CN115526727A - 理财产品推送方法和装置 - Google Patents
理财产品推送方法和装置 Download PDFInfo
- Publication number
- CN115526727A CN115526727A CN202211245227.3A CN202211245227A CN115526727A CN 115526727 A CN115526727 A CN 115526727A CN 202211245227 A CN202211245227 A CN 202211245227A CN 115526727 A CN115526727 A CN 115526727A
- Authority
- CN
- China
- Prior art keywords
- current
- historical
- information
- target information
- client
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种理财产品推送方法和装置,特别涉及人工智能领域,所述方法包括:对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。本发明能够提高理财产品推送的速度和准确性,从而提高理财产品推送的效率。
Description
技术领域
本发明涉及产品推送技术领域,特别涉及人工智能领域,尤其涉及一种理财产品推送方法和装置。
背景技术
理财产品的供给方为了提高自己的收益和客户的体验,往往会主动向广大客户进行理财产品推送。现有技术中的理财产品推送方法,主要为工作人员对客户的有关资产情况和消费情况进行研究,以确定客户的类型,从而针对客户的类型向客户推送理财产品。
但是,上述方式由于依赖人工,其对客户有关资产情况和消费情况进行研究需耗费大量的时间,从而使整体理财产品推送的速度较慢。而且,确定客户类型的准确性取决于工作人员的工作经验和工作能力,且仅以资产情况和消费情况作为依据,缺乏对客户实际理财情况和基本情况的综合参考,因此,会使确定的客户类型可能与客户实际情况不符,从而导致基于错误的客户类型进行理财产品推送,造成理财产品推送的准确性较低。
综上所述,现有技术中存在理财产品推送的速度较慢且准确性较低,从而使理财产品推送的效率较低的问题。
发明内容
本发明的一个目的在于提供一种理财产品推送方法,以解决现有技术中存在的理财产品推送的速度较慢且准确性较低,从而使理财产品推送的效率较低的问题。本发明的另一个目的在于提供一种理财产品推送装置。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。本发明的还一个目的在于提供一种计算机程序产品。
为了达到以上目的,本发明的一方面公开了一种理财产品推送方法,所述方法包括:
对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;
根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;
根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
可选的,所述根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值,包括:
根据当前目标信息,得到多个属性的当前属性信息;
基于所述当前属性信息和所述权重映射信息,得到每个当前属性信息对应的当前权值。
可选的,所述根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型,包括:
根据所述当前目标信息和当前权值,得到当前输入特征信息;
将所述当前输入特征信息输入到所述已训练分类模型中进行运算,得到所述当前类型。
可选的,所述根据所述当前目标信息和当前权值,得到当前输入特征信息,包括:
根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息。
可选的,进一步包括:
在根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型之前,对历史客户的历史客户基本信息和历史客户理财信息进行主成分分析,得到历史目标信息;
根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值;
基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型。
可选的,所述根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值,包括:
根据历史目标信息,得到多个属性的历史属性信息;
基于所述历史属性信息和所述权重映射信息,得到每个历史属性信息对应的历史权值。
可选的,所述基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型,包括:
基于所述历史目标信息和历史权值,形成输入样本,并将对应历史客户的历史类型作为输出样本;
根据历史客户对应的输入样本和输出样本,形成对应的待选样本,并根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本,并使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型。
可选的,进一步包括:
在基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型之前,根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值;
根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型。
为了达到以上目的,本发明的另一方面公开了一种理财产品推送装置,所述装置包括:
当前目标信息提取模块,用于对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;
当前权值映射模块,用于根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;
