体向量进行融合，得到更新后的联合表达矩阵。然后，将更新后的联合表达矩阵输入金融产品匹配度确定模型，以进一步地混合信息，提高金融产品匹配度确定模型进行匹配的精准度。
2.向量匹配
首先得到金融产品和用户画像的向量表示，其次将它们整合到深度神经网络中来训练模型，最后验证模型是否能够精准匹配给定的金融产品和用户。
在匹配模型中，本发明构建了一个三层MLP网络。该网络能够从低级到高级表示中自动提取特征，直到系统对产品-用户匹配程度给出一个整体判断。单个神经元将输出匹配的分数。
在训练集中，可以给定一个正实例(j+，r+)及一个负实例(j-，r-)，用于表示用户与金融产品的对子是否匹配。目的是尽量使正实例的占比最大化，同时使负实例的占比最小化。
从上述描述可知，本申请提供的金融产品推荐方法，能够训练得到金融产品匹配度确定模型。
一实施例中，参见图4，将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与所述金融产品之间的匹配度，包括：
S401：利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
S402：比较所述用户属性标签与所述每一金融产品对应的金融产品属性标签，得到所述用户与每一金融产品之间的匹配度。
可以理解的是，一个用户自己本身具备一些特质，比如专业，职业，年龄等等，并且之前使用过一些金融产品，那么用户的标签信息就不止是本身的特质，还会融合之前使用过的金融产品的信息，比如这个用户偏向优惠类的产品，他的用户画像信息就包括了产品的标签信息，后续匹配的过程中可能与优惠类的金融产品的匹配度较高。对产品来说，产品的标签信息里也包含了使用过这个产品的用户画像信息，就是说哪种类型的用户更有可能使用这个产品，后续匹配可能会与这类用户的匹配度较高。
从上述描述可知，本申请提供的金融产品推荐方法，能够将联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与所述金融产品之间的匹配度。
S103：根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
可以理解的是，具体实施时，可以比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品；否则，拒绝向所述用户推荐所述金融产品，后续可以再利用本申请步骤S101至步骤S103所述的方法确定是否向用户推荐其他金融产品。
从上述描述可知，本申请提供的金融产品推荐方法，能够充分利用历史用户画像信息及历史金融产品信息，将更合适的金融产品推送给用户，做到金融产品的精准推送，进而增加用户的活跃度。
基于同一发明构思，本申请实施例还提供了一种金融产品推荐装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于金融产品推荐装置解决问题的原理与金融产品推荐方法相似，因此金融产品推荐装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中，参见图5，为了能够根据金融产品信息及选择金融产品的用户对应的用户画像信息为用户推荐金融产品，本申请提供一种金融产品推荐装置，包括：
联合表达矩阵构建单元501，用于根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述用户画像信息为待被推荐金融产品的用户所对应的用户画像信息；所述金融产品信息为待被推荐的金融产品；
匹配度计算单元502，用于将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与所述金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
金融产品推荐单元503，用于根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
一实施例中，参见图6，所述的金融产品推荐装置，还包括：
历史联合表达矩阵构建单元601，用于根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；
匹配度确定模型训练单元602，用于将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。
一实施例中，参见图7，所述联合表达矩阵构建单元501，包括：
金融产品主体向量生成模块701，用于根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量；
用户主体向量生成模块702，用于根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量；
联合表达矩阵生成模块703，用于对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵。
一实施例中，参见图8，匹配度计算单元502，包括：
标签解析模块801，用于利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
用户标签比较模块802，用于比较所述用户属性标签与预先解析的历史用户属性标签，得到第一比较结果；其中，所述历史用户属性标签表征所述历史用户的特征；
产品标签比较模块803，用于分别比较每一金融产品对应的金融产品属性标签与预先解析的历史金融产品属性标签，得到第二比较结果；其中，所述历史金融产品属性标签表征所述历史金融产品的特征；
匹配度计算模块804，用于根据所述第一比较结果及所述第二比较结果确定所述用户与每一金融产品之间的匹配度。
一实施例中，所述金融产品推荐单元503，具体用于比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品。
从硬件层面来说，为了能够根据金融产品信息及选择金融产品的用户对应的用户画像信息为用户推荐金融产品，本申请提供一种用于实现所述金融产品推荐方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述金融产品推荐装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的金融产品推荐方法的实施例，以及金融产品推荐装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，金融产品推荐方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述用户端设备中完成。具体可以根据所述用户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述用户端设备中完成，所述用户端设备还可以包括处理器。
上述的用户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，金融产品推荐方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
S101：根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述用户画像信息为待被推荐金融产品的用户所对应的用户画像信息；所述金融产品信息为待被推荐的金融产品；
S102：将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
