CN115271931A - 一种信用卡产品的推荐方法、装置、电子设备和介质 - Google Patents

Abstract

本发明公开了一种信用卡产品的推荐方法、装置、电子设备和介质，其方法包括：根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；筛选出符合所述目标用户的特征数据的候选信用卡产品；根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。本发明可以自动适配出满足用户需求的信用卡，从而使推荐给用户的信用卡能够满足用户的个性化需求，进而提高了信用卡推荐的准确度。

Description

一种信用卡产品的推荐方法、装置、电子设备和介质

技术领域

本发明涉及数据处理技术领域，进一步地涉及信用卡产品的推荐方法、装置、电子设备和介质。

背景技术

随着人们生活水平的不断提高，对于消费的需求日益提高。在此前景下，信用卡的出现，解决了大部分人员的消费需求。

当然，随着信用卡的普及，越来越多的消费者使用信用卡进行消费，而信用卡推荐为用户办理信用卡带来了很多便利。目前，信用卡推荐方法通常是，直接将可以办理的信用卡推荐给用户，这种方式无法根据用户的个性化需求进行精准的推荐，导致推荐准确性差、推荐失败率高。

发明内容

本发明实施例的目的是提供一种信用卡产品的推荐方法、装置、电子设备及计算机可读存储介质，可以自动适配出满足用户需求的信用卡，从而使推荐给用户的信用卡能够满足用户的个性化需求，进而提高了信用卡推荐的准确度。

在第一方面，为实现上述目的，本发明实施例提供了一种信用卡产品的推荐方法，包括：

根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选出符合所述目标用户的特征数据的候选信用卡产品；

根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

在第二方面，为了解决相同的技术问题，本发明实施例提供了一种信用卡产品的推荐装置，包括：

查找模块，用于根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选模块，用于筛选出符合所述目标用户的特征数据的候选信用卡产品；

处理模块，用于根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

推荐模块，用于根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

在第三方面，为了解决相同的技术问题，本发明实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现上述任一项所述的信用卡产品的推荐方法中的步骤。

在第四方面，为了解决相同的技术问题，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的信用卡产品的推荐方法中的步骤。

本发明实施例提供了一种信用卡产品的推荐方法、装置、电子设备及计算机可读存储介质，找出与目标用户的特征集相似的参考用户，以便依据参考用户使用的信用卡产品为目标用户筛选出候选信用卡产品。然后，根据目标用户的月度最高还款金额和不同候选信用卡产品的推荐权重，从而能够实现精准的信息推送，满足目标用户的需求进而提高推送信用卡产品的精准度。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1为本申请实施例提供的信用卡产品的推荐方法的一种流程示意图；

图2为本申请实施例提供的信用卡产品的推荐方法中查找到参考用户的流程示意图；

图3为本申请实施例提供的信用卡产品的推荐方法中分析得到各自对应的特征集的流程示意图；

图4为本申请实施例提供的信用卡产品的推荐方法中的筛选出符合所述目标用户的特征数据的候选信用卡产品的流程示意图；

图5为本申请实施例提供的信用卡产品的推荐方法中的向所述目标用户推荐对应的信用卡产品的流程示意图；

图6为本申请实施例提供的信用卡产品的推荐方法的另一种流程示意图；

图7为本申请实施例提供的信用卡产品的推荐装置的一种结构示意图；

图8为本申请实施例提供的电子设备的一种结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

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，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。

请参见图1，图1为本发明实施例提供的信用卡产品的推荐方法的一种流程示意图，包括步骤S101至步骤S104。

S101根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

具体的，可以根据现有技术中的任何相似度算法来计算相似度，例如余弦距离算法确定相似度，深度学习的网络模型输出相似度，欧几里得距离算法确定相似度等。

各个银行的系统服务器中存储有各个银行对外发布的各个信用卡的信用卡特征信息的信用卡数据库，信用卡数据库中的各个信用卡按照入库时间配置序号，本申请中信用卡数据库可以由银行周期性或者触发性地进行更新，例如，信用卡产品下架更新、上新更新等。