理财产品推送模块,用于根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
本发明还公开了一种计算机设备,包括存储器、处理器以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如上所述方法。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法。
本发明还公开了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述方法。
本发明提供的理财产品推送方法和装置,通过对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息,能够综合以客户的基本情况和实际理财情况为依据,对有关上述情况的信息进行精简提炼,得到能充分表征客户基本情况和实际理财情况的当前目标信息,实现了对客户实际理财情况和基本情况的综合参考,提高了得到当前目标信息的准确性,并使当前目标信息中仅包含能够主要反映相关特点的信息而不包含一些冗余信息和表征意义上重叠的信息,降低了当前目标信息的复杂性和信息量,因此降低后续步骤中基于当前目标信息进行处理计算的复杂度,从而会使后续确定的当前客户的当前类型与实际情况符合度较高,并提高确定当前类型的速度,进而提高整体理财产品推送的准确性和速度;通过根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值,能够对当前目标信息进行准确映射,得到简化清晰且能充分表征当前目标信息中各属性特征的当前权值,有利于提高后续模型对输入的兼容程度(输入中附带对应权值有利于使模型顺利地以简化清晰的数值参数为依据进行定位,从而顺利进行有关迭代计算等操作),从而有利于后续更顺利地通过模型进行计算确定当前类型,进而提高整体理财产品推送的速度和准确性;通过根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品,能够既以简化清晰表征当前目标信息中各属性特征的权值为依据,又以当前目标信息本体为依据,使用适用于确定对应类型的分类模型进行处理得到当前类型,实现了使模型输入综合了权值和信息本体两方面的参数,提高了模型输入的表征充分性和全面性,大幅度提高了使用模型进行运算确定当前类型的准确性,从而大幅度提高了整体理财产品推送的准确性。而且,本发明提供的理财产品推送方法和装置,能够以应用、程序、软件、系统或工具等形式,实现自动化运行,而大幅度减少了对人工的依赖程度,无需人工耗费较长时间对客户相关情况进行研究,且大幅度降低了工作人员的工作经验和工作能力对确定当前类型的准确性的不利影响,从而大幅度提高了整体理财产品推送的速度和准确性。综上所述,本发明提供的理财产品推送方法和装置,能够提高理财产品推送的速度和准确性,从而提高理财产品推送的效率。
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示出了本发明实施例的一种理财产品推送方法的流程示意图;
图2示出了本发明实施例的一种可选的得到当前权值的步骤示意图;
图3示出了本发明实施例的一种可选的得到当前客户的当前类型的步骤示意图;
图4示出了本发明实施例的一种可选的得到已训练分类模型的步骤示意图;
图5示出了本发明实施例的一种可选的训练模型的步骤示意图;
图6示出了本发明实施例的一种理财产品推送装置的模块示意图;
图7示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
关于本文中所使用的“第一”、“第二”、……等,并非特别指称次序或顺位的意思,亦非用以限定本发明,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部组合。
需要说明的是,本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
需要说明的是,本申请公开的一种理财产品推送方法和装置可用于产品推送技术领域,也可用于除产品推送技术领域之外的任意领域,本申请公开的一种理财产品推送方法和装置的应用领域不做限定。
本发明实施例公开了一种理财产品推送方法,如图1所示,该方法具体包括如下步骤:
S101:对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息。
S102:根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值。
S103:根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
示例性的,所述主成分分析(Principal Component Analysis,PCA),是一种统计方法,具体可以理解为但不限于把原有的多个指标转化成少数几个代表性较好的综合指标,这少数几个指标能够反映原来指标大部分的信息,并且各个指标之间保持独立,尽可能避免出现重叠信息和冗余信息,主成分分析主要起着信息降维和简化数据结构的作用。需要说明的是,对于主成分分析的具体含义和作用,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述当前客户基本信息,为经过当前客户授权获取的客户自身情况相关的基本信息,具体包括但不限于经当前客户授权的年龄、性别、生日、日均余额、月均余额、客户业务等级和客户业务处理频率等。所述当前客户理财信息,为经过当前客户授权获取的客户理财情况相关的信息,具体包括但不限于经当前客户授权的理财类型、理财时间、理财月均金额、理财日均金额和理财总金额和理财产品频道页(频道页可以为但不限于对应理财应用或理财网站的相应频道页等)访问频率等。需要说明的是,对于当前客户基本信息和当前客户理财信息的具体内容和形式等,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述步骤S101,可以为但不限于通过现有的主成分分析法函数或人工方式等对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,提炼当前客户基本信息和当前客户理财信息中表征性较强的信息得到当前目标信息,使当前目标信息中在表征意义上重叠的信息较少且冗余信息较少,其中,主成分分析法函数可以为但不限于PCA函数、principal函数或princomp函数等,优选为PCA函数。