S103：根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
从上述描述可知，本申请提供的金融产品推荐方法，能够充分利用历史用户画像信息及历史金融产品信息，将更合适的金融产品推送给用户，做到金融产品的精准推送，进而增加用户的活跃度。
在另一个实施方式中，金融产品推荐装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置金融产品推荐装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现金融产品推荐方法的功能。
如图9所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或用户端的金融产品推荐方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或用户端的金融产品推荐方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述用户画像信息为待被推荐金融产品的用户所对应的用户画像信息；所述金融产品信息为待被推荐的金融产品；
S102：将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
S103：根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
从上述描述可知，本申请提供的金融产品推荐方法，能够充分利用历史用户画像信息及历史金融产品信息，将更合适的金融产品推送给用户，做到金融产品的精准推送，进而增加用户的活跃度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、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、专用计算机、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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种金融产品推荐方法，其特征在于，包括：
根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；
将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
2.根据权利要求1所述的金融产品推荐方法，其特征在于，构建所述金融产品匹配度确定模型的步骤，包括：
根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；
将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。
3.根据权利要求1所述的金融产品推荐方法，其特征在于，所述根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵，包括：
根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量；
根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量；
对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵。
4.根据权利要求2所述的金融产品推荐方法，其特征在于，所述将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度，包括：
利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
比较所述用户属性标签与所述每一金融产品对应的金融产品属性标签，得到所述用户与每一金融产品之间的匹配度。
5.根据权利要求1所述的金融产品推荐方法，其特征在于，所述根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品，包括：
比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品。
6.一种金融产品推荐装置，其特征在于，包括：
联合表达矩阵构建单元，用于根据金融产品信息及选择金融产品的用户对应的用户画像信息构建联合表达矩阵；其中，所述金融产品信息包括各金融产品对应的产品信息；所述用户画像信息为待选择金融产品的用户所对应的用户画像信息；
匹配度计算单元，用于将所述联合表达矩阵输入预先构建的金融产品匹配度确定模型，得到所述用户与每一金融产品之间的匹配度；其中，所述金融产品匹配度确定模型是根据历史用户画像信息及历史金融产品信息预先训练得到的；
金融产品推荐单元，用于根据预设的匹配成功阈值及所述匹配度确定向所述用户推荐的金融产品。
7.根据权利要求6所述的金融产品推荐装置，其特征在于，还包括：
历史联合表达矩阵构建单元，用于根据所述历史用户画像信息及历史金融产品信息构建历史联合表达矩阵；其中，所述历史联合表达矩阵包括历史用户与历史金融产品之间匹配成功的历史信息；
匹配度确定模型训练单元，用于将所述历史联合表达矩阵输入多层感知器进行训练，得到所述金融产品匹配度确定模型。
8.根据权利要求6所述的金融产品推荐装置，其特征在于，所述联合表达矩阵构建单元，包括：
金融产品主体向量生成模块，用于根据所述金融产品信息确定与所述金融产品存在交易关联的用户，得到金融产品主体向量；
用户主体向量生成模块，用于根据所述用户画像信息确定与所述用户存在交易关联的金融产品，得到用户主体向量；
联合表达矩阵生成模块，用于对所述金融产品主体向量及所述用户主体向量进行融合，得到所述联合表达矩阵。
9.根据权利要求7所述的金融产品推荐装置，其特征在于，所述匹配度计算单元，包括：
标签解析模块，用于利用所述金融产品匹配度确定模型解析所述联合表达矩阵，得到所述用户的用户属性标签及每一金融产品对应的金融产品属性标签；
匹配度计算模块，用于比较所述用户属性标签与所述每一金融产品对应的金融产品属性标签，得到所述用户与每一金融产品之间的匹配度。
10.根据权利要求6所述的金融产品推荐装置，其特征在于，所述金融产品推荐单元，具体用于比较所述匹配成功阈值与所述匹配度；若所述匹配度超过所述匹配成功阈值，向所述用户推荐所述金融产品。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述的金融产品推荐方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5任一项所述的金融产品推荐方法的步骤。
13.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至5任一项所述的金融产品推荐方法的步骤。
CN202210995119.1A 2022-08-18 2022-08-18 一种金融产品推荐方法及装置 Pending CN115269997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210995119.1A CN115269997A (zh) 2022-08-18 2022-08-18 一种金融产品推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210995119.1A CN115269997A (zh) 2022-08-18 2022-08-18 一种金融产品推荐方法及装置