信用卡特征信息为用于描述信用卡的特征的信息，包括但不限于：信用卡授信额度、信用卡权益、信用卡费用、信用卡外观、信用卡名称、信用卡发卡行、信用卡等级等。其中，信用卡权益包括信用卡的优惠活动等，优惠活动包括但不限于：消费满减、机场贵宾厅、酒店优惠等。

请参见图2，图2为本发明实施例提供的信用卡产品的推荐方法中查找到参考用户的流程示意图，包括步骤S201至步骤S204。

S201根据候选用户和所述目标用户的个人信息和行为信息，分析得到各自对应的特征集；所述候选用户为除了所述目标用户以外的用户；

具体的，获取每个候选用户分别对应的第一个人信息和第一行为信息，并获取目标用户的第二个人信息和第二行为信息。对第一个人信息、第一行为信息、第二个人信息和第二行为信息进行数据归一化处理，在归一化处理后的第一个人信息、第一行为信息中提取得到参考用户的特征集。同理，在归一化处理后的第二个人信息、第二行为信息中提取得到目标用户的特征集。其中，不论是目标用户还是参考用户的特征集均包括若干个特征数据。

优选的，由于具体实施时实际获取到的特征集中的特征数据，因为特征维度巨大繁多，将全部特征数据考虑进入特征集进行运算会耗费大量的时间和空间。因此在参考用户的筛选选择之前，通过评估特征数据对特征集的影响程度，去除不重要或无关的特征数据以构建特征集。具体构建特征集的方法为根据特征集中的所有特征数据，分别统计各个特征数据的出现频次，判断当前特征数据的出现统计是否超过预设频次阈值，如果超过预设频次阈值说明去除当前特征数据有利于聚类，如果不超过预设频次阈值说明当前特征数据是不利于聚类的无关或噪声的特征数据，表示当前特征数据对聚类的负作用越大。由此可知，可以通过统计特征数据的出现频次对特征集中的所有特征数据进行排序，通过设定的预设频次阈值剔除无关或噪声特征数据，根据筛除无关或噪声特征数据后的剩余特征数据得到最终的特征集。

请参见图3，图3为本发明实施例提供的信用卡产品的推荐方法中分析得到各自对应的特征集的一种流程示意图，包括步骤S301至步骤S303。

S301获取所述候选用户和所述目标用户各自对应的用户属性信息；

具体的，属性信息包括个人信息和行为信息，其中，个人信息包括但是不限于身份信息、生理信息、征信报告和喜好信息中的一种或多种。行为信息包括但是不限于社交信息、消费记录、交易记录和信用卡产品浏览记录中的一种或者多种。

其中，身份信息包括身份ID(例如身份证号码)、职业、婚姻状况、年龄，籍贯等。候选用户和目标用户的身份信息均可以从银行的信用卡数据库中调取，当然，也可以根据身份ID从第三方数据库(例如人力资源管理部门的数据服务器)调取候选用户和目标用户的身份信息。

其中，生理信息包括身高、体重、疾病史等。候选用户和目标用户的生理信息均可以从医疗机构(例如医院或者体检机构)的患者数据库中调取，其他获取生理信息的方式亦在本发明保护范围之内。

其中，征信报告包括用户的违约记录或者逾期记录、还款记录、还款时间等。候选用户和目标用户的征信报告均可以从中国人民银行征信中心的数据服务器中调取，其他获取征信报告的方式亦在本发明保护范围之内。

其中，喜好信息包括运动喜好、购物喜好、娱乐喜好等。候选用户和目标用户的喜好信息均可以从用户通过应用程序(例如浏览器、购物APP、视频APP等)的程序开发商的服务器中爬取分析得到，其他获取喜好信息的方式亦在本发明保护范围之内。

其中，社交信息可以是社交平台，例如论坛上的帖子内容，用户评论等，也可以是即时通讯平台(例如QQ群、微信群等)的聊天室内容，也可以是视频软件(例如腾讯视频等)的弹幕内容。候选用户和目标用户的社交信息均可以从用户预定的社交服务器例如为微博服务器、微信服务器或者QQ服务器等处获取，社交账号与社交服务器对应，例如为微博账号、微信账号或者QQ账号等。