例如,若当前客户基本信息包括经当前客户授权的年龄、性别、生日、日均余额、月均余额、客户业务等级和客户业务处理频率,当前客户理财信息包括经当前客户授权的理财类型、理财时间、理财月均金额、理财日均金额、理财总金额和理财产品频道页访问频率,则进行主成分分析后得到的当前目标信息,可包括但不限于年龄、性别、日均余额、客户业务等级、客户业务处理频率、理财类型、理财时间、理财日均余额、理财总金额和理财产品频道页访问频率,其中,可以看出,年龄与生日(均衡量客户从存在到当前时间的时间长度)、日均余额与月均余额(均衡量客户消费情况)、以及理财月均金额与理财日均金额(均衡量客户的理财资金调度情况)之间均表征性质相同或性质相似的特征,而若表征相同或相似性质的特征过多,则存在重叠信息和冗余信息(表征一方面特征的信息类型无需过多),因此进行主成分分析后,仅从上述几组组合中各保留其中一个类型的信息来表征某个性质的特征,而剔除剩下的冗余重叠信息。需要说明的是,对于步骤S101的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,本发明实施例中的历史类型和当前类型的具体内容和数量,可由本领域技术人员根据实际情况确定,本发明实施例对此并不做出限制。例如,所述历史类型和当前类型,可以包括但不限于“理财意向强”、“理财意向一般”和“理财意向弱”等。
示例性的,所述根据所述当前类型,对应向所述当前客户推送理财产品的具体实现方式,可由本领域技术人员根据实际情况确定,本发明实施例对此并不做出限制。例如,对于当前类型为“理财意向强”的当前客户,通过电话联络的方式向其推送理财产品,对于当前类型为“理财意向一般”的当前客户,通过短信通知和应用消息推送的方式向其推送理财产品,对于当前类型为“理财意向弱”的当前客户,则不向其推送理财产品。根据所述当前类型,对应向所述当前客户推送理财产品的具体方式,可以为但不限于根据当前客户的当前类型确定当前客户的理财意向强度,进而根据所述理财意向强度对应地向当前客户推送理财产品。
示例性的,本发明实施例中的分类模型,可以为但不限于决策树模型、Adaboost模型或XGB模型等。需要说明的是,对于分类模型的类型,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
本发明提供的理财产品推送方法和装置,通过对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息,能够综合以客户的基本情况和实际理财情况为依据,对有关上述情况的信息进行精简提炼,得到能充分表征客户基本情况和实际理财情况的当前目标信息,实现了对客户实际理财情况和基本情况的综合参考,提高了得到当前目标信息的准确性,并使当前目标信息中仅包含能够主要反映相关特点的信息而不包含一些冗余信息和表征意义上重叠的信息,降低了当前目标信息的复杂性和信息量,因此降低后续步骤中基于当前目标信息进行处理计算的复杂度,从而会使后续确定的当前客户的当前类型与实际情况符合度较高,并提高确定当前类型的速度,进而提高整体理财产品推送的准确性和速度;通过根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值,能够对当前目标信息进行准确映射,得到简化清晰且能充分表征当前目标信息中各属性特征的当前权值,有利于提高后续模型对输入的兼容程度(输入中附带对应权值有利于使模型顺利地以简化清晰的数值参数为依据进行定位,从而顺利进行有关迭代计算等操作),从而有利于后续更顺利地通过模型进行计算确定当前类型,进而提高整体理财产品推送的速度和准确性;通过根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品,能够既以简化清晰表征当前目标信息中各属性特征的权值为依据,又以当前目标信息本体为依据,使用适用于确定对应类型的分类模型进行处理得到当前类型,实现了使模型输入综合了权值和信息本体两方面的参数,提高了模型输入的表征充分性和全面性,大幅度提高了使用模型进行运算确定当前类型的准确性,从而大幅度提高了整体理财产品推送的准确性。而且,本发明提供的理财产品推送方法和装置,能够以应用、程序、软件、系统或工具等形式,实现自动化运行,而大幅度减少了对人工的依赖程度,无需人工耗费较长时间对客户相关情况进行研究,且大幅度降低了工作人员的工作经验和工作能力对确定当前类型的准确性的不利影响,从而大幅度提高了整体理财产品推送的速度和准确性。综上所述,本发明提供的理财产品推送方法和装置,能够提高理财产品推送的速度和准确性,从而提高理财产品推送的效率。
在一个可选的实施方式中,如图2所示,所述根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值,包括如下步骤:
S201:根据当前目标信息,得到多个属性的当前属性信息。
S202:基于所述当前属性信息和所述权重映射信息,得到每个当前属性信息对应的当前权值。
示例性的,所述步骤S201,可以为但不限于对所述当前目标信息进行解析,得到所述当前目标信息中包括的多个属性的当前属性信息,例如,对当前目标信息进行解析,得到当前目标信息中包括的年龄、性别、日均余额、客户业务等级、客户业务处理频率、理财类型、理财时间、理财日均余额、理财总金额和理财产品频道页访问频率等各属性的信息。需要说明的是,对于步骤S201的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述权重映射信息,可以为但不限于包括属性内容或属性值与相应属性的权重的映射关系的映射表或映射清单等,例如,一个示例性的部分权重映射信息,如表1所示:
表1
需要说明的是,对于权重映射信息的形式和内容,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述步骤S202,可以为但不限于用当前目标信息中每个属性的当前属性信息中的属性内容或属性值在所述权重映射信息中进行查询,得到每个当前属性信息对应的当前权值。例如,某个权重映射信息的一部分如表1所示,而当前目标信息中某个当前属性信息的属性为理财时间,且该当前属性信息的属性内容为“3年”,则在表1中进行查询后,可以确定该当前属性信息对应的当前权值为1。需要说明的是,对于步骤S202的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