Publications (1)

Publication Number Publication Date
CN115269997A true CN115269997A (zh) 2022-11-01

Family

ID=83753007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210995119.1A Pending CN115269997A (zh) 2022-08-18 2022-08-18 一种金融产品推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115269997A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883181A (zh) * 2023-09-07 2023-10-13 北京中关村科金技术有限公司 基于用户画像的金融服务推送方法、存储介质及服务器
CN117971817A (zh) * 2024-03-27 2024-05-03 智慧(东营)大数据有限公司 一种具有筛选有效数据功能的金融数据处理系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883181A (zh) * 2023-09-07 2023-10-13 北京中关村科金技术有限公司 基于用户画像的金融服务推送方法、存储介质及服务器
CN116883181B (zh) * 2023-09-07 2023-12-05 北京中关村科金技术有限公司 基于用户画像的金融服务推送方法、存储介质及服务器
CN117971817A (zh) * 2024-03-27 2024-05-03 智慧(东营)大数据有限公司 一种具有筛选有效数据功能的金融数据处理系统

Similar Documents

Publication Publication Date Title
CN111861569B (zh) 产品信息推荐方法及装置
CN115269997A (zh) 一种金融产品推荐方法及装置
US11288748B2 (en) Systems and methods for providing customized financial advice
CN107729443A (zh) 贷款产品推广方法、装置及计算机可读存储介质
US10650327B2 (en) Adaptive content generation and dissemination system (ACGDS)
CN111768231A (zh) 产品信息推荐方法及装置
CN112581226A (zh) 产品推荐方法及系统
CN110992190A (zh) 基于用户画像的资产配置方法及装置
US11663886B2 (en) Methods and systems for demonstrating a personalized automated teller machine (ATM) presentation
WO2019095846A1 (zh) 共享产品的推荐方法、装置以及电子设备
CN110555591A (zh) 信用借书场景下的合约处理方法以及装置
CN116664227A (zh) 金融产品智能推荐方法及装置
CN114169906B (zh) 电子券推送方法、装置
CN114493781A (zh) 用户行为预测方法、装置、电子设备及存储介质
CN110879865B (zh) 核身产品的推荐方法和装置
CN114861829A (zh) 特征提取模型的训练方法、装置、设备、介质及程序产品
CN114820121A (zh) 一种保险业务推送系统及方法
KR200492974Y1 (ko) 빅데이터 기반 매칭 상품 정보 및 혜택 제공 시스템
CN113393320A (zh) 企业金融服务风险预测方法及装置
CN112084348A (zh) 一种关联度确定方法及装置
CN111401395A (zh) 一种数据处理方法、终端设备及存储介质
CN111898373B (zh) 手写日期样本生成方法及装置
KR102530237B1 (ko) 이성 간 매칭 제공 방법
CN118096359A (zh) 基于金融信贷场景的信用评价方法及装置
CN117291689A (zh) 基于用户属性网络的商品推荐方法及装置

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