其中，消费记录包括日常消费记录(即非信用消费的记录，例如日常购物的消费信息)和信用消费记录等。候选用户和目标用户的日常消费记录均可以从第三方支付工具(例如支付宝余额、微信零钱等)的第三方服务器中获取，当然，候选用户和目标用户的日常消费记录还可以直接从银行卡(即借记卡)服务器中获取。而候选用户和目标用户的信用消费记录均可以从第三方支付工具(例如支付宝花呗等)的第三方服务器中获取，当然，候选用户和目标用户的信用消费记录还可以直接从信用卡服务器中获取。当然，其他获取消费记录的方式亦在本发明保护范围之内。

其中，交易记录包括交易金额、交易时间等，候选用户和目标用户的交易记录均可以从第三方支付工具(例如支付宝、微信等)的第三方服务器中获取，当然，候选用户和目标用户的交易记录还可以直接从银行服务器中获取。当然，其他获取交易记录的方式亦在本发明保护范围之内。

其中，信用卡产品浏览记录包括信用卡产品浏览点击数据以及点击时间戳等。候选用户和目标用户的信用卡产品浏览记录均可以从银行APP对应的服务器中爬取分析得到，其他获取信用卡产品浏览记录的方式亦在本发明保护范围之内。

S302根据所述用户属性信息分别提取得到所述候选用户的属性特征以及所述目标用户的属性特征；

S303将所述候选用户的属性特征进行聚类得到候选用户特征集，将所述目标用户的属性特征进行聚类得到目标用户特征集。

具体的，属性特征包括但是不限于身份特征(例如职业特征)、生理特征、信用度、偏好特征、社交类型特征(例如主动社交类型和被动社交类型)、消费特征、交易特征和信用卡意向特征中的任意一种或多种。采用聚类方法将实际表达当前候选用户同一属性的特征词聚类在一起，并删除远离或者脱离各个类簇且数量少的离群属性特征，将剩余的属性特征汇聚得到当前候选用户特征集，切换至下一候选用户进行属性特征聚类得到下一候选用户特征集，直至得到所有候选用户特征集即可。同理，可参照上述方式获取目标用户特征集。其中，聚类方法包括k-mean聚类算法。

S202根据所述候选用户的特征集和所述目标用户的特征集，分别构建第一、第二特征集向量；

S203根据所述第一、第二特征集向量进行余弦距离计算，得到各个候选用户与所述目标用户之间的相似度；

具体的，现有的计算用户相似性的方法效果都不太理想。有基于单一用户特征数据进行计算的，也有基于所有用户特征数据计算的。但是各有不足之处。基于单一用户特征数据的计算方法准确度不高，因为单一用户特征数据带有的信息量少且粒度比较粗；而基于所有用户特征数据的计算方法，而且由于特征数量的种类繁多，两两计算的效率非常低下。

本实施例中通过上述方式获取到目标用户和候选用户的特征集后，通过向量转换工具将各个候选用户的特征集中的特征数据一一对应地转化为候选用户的属性特征词向量，然后对候选用户的属性特征词向量进行处理得到第一特征集向量。同理，通过向量转换工具将目标用户的特征集中的特征数据一一对应地转化为目标用户的属性特征词向量，然后对目标用户的属性特征词向量进行处理得到第二特征集向量。其中，向量转换工具为word2vec模型，通过所述word2vec模型将用户的特征数据映射为高纬度的属性特征词向量。使用word2vec将用户特征数据转化为特征词向量，通过这一步，可以将原来低维度的用户特征数据转化为高维度的词向量，还可以挖掘出用户的属性特征之间的深层语义关系。