通过上述步骤,能够对当前目标信息进行细化解析,以粒度更细的、具体到每个属性的当前属性信息为依据确定每个当前属性信息的当前权值,使每个当前权值更准确地对应当前目标信息中的对应属性且该权值更能够符合该属性的对应特征,从而提高了确定当前权值的准确性,进而提高了整体理财产品推送的准确性。
在一个可选的实施方式中,如图3所示,所述根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型,包括如下步骤:
S301:根据所述当前目标信息和当前权值,得到当前输入特征信息。
S302:将所述当前输入特征信息输入到所述已训练分类模型中进行运算,得到所述当前类型。
通过上述步骤,能够以正确的模型使用方式使用模型对充分表征当前目标信息本体和特征权值的当前输入特征信息进行处理得到作为输出的当前类型,间接提高了得到当前类型的速度和准确性,从而提高了整体理财产品推送的速度和准确性。
在一个可选的实施方式中,所述根据所述当前目标信息和当前权值,得到当前输入特征信息,包括:
根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息。
示例性的,所述当前属性信息的具体来源,可以参考本发明实施例中对于步骤S201的描述,这里不再赘述。需要说明的是,若在根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值的步骤中已经执行了根据当前目标信息,得到多个属性的当前属性信息的操作,则无需在根据所述当前目标信息和当前权值,得到当前输入特征信息的步骤中重复执行得到当前属性信息的操作,若在根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值的步骤中未执行根据当前目标信息,得到多个属性的当前属性信息的操作,则需要在根据所述当前目标信息和当前权值,得到当前输入特征信息的步骤中执行得到当前属性信息的操作。
示例性的,所述根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息,可以为但不限于将当前属性信息和当前权值进行整合,得到当前输入特征信息,或将当前属性信息和当前权值作为元素,进行整合得到向量或矩阵形式的当前输入特征信息。需要说明的是,对于根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
通过上述步骤,能够使当前输入特征信息中子信息的粒度细化到每个属性的本体信息和权值信息,从而更加清晰、详细且全面,有利于提高后续步骤中基于该当前输入特征信息得到的当前类型的准确性以及模型的运算速度,进而有利于提高整体理财产品推送的准确性和速度。
在一个可选的实施方式中,如图4所示,进一步包括如下步骤:
S401:在根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型之前,对历史客户的历史客户基本信息和历史客户理财信息进行主成分分析,得到历史目标信息。
S402:根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值。
S403:基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型。
示例性的,所述历史客户基本信息,为经过历史客户授权获取的客户自身情况相关的基本信息,具体包括但不限于经历史客户授权的年龄、性别、生日、日均余额、月均余额、客户业务等级和客户业务处理频率等。所述历史客户理财信息,为经过历史客户授权获取的客户理财情况相关的信息,具体包括但不限于经历史客户授权的理财类型、理财时间、理财月均金额、理财日均金额和理财总金额和理财产品频道页访问频率等。需要说明的是,对于历史客户基本信息和历史客户理财信息的具体内容和形式等,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述步骤S401的具体原理,可以参考本发明实施例中对于步骤S101的描述,这里不再赘述。
通过步骤S401,能够综合以历史客户的基本情况和实际理财情况为依据,对有关上述情况的信息进行精简提炼,得到能充分表征历史客户基本情况和实际理财情况的历史目标信息,实现了对历史客户实际理财情况和基本情况的综合参考,提高了得到历史目标信息的准确性,并使历史目标信息中仅包含能够主要反映相关特点的信息而不包含一些冗余信息和表征意义上重叠的信息,降低了历史目标信息的复杂性和信息量,因此降低后续步骤中基于历史目标信息进行处理计算的复杂度,从而提高了后续训练模型的速度和准确性,进而提高了整体理财产品推送的速度和准确性。
通过步骤S402,能够对历史目标信息进行准确映射,得到简化清晰且能充分表征历史目标信息中各属性特征的历史权值,有利于提高后续训练模型时对输入的兼容程度,从而有利于后续更顺利、快速且准确地完成模型的训练,进而提高整体理财产品推送的速度和准确性。
通过步骤S403,能够综合充分且准确符合历史客户实际情况的有关特征信息对模型进行训练,提高了得到已训练分类模型的计算准确性和计算速度,从而提高了整体理财产品推送的准确性和速度。
在一个可选的实施方式中,所述根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值,包括:
根据历史目标信息,得到多个属性的历史属性信息;
基于所述历史属性信息和所述权重映射信息,得到每个历史属性信息对应的历史权值。
示例性的,所述根据历史目标信息,得到多个属性的历史属性信息的原理,可以参考本发明实施例中对于步骤S201的描述,这里不再赘述。
示例性的,所述基于所述历史属性信息和所述权重映射信息,得到每个历史属性信息对应的历史权值的原理,可以参考本发明实施例中对于步骤S202的描述,这里不再赘述。
通过上述步骤,能够对历史目标信息进行细化解析,以粒度更细的、具体到每个属性的历史属性信息为依据确定每个历史属性信息的历史权值,使每个历史权值更准确地对应历史目标信息中的对应属性且该权值更能够符合该属性的对应特征,从而提高了确定历史权值的准确性,因而提高了后续模型训练的准确性,进而提高了整体理财产品推送的准确性。