示例性的，假设目标用户的某一属性特征为喜好运动项目。“喜好健身”这份文本信息对于word2vec模型来说就是一份已经做完分词的输入数据，将其输入到word2vec模型之后，就可以将各个特征映射为高纬度的属性特征词向量，比如偏好特征(也可称为兴趣特征)中的“健身”这一属性特征通过word2vec模型之后，就可以得到属性特征词向量：[x1，x2，…，xn]。根据目标用户的第二特征集向量与任一候选用户的第一特征集向量计算出二者的余弦距离，具体地说，计算第二特征集向量与任一个第一特征集向量的余弦距离即可作为两者的相似度值。以此类推，可以计算得到目标用户与每个候选用户之间的相似度的数值。

S204筛选出相似度超过预设相似阈值的候选用户作为所述参考用户。

具体的，本实施例中，通过计算每一特征数据对特征集的影响度，对提取到的特征数据进行筛选，通过筛选后的特征数据构建特征集，剔除无关或噪声特征，筛选得到最终的特征集。减少了根据个人信息和行为信息直接获取到的特征集对应的特征数据的特征维度，通过将筛选后的特征数据构建特征集，减少了对不重要的特征数据进行处理的时间和空间，进而加快信用卡产品推荐的准确率和效率。

分别计算每个候选用户的第一特征集向量与第二特征集向量的余弦距离，将计算得到的余弦距离与预设相似阈值进行比对，以评估每个候选用户与目标用户是否相似是否匹配。如果当前候选用户与所述目标用户之间的相似度超过预设相似阈值，则确定当前候选用户属于参考用户。当然，如果当前候选用户与目标用户之间的相似度未超过预设相似阈值，则确定当前候选用户不属于参考用户。其中，该预设相似阈值为0.6-0.8，当然其他的预设相似阈值范围亦在本发明保护范围之内。

S102筛选出符合所述目标用户的特征数据的候选信用卡产品；

具体的，只有与目标用户相似的参考用户，才具有推荐信用卡产品的参考价值，在银行的信用卡数据库中的众多用户中至少有一个参考用户的特征集与目标用户相似，这个相似用户实质上就是参考用户。那么，可以参考用户使用过的信用卡产品中，筛选出符合目标用户的特征集的候选信用卡产品。

请参见图4，图4为本发明实施例提供的信用卡产品的推荐方法中的筛选出符合所述目标用户的特征数据的候选信用卡产品的流程示意图，包括步骤S401至步骤S403。

S401获取多个参考用户的历史信用卡数据，对所述历史信用卡数据中包括的信用卡相关信息进行聚类处理获得信用卡聚类集合；

具体的，通过上述实施例获取到与目标用户相似的参考用户后，从信用卡数据库中根据参考用户的身份ID获取对应的历史信用卡数据。其中，历史信用卡数据包括大量的信用卡相关信息，信用卡相关信息包括信用卡使用者的身份ID、信用卡类型、信用卡授信额度等。

然后，采用ST-DBSCAN算法(属于基于密度的空间聚类算法的一种)将上述信用卡相关信息进行聚类分组，得到不同参考用户分别对应的信用卡使用聚类集合。其中，信用卡聚类集合中包括参考用户所使用的信用卡的详情数据。

S402将所述目标用户与各个参考用户之间的相似度，按照从大到小的顺序进行排序；

S403根据相似度靠前的参考用户的信用卡聚类集合，获得所述候选信用卡产品。

具体的，通过上述实施例可以计算得到各个参考用户与目标用户之间的相似度，然后，将所有参考用户与目标用户之间的相似度按照从大到小的顺序依次顺序排列，选取相似度靠前(例如排在前三、前五或者前十)的参考用户的信用卡聚类集合，根据相似度靠前的参考用户所对应的信用卡聚类集合中的信用卡的详情数据，可以获得与目标用户相似度靠前的参考用户所使用的信用卡产品，如此获取到的与目标用户相似度靠前的参考用户所使用的信用卡产品就是候选信用卡产品。

其中，在银行的信用卡数据库中除了储存有海量的信用卡特征信息之外，还储存有每张信用卡对应的用户信息。用户信息包括身份ID(例如用户身份证号码或者银行为用户创建的用户唯一ID)，信用卡数据库中的身份ID与信用卡ID(即信用卡的卡号)具有映射关系，一个身份ID可映射绑定有至少一个信用卡ID。因此，可以根据参考用户的身份ID从信用卡数据库中搜索查找出其对应的所有信用卡产品，进而将所查找出的参考用户的信用卡产品作为候选信用卡产品。

示例性的，某一参考用户甲的信用卡持卡记录包括平安银行的惠普信用卡A和平安银行的运动信用卡B，某一参考用户乙的信用卡持卡记录包括中国银行的长城银联白金信用卡C，那么参考用户甲和参考用户乙所持有使用的上述惠普信用卡A、平安银行的运动信用卡B和长城银联白金信用卡C均可以作为符合目标用户的特征集的候选信用卡产品。

当然，由于特征集包括多个维度的特征数据，因此，还可以根据不同维度的特征数据为目标用户筛选出合适的候选信用卡产品。示例性的，目标用户为的身份特征为留学生，身份特征属于特征数据之一，那么，应该查找出和目标用户一样同为留学生身份的参考用户，进而根据留学生身份的参考用户所使用持有的留学美元信用卡D、留学美元信用卡E，作为符合目标用户的特征集的候选信用卡产品。

本发明实施例通过根据与目标用户相似的参考用户的历史信用卡数据，以及参考用户和目标用户之间的相似度，确定符合目标用户的个性特征需求的候选信用卡产品，并根据相似度的大小确定候选信用卡产品的推荐权重的数值大小，然后根据候选信用卡产品的推荐权重，以及目标用户的月度最高还款金额向目标用户推荐符合需求的目标信用卡产品，从而实现对用户进行信用卡信息的个性化推荐，并提高信息推荐的准确率。当新用户为目标用户时，同时还解决了由于新用户没有历史信息造成的冷启推荐问题。

S103根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

具体的，根据所述相似度的大小确定候选信用卡产品的推荐权重的数值大小；其中，所述推荐权重的数值大小与所述相似度大小正相关。本申请中目标用户与参考用户越相似，那么参考用户所持有使用的信用卡作为候选信用卡产品的推荐权重就越高。其中，相似度大小可以与候选信用卡产品的推荐权重的大小成正比。

S104根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

具体的，目前，信用卡推荐技术在各类银行软件(Application，APP)中得到广泛的应用，信用卡推荐技术可以根据用户的行为特征、产品本身的属性等，向用户推荐更合适的信用卡，实现对用户的引导作用，增强用户选卡的准确性。但是，如今的很多银行软件的用户数量、产品数量均已达到上亿数量级，用户的行为特征以及对信用卡的偏好也具有丰富性与多样性。因此，要从海量的用户行为特征中选取出与用户的消费力最合适的信用卡，并且还需要降低推广成本，对当前的信用卡推荐技术来说是一个极具挑战的技术问题。由于目前通过人工推送信用卡由于仅通过用户收入和征信情况人为判断推送何种信用卡，因此，可能出现错误预判，导致信用卡的消费权益未满足用户需求，造成信用卡粘客度低、用户流失。

本发明首先找出与目标用户的特征集相似的参考用户，以便依据参考用户使用的信用卡产品为目标用户筛选出候选信用卡产品。然后，根据目标用户的月度最高还款金额和不同候选信用卡产品的推荐权重，向目标用户推荐既符合其消费力又符合其个性特征(即本发明的特征集中的一个或部分特征数据)的信用卡产品，不仅仅能够具有针对性地推荐信用卡产品，还可以大大提高客户转化率，降低推广成本。

请参见图5，图5为本发明实施例提供的信用卡产品的推荐方法中的向所述目标用户推荐对应的信用卡产品的流程示意图，包括步骤S501至步骤S503。

S501根据所述目标用户的资产信息和消费信息，计算得到所述目标用户的月度最高还款金额；

具体的，本发明的资产信息是指用户的流动资金，资产信息包括工资收入、兼职收入、房屋或设备外租的租赁收入、金融投资收入(例如理财产品购买产生的利润)等收入来源。消费信息包括日常消费(例如房租、水电费、饮食、出行等)、购物消费(例如衣物购置、电子产品购置等)、信贷月均还款等消费项目。可从第三方支付工具(例如支付宝余额、微信零钱等)的第三方服务器或者银行服务器(包括借记卡服务器和/或信用卡服务器)中调取资产信息和消费信息。然后，根据标用户的资产信息和消费信息，计算得到目标用户的月度最高还款金额。