在一个可选的实施方式中,如图5所示,所述基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型,包括如下步骤:
S501:基于所述历史目标信息和历史权值,形成输入样本,并将对应历史客户的历史类型作为输出样本。
S502:根据历史客户对应的输入样本和输出样本,形成对应的待选样本,并根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本,并使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型。
示例性的,所述基于所述历史目标信息和历史权值,形成输入样本,可以为但不限于将历史目标信息中的多个历史属性信息和对应的历史权值进行整合,形成输入样本,或将历史属性信息和历史权值作为元素,进行整合形成向量或矩阵形式的输入样本。需要说明的是,对于基于所述历史目标信息和历史权值,形成输入样本的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,一个历史客户对应一个历史目标信息、一个历史类型、多个历史属性信息和多个历史权值,同理,一个当前客户对应一个当前目标信息、一个当前类型、多个当前属性信息和多个当前权值。
示例性的,一个历史客户对应一个输入样本、一个输出样本和一个待选样本,多个待选样本对应不同的历史客户。
示例性的,所述根据历史客户对应的输入样本和输出样本,形成对应的待选样本,可以为但不限于对输入样本和输出样本进行整合,形成所述待选样本。需要说明的是,对于根据历史客户对应的输入样本和输出样本,形成对应的待选样本的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本,可以为但不限于根据所述样本比例得到训练样本在待选样本中的第一数量占比以及测试样本在待选样本中的第二数量占比;将待选样本的待选样本数量乘以所述第一数量占比得到训练样本数量,并基于所述训练样本数量从所述待选样本中确定多个训练样本;将待选样本的待选样本数量乘以所述第二数量占比得到测试样本数量,并基于所述测试样本数量从所述待选样本中确定多个测试样本。需要说明的是,对于根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述样本比例可以为但不限于训练样本数量:测试样本数量的比例,其性质和具体值可由本领域技术人员根据实际情况确定,本发明实施例对此并不做出限制。例如,所述样本比例可以为但不限于4:1,对应的,第一数量占比为80%,第二数量占比为20%。
示例性的,所述使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型,可以为但不限于重复执行训练测试的步骤,直到模型的准确率大于或等于预设准确率阈值,将训练后分类模型作为所述已训练分类模型。
其中,所述训练测试的步骤,包括:
使用所述训练样本训练所述未训练分类模型,得到训练后分类模型;
使用所述测试样本测试所述训练后分类模型,得到模型的准确率。
或者,所述训练测试的步骤,还可以包括:
使用所述训练样本训练所述未训练分类模型,得到训练后分类模型;
使用所述测试样本测试所述训练后分类模型,得到模型的准确率,若所述模型的准确率小于预设准确率阈值,将所述训练后分类模型作为更新后的所述未训练分类模型。
其中,用训练样本训练模型以及用测试样本测试训练后模型的准确率,为本领域常规技术手段,这里不再赘述。
需要说明的是,对于使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
通过上述步骤,能够凭借充分的训练样本和测试样本,在使模型得到充分完善的训练的基础上,对一轮训练后的模型进行充分准确地准确性测试,并直到准确性测试的结果达到预期需求时,即测试通过时,才终止对模型的训练得到已训练分类模型,进一步提高了已训练分类模型的可靠性,从而提高了已训练分类模型后续运算得到当前类型的速度和准确性,进而提高了整体理财产品推送的速度和准确性。
在一个可选的实施方式中,进一步包括:
在基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型之前,根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值;
根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型。
示例性的,所述根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值,可以为但不限于将历史客户对应的多个所述历史权值进行叠加,得到所述历史客户对应的所述历史综合权值。需要说明的是,对于根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述客户类型映射信息,可以为但不限于反映综合权值与客户类型对应关系的映射信息,一个示例性的客户类型映射信息如下所示:
综合权值(0,12]——理财意向弱、综合权值(12,25]——理财意向一般、综合权值(25,+∞)——理财意向强,
需要说明的是,对于客户类型映射信息的性质和内容,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
示例性的,所述根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型,可以为但不限于使用所述历史综合权值在所述客户类型映射信息中进行查询,得到所述历史类型。例如,历史综合权值为13,则查询后可确定历史类型为“理财意向一般”。需要说明的是,对于根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型的具体实现方式,可由本领域技术人员根据实际情况确定,上述说明仅为举例,对此并不构成限制。
通过上述步骤,能够以历史客户多个属性的历史权值为依据,综合得到反映历史客户整体理财特征的历史综合权值,并以反映历史客户整体理财特征的历史综合权值为依据确定其对应的历史类型,能够使确定的历史类型符合历史客户的实际理财情况,提高了确定历史类型的准确性,从而提高后续模型训练的准确性,进而提高整体理财产品推送的准确性。