请参见图6，图6为本发明实施例提供的信用卡产品的推荐方法的一种流程示意图，包括步骤S601至步骤S604。

S601根据所述资产信息获取所述目标用户的收入平均金额；

具体的，通过上述方式获取目标用户的资产信息后，由于用户的资产组成包括至少一种收入来源，因此，获取目标用户在预设周期(前半年度或者前一年度)的总资产信息，然后将总资产信息与预设周期相除即可得到对应的收入平均金额。

S602根据所述消费信息获取每项消费项目的权重系数及其平均消费金额；

S603根据所述权重系数、平均消费金额进行加权计算得到预估消费金额；

S604将所述收入平均金额与所述预估消费金额，进行差值计算得到所述月度最高还款金额。

具体的，通过上述方式获取目标用户的消费信息后，由于用户的消费组成包括至少一种消费项目，根据每项消费项目的平均消费金额在每月消费总额的占比，可确定每项消费项目的权重系数，即占比越大对应消费项目的权重系数就越大。因此，可以根据每项消费项目分别对应的权重系数、平均消费金额进行加权计算得到预估消费金额。然后，将月度的收入平均金额减去月度的预估消费金额可计算得到月度最高还款金额。

本发明通过互联网、金融网站抓取信用卡、贷款详情等用户信息数据，然后对上述采集的用户信息数据进行数据分类、数据去重、数据填充、数据修正、数据转换、数据清洗以及数据校验等数据处理可得到处理后的消费信息。之后，从目标用户的企业经营、家庭情况、资产评估等多个方面计算获得资产信息，进而可通过上述方式计算得到目标用户的月度最高还款金额。

S502比较所述候选信用卡产品对应的授信额度与所述月度最高还款金额的大小；

S503筛选出所有授信额度未超过所述月度最高还款金额的候选信用卡产品作为目标信用卡产品，向所述目标用户推送所述目标信用卡产品的推荐消息。

具体的，不同的信用卡产品都设置有不同的授信额度，通过上述方式计算得到目标用户的月度最高还款金额后，将各个候选信用卡产品对应的授信额度进行大小比较，判断当前候选信用卡产品对应的授信额度是否超过目标用户的月度最高还款金额。如果当前候选信用卡产品对应的授信额度超过目标用户的月度最高还款金额，说明目标用户的消费能力无需使用当前候选信用卡产品，因此，当前候选信用卡产品不属于可向目标用户推荐的目标信用卡产品，依次类推，可以将授信额度未超过月度最高还款金额的候选信用卡产品筛选出来作为目标信用卡产品，然后向目标用户推送一个或者多个目标信用卡产品的推荐消息。

本发明首先查找出与目标用户的特征集相似的参考用户，以便依据参考用户使用的信用卡产品为目标用户筛选出候选信用卡产品。然后，根据目标用户的月度最高还款金额和不同候选信用卡产品的推荐权重，从而能够实现精准的信息推送，满足目标用户的需求进而提高推送信用卡产品的精准度。

本发明通过依据用户的特征集查找出相似的参考用户群体，然后，根据参考用户群体中每个参考用户与目标用户的特征数据，以及参考用户与目标用户的相似度，确定符合目标用户的个性特征需求的候选信用卡产品，并根据相似度的大小确定候选信用卡产品的推荐权重的数值大小，然后根据候选信用卡产品的推荐权重，以及目标用户的月度最高还款金额向目标用户推荐符合需求的目标信用卡产品，从而实现对用户进行信用卡信息的个性化推荐，并提高信息推荐的准确率。当新用户为目标用户时，同时还解决了由于新用户没有历史信息造成的冷推荐问题。本发明解决了针对用户的个性化推荐精准度较低的问题，提高了推荐精准度，进而提高了银行的信用卡推广业务收益的同时，也能满足用户的个性化信用卡使用需求。

根据上述实施例所描述的方法，本实施例将从信用卡产品的推荐装置的角度进一步进行描述，该信用卡产品的推荐装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如终端中来实现，该终端可以包括手机、平板电脑等。

请参见图7，图7为本申请实施例提供的信用卡产品的推荐装置的一种结构示意图，如图7所示，本申请实施例提供的信用卡产品的推荐装置70，包括：

查找模块71，用于根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选模块72，用于筛选出符合所述目标用户的特征数据的候选信用卡产品；

处理模块73，用于根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

推荐模块74，用于根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

具体实施时，以上各个模块和/或单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块和/或单元的具体实施可参见前面的方法实施例，具体可以达到的有益效果也请参看前面的方法实施例中的有益效果，在此不再赘述。

请参见图8，图8为本申请实施例提供的电子设备的另一种结构示意图，如图8所示，图8示出了本申请实施例提供的电子设备的具体结构框图，该电子设备可以用于实施上述实施例中提供的信用卡产品的推荐方法。该电子设备900可以为移动终端如智能手机或笔记本电脑等设备。

RF电路910用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路910可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路910可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统(Global System for Mobile Communication，GSM)、增强型移动通信技术(Enhanced DataGSM Environment，EDGE)，宽带码分多址技术(Wideband Code Division MultipleAccess，WCDMA)，码分多址技术(Code Division Access，CDMA)、时分多址技术(TimeDivision Multiple Access，TDMA)，无线保真技术(Wireless Fidelity，Wi-Fi)(如美国电气和电子工程师协会标准IEEE802.11a，IEEE 802.11b，IEEE802.11g和/或IEEE 802.11n)、网络电话(Voice over Internet Protocol，VoIP)、全球微波互联接入(WorldwideInteroperability for Microwave Access，Wi-Max)、其他用于邮件、即时通讯及短消息的协议，以及任何其他合适的通讯协议，甚至可包括那些当前仍未被开发出来的协议。

存储器920可用于存储软件程序以及模块，如上述实施例中信用卡产品的推荐方法对应的程序指令/模块，处理器980通过运行存储在存储器920内的软件程序以及模块，从而执行信用卡产品的推荐方法的流程如下：

根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选出符合所述目标用户的特征数据的候选信用卡产品；

根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

存储器920可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器920可进一步包括相对于处理器980远程设置的存储器，这些远程存储器可以通过网络连接至电子设备900。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入单元930可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元930可包括触敏表面931以及其他输入设备932。触敏表面931，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面931上或在触敏表面931附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面931可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器980，并能接收处理器980发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面931。除了触敏表面931，输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元940可用于显示由用户输入的信息或提供给用户的信息以及电子设备900的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元940可包括显示面板941，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置显示面板941。进一步的，触敏表面931可覆盖显示面板941，当触敏表面931检测到在其上或附近的触摸操作后，传送给处理器980以确定触摸事件的类型，随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。虽然在图中，触敏表面931与显示面板941是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面931与显示面板941集成而实现输入和输出功能。

电子设备900还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板941的亮度，接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于电子设备900还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路960、扬声器961，传声器962可提供用户与电子设备900之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号，传输到扬声器961，由扬声器961转换为声音信号输出；另一方面，传声器962将收集的声音信号转换为电信号，由音频电路960接收后转换为音频数据，再将音频数据输出处理器980处理后，经RF电路910以发送给比如另一终端，或者将音频数据输出至存储器920以便进一步处理。音频电路960还可能包括耳塞插孔，以提供外设耳机与电子设备900的通信。

电子设备900通过传输模块970(例如Wi-Fi模块)可以帮助用户接收请求、发送信息等，它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块970，但是可以理解的是，其并不属于电子设备900的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器980是电子设备900的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行电子设备900的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器980可包括一个或多个处理核心；在一些实施例中，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解地，上述调制解调处理器也可以不集成到处理器980中。

电子设备900还包括给各个部件供电的电源990(比如电池)，在一些实施例中，电源可以通过电源管理系统与处理器980逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源990还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，电子设备900还包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备的显示单元是触摸屏显示器，移动终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行以下操作的指令：