基于相同原理,本发明实施例公开了一种理财产品推送装置600,如图6所示,该理财产品推送装置600包括:
当前目标信息提取模块601,用于对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;
当前权值映射模块602,用于根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;
理财产品推送模块603,用于根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
在一个可选的实施方式中,所述当前权值映射模块602,用于:
根据当前目标信息,得到多个属性的当前属性信息;
基于所述当前属性信息和所述权重映射信息,得到每个当前属性信息对应的当前权值。
在一个可选的实施方式中,所述理财产品推送模块603,用于:
根据所述当前目标信息和当前权值,得到当前输入特征信息;
将所述当前输入特征信息输入到所述已训练分类模型中进行运算,得到所述当前类型。
在一个可选的实施方式中,所述理财产品推送模块603,用于:
根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息。
在一个可选的实施方式中,进一步包括模型训练模块,用于:
在根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型之前,对历史客户的历史客户基本信息和历史客户理财信息进行主成分分析,得到历史目标信息;
根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值;
基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型。
在一个可选的实施方式中,所述模型训练模块,用于:
根据历史目标信息,得到多个属性的历史属性信息;
基于所述历史属性信息和所述权重映射信息,得到每个历史属性信息对应的历史权值。
在一个可选的实施方式中,所述模型训练模块,用于:
基于所述历史目标信息和历史权值,形成输入样本,并将对应历史客户的历史类型作为输出样本;
根据历史客户对应的输入样本和输出样本,形成对应的待选样本,并根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本,并使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型。
在一个可选的实施方式中,进一步包括历史类型确定模块,用于:
在基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型之前,根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值;
根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型。
由于该理财产品推送装置600解决问题的原理与以上方法类似,因此本理财产品推送装置600的实施可以参见以上的方法的实施,在此不再赘述。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以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如上所述方法。
下面参考图7,其示出了适于用来实现本申请实施例的计算机设备700的结构示意图。
如图7所示,计算机设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的工作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。CPU701、ROM702、以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装如存储部分708。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
计算机可读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。计算机的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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、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。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (12)
1.一种理财产品推送方法,其特征在于,包括:
对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;
根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;
根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
2.根据权利要求1所述的方法,其特征在于,所述根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值,包括:
根据当前目标信息,得到多个属性的当前属性信息;
基于所述当前属性信息和所述权重映射信息,得到每个当前属性信息对应的当前权值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型,包括:
根据所述当前目标信息和当前权值,得到当前输入特征信息;
将所述当前输入特征信息输入到所述已训练分类模型中进行运算,得到所述当前类型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述当前目标信息和当前权值,得到当前输入特征信息,包括:
根据基于所述当前目标信息得到的多个属性的当前属性信息和当前权值,得到所述当前输入特征信息。
5.根据权利要求1所述的方法,其特征在于,进一步包括:
在根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型之前,对历史客户的历史客户基本信息和历史客户理财信息进行主成分分析,得到历史目标信息;