根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选出符合所述目标用户的特征数据的候选信用卡产品；

根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的信用卡产品的推荐方法中任一实施例的步骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的信用卡产品的推荐方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的任一信用卡产品的推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种信用卡产品的推荐、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。并且，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。

Claims (10)

1.一种信用卡产品的推荐方法，其特征在于，包括：

根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选出符合所述目标用户的特征数据的候选信用卡产品；

根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

2.根据权利要求1所述的信用卡产品的推荐方法，其特征在于，所述根据目标用户的特征集查找到若干个参考用户包括步骤：

根据候选用户和所述目标用户的个人信息和行为信息，分析得到各自对应的特征集；所述候选用户为除了所述目标用户以外的用户；

根据所述候选用户的特征集和所述目标用户的特征集，分别构建第一、第二特征集向量；

根据所述第一、第二特征集向量进行余弦距离计算，得到各个候选用户与所述目标用户之间的相似度；

筛选出相似度超过预设相似阈值的候选用户作为所述参考用户。

3.根据权利要求2所述的信用卡产品的推荐方法，其特征在于，所述根据候选用户和所述目标用户的个人信息和行为信息，分析得到各自对应的特征集包括步骤：

获取所述候选用户和所述目标用户各自对应的用户属性信息；

根据所述用户属性信息分别提取得到所述候选用户的属性特征以及所述目标用户的属性特征；

将所述候选用户的属性特征进行聚类得到候选用户特征集，将所述目标用户的属性特征进行聚类得到目标用户特征集。

4.根据权利要求1所述的信用卡产品的推荐方法，其特征在于，所述筛选出符合所述目标用户的特征数据的候选信用卡产品包括步骤：

获取多个参考用户的历史信用卡数据，对所述历史信用卡数据中包括的信用卡相关信息进行聚类处理获得信用卡聚类集合；

将所述目标用户与各个参考用户之间的相似度，按照从大到小的顺序进行排序；

根据相似度靠前的参考用户的信用卡聚类集合，获得所述候选信用卡产品。

5.根据权利要求1所述的信用卡产品的推荐方法，其特征在于，所述根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重包括步骤：

根据所述相似度的大小确定候选信用卡产品的推荐权重的数值大小；其中，所述推荐权重的数值大小与所述相似度大小正相关。

6.根据权利要求1-5任一项所述的信用卡产品的推荐方法，其特征在于，所述根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品包括步骤：

根据所述目标用户的资产信息和消费信息，计算得到所述目标用户的月度最高还款金额；

比较所述候选信用卡产品对应的授信额度与所述月度最高还款金额的大小；

筛选出所有授信额度未超过所述月度最高还款金额的候选信用卡产品作为目标信用卡产品，向所述目标用户推送所述目标信用卡产品的推荐消息。

7.根据权利要求6所述的信用卡产品的推荐方法，其特征在于，所述根据所述目标用户的资产信息和消费信息，计算得到所述目标用户的月度最高还款金额包括步骤：

根据所述资产信息获取所述目标用户的收入平均金额；

根据所述消费信息获取每项消费项目的权重系数及其平均消费金额；

根据所述权重系数、平均消费金额进行加权计算得到预估消费金额；

将所述收入平均金额与所述预估消费金额，进行差值计算得到所述月度最高还款金额。

8.一种信用卡产品的推荐装置，其特征在于，包括：

查找模块，用于根据目标用户的特征集查找到若干个参考用户；所述参考用户为与所述目标用户的特征集相似的用户，所述特征集包括若干个特征数据；

筛选模块，用于筛选出符合所述目标用户的特征数据的候选信用卡产品；

处理模块，用于根据所述目标用户与所述参考用户之间的相似度，确定不同候选信用卡产品的推荐权重；

推荐模块，用于根据所述候选信用卡产品的推荐权重和所述目标用户的月度最高还款金额，向所述目标用户推荐对应的信用卡产品。

9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的信用卡产品的推荐方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7任一项所述的信用卡产品的推荐方法中的步骤。

Images