根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值;
基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型。
6.根据权利要求5所述的方法,其特征在于,所述根据历史目标信息和所述权重映射信息,得到历史目标信息的多个属性的历史权值,包括:
根据历史目标信息,得到多个属性的历史属性信息;
基于所述历史属性信息和所述权重映射信息,得到每个历史属性信息对应的历史权值。
7.根据权利要求5所述的方法,其特征在于,所述基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型,包括:
基于所述历史目标信息和历史权值,形成输入样本,并将对应历史客户的历史类型作为输出样本;
根据历史客户对应的输入样本和输出样本,形成对应的待选样本,并根据预设的样本比例,从多个待选样本中确定对应的多个训练样本和多个测试样本,并使用多个所述训练样本和测试样本训练所述未训练分类模型,得到所述已训练分类模型。
8.根据权利要求5所述的方法,其特征在于,进一步包括:
在基于所述历史目标信息、历史权值和对应历史客户的历史类型,对预设的未训练分类模型进行训练,得到已训练分类模型之前,根据所述历史客户对应的多个所述历史权值,得到对应的历史综合权值;
根据所述历史综合权值和预设的客户类型映射信息,得到历史客户的所述历史类型。
9.一种理财产品推送装置,其特征在于,包括:
当前目标信息提取模块,用于对当前客户的当前客户基本信息和当前客户理财信息进行主成分分析,得到当前目标信息;
当前权值映射模块,用于根据当前目标信息和预设的权重映射信息,得到当前目标信息的多个属性的当前权值;
理财产品推送模块,用于根据所述当前目标信息、当前权值和预设的已训练分类模型,得到当前客户的当前类型;根据所述当前类型,对应向所述当前客户推送理财产品。
10.一种计算机设备,包括存储器、处理器以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如权利要求1-8中任一项所述方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245227.3A CN115526727A (zh) | 2022-10-12 | 2022-10-12 | 理财产品推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245227.3A CN115526727A (zh) | 2022-10-12 | 2022-10-12 | 理财产品推送方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526727A true CN115526727A (zh) | 2022-12-27 |
Family
ID=84702535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245227.3A Pending CN115526727A (zh) | 2022-10-12 | 2022-10-12 | 理财产品推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526727A (zh) |
-
2022
- 2022-10-12 CN CN202211245227.3A patent/CN115526727A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230325724A1 (en) | Updating attribute data structures to indicate trends in attribute data provided to automated modelling systems | |
US20240185130A1 (en) | Normalizing text attributes for machine learning models | |
US20190114711A1 (en) | Financial analysis system and method for unstructured text data | |
CN111523678A (zh) | 业务的处理方法、装置、设备及存储介质 | |
US10706359B2 (en) | Method and system for generating predictive models for scoring and prioritizing leads | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN112684396A (zh) | 电能表运行误差监测模型的数据预处理方法及系统 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN112132690B (zh) | 外汇产品信息的推送方法、装置、计算机设备及存储介质 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN115526727A (zh) | 理财产品推送方法和装置 | |
CN112527851B (zh) | 用户特征数据筛选方法、装置及电子设备 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN115375485A (zh) | 理财产品推送方法和装置 | |
CN109614328B (zh) | 用于处理测试数据的方法和装置 | |
CN115205049A (zh) | 保险产品推送方法和装置 | |
CN115375477A (zh) | 数据模型交易信息处理方法、服务器、应用端和系统 | |
CN116151987A (zh) | 理财产品交易处理方法、装置和系统 | |
CN113362115A (zh) | 基于机器学习的交易资源分析方法、装置、设备和介质 |
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 |