CN115631050A - 金融产品推荐方法及装置 - Google Patents
金融产品推荐方法及装置 Download PDFInfo
- Publication number
- CN115631050A CN115631050A CN202211273289.5A CN202211273289A CN115631050A CN 115631050 A CN115631050 A CN 115631050A CN 202211273289 A CN202211273289 A CN 202211273289A CN 115631050 A CN115631050 A CN 115631050A
- Authority
- CN
- China
- Prior art keywords
- financial product
- user
- held
- financial
- behavior 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
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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种金融产品推荐方法及装置,涉及人工智能技术领域,其中该方法包括:收集用户操作的金融产品数据;根据用户操作的金融产品数据计算持仓分布集中度指标;将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息。本发明可以对用户进行个性化的金融产品推荐,改善用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种金融产品推荐方法及装置。需要说明的是,本发明金融产品推荐方法及装置可用于人工智能技术领域,也可用于除人工智能技术领域之外的任意领域,本发明金融产品推荐方法及装置的应用领域不做限定。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
如今,人们可以通过手机购买金融产品,但是金融产品越来越多样化,类型越来越丰富,用户很难在短时间内找到适合自己的金融产品。现有的金融产品推荐,一部分依赖于人工推荐,这种方式耗费人工较多的时间和精力,成本较高,还有一部分采用深度学习的方式进行金融产品推荐,但是这种方式需要在前期构建大量的金融产品相关的样本数据,样本数据繁杂,训练过程繁琐,金融产品推荐的计算过程需要较多的硬件资源。
发明内容
本发明实施例提供一种金融产品推荐方法,用以提高金融产品推荐效率,降低对硬件资源的需求,该方法包括:
收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;
当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
本发明实施例还提供一种金融产品推荐装置,用以提高金融产品推荐效率,降低对硬件资源的需求,该装置包括:
数据收集模块,用于收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
持仓分布度计算模块,用于根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
金融产品推荐模块,用于将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
本发明实施例还提供一种计算机设备,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计算机程序时实现上述金融产品推荐方法。
本发明实施例还提供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,所述计算机程序被处理器执行时实现上述金融产品推荐方法。
本发明实施例还提供一种计算机程序产品,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上述金融产品推荐方法。
本发明实施例根据用户持仓分布集中度指标判断要给用户推荐的金融产品类别,当持仓分布集中度指标超过预设阈值,说明用户偏向喜好某一类别的金融产品,利用与用户持有的金融产品中资产金额最高的第一金融产品类别对应的金融产品协同过滤模型,输出所述第一金融产品类别的金融产品信息,推荐给用户第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,说明持仓分布度不集中,用户偏向喜好多种类别的金融产品,此时利用与用户持有的每个金融产品类别对应的金融产品协同过滤模型,分别输出用户持有的每个金融产品类别的金融产品信息,给用户推荐其之前购买过的所有类别的金融产品信息;从而实现了对用户的个性化金融产品推荐,改善了用户体验;同时针对每一类别的金融产品构建了对应的金融产品协同过滤模型,样本数据类型统一,训练过程简单,训练出的每个金融产品协同过滤模型在金融产品推荐的计算过程仅需要较少资源,提升了金融产品推荐效率。
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。在附图中:
图1为本发明实施例中金融产品推荐方法的流程示意图;
图2为本发明实施例中金融产品推荐方法的一具体实施例;
图3为本发明实施例中金融产品推荐方法的一具体实施例;
图4为本发明实施例中金融产品推荐方法的一具体实施例;
图5为本发明实施例中金融产品推荐装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
发明人发现,有的金融产品推荐,一部分依赖于人工推荐,这种方式耗费人工较多的时间和精力,成本较高,还有一部分采用深度学习的方式进行金融产品推荐,但是这种方式需要在前期构建大量的金融产品相关的样本数据,样本数据繁杂,训练过程繁琐,金融产品推荐的计算过程需要较多的硬件资源。基于此,发明人提出一种金融产品推荐方法。
图1为本发明实施例中金融产品推荐方法的流程示意图,如图1所示,该方法包括:
步骤101、收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
步骤102、根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
步骤103、将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;
步骤104、当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
从图1所示流程可以看出,本发明实施例根据用户持仓分布集中度指标判断要给用户推荐的金融产品类别,当持仓分布集中度指标超过预设阈值,说明用户偏向喜好某一类别的金融产品,利用与用户持有的金融产品中资产金额最高的第一金融产品类别对应的金融产品协同过滤模型,输出所述第一金融产品类别的金融产品信息,推荐给用户第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,说明持仓分布度不集中,用户偏向喜好多种类别的金融产品,此时利用与用户持有的每个金融产品类别对应的金融产品协同过滤模型,分别输出用户持有的每个金融产品类别的金融产品信息,给用户推荐其之前购买过的所有类别的金融产品信息;从而实现了对用户的个性化金融产品推荐,改善了用户体验;同时针对每一类别的金融产品构建了对应的金融产品协同过滤模型,样本数据类型统一,训练过程简单,训练出的每个金融产品协同过滤模型在金融产品推荐的计算过程仅需要较少资源,提升了金融产品推荐效率。
下面对本申请技术方案进行详细解释。
需要说明的是,本申请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。
首先,收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额。
例如当获取用户登录的消息,准备给用户推荐金融产品。首先,收集用户操作的金融产品数据,主要包括用户操作行为数据、用户持有金融产品的资产金额,其中用户操作行为数据可以包括:用户点击行为数据、用户加入购物车行为数据、用户分享行为数据、用户浏览行为数据、用户购买行为数据,具体的,可以包括用户购买的、点击浏览的、收藏的、分享的金融产品的名称、金额、时间、期限、类别等信息。需要说明的是,用户操作的金融产品数据较多,在利用其进行金融产品信息推荐的计算之前,需要预先经过数据处理,例如用户操作的所有金融产品数据融合、再分类、剔除异常值、去噪、编码等。
然后,根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差。
实施时,相关的用户数据准备好之后,根据用户持有金融产品的资产金额计算持仓分布集中度指标,持仓分布集中度指标可以反映用户对于金融产品的偏好,持仓分布集中度指标具体可以为用户持有金融产品的资产金额的标准差。
图2为本发明实施例中金融产品推荐方法的一具体实施例,如图2所示,持仓分布集中度指标按如下方法计算:
步骤201、根据用户持有金融产品的资产金额构建用户持有金融产品情况表;所述用户持有金融产品情况表记录每一用户持有金融产品的标识和金融产品对应的资产金额;
步骤202、根据用户持有金融产品情况表,构建用户持有金融产品资产矩阵;所述用户持有金融产品资产矩阵根据用户持有金融产品情况表处理生成,反映每一用户持有金融产品的标识和金融产品对应的资产金额;
步骤203、根据用户持有金融产品资产矩阵,计算持仓分布集中度指标。
实施时,为了提升效率,可以对多个用户操作的金融产品数据进行数据资源整合,构建包含多个用户操作的金融产品相关数据和持有金融产品的资产金额的用户持有金融产品情况表,在该表中至少记录有每一用户持有金融产品的标识和金融产品对应的资产金额,其中金融产品的标识可以为金融产品名称。
如下表所示,表1为用户持有金融产品情况表的示例。
表1
然后,根据用户持有金融产品情况表,按如下公式构建用户持有金融产品资产矩阵:
其中,X表示用户持有金融产品资产矩阵,v表示用户,vn表示第n个用户,s表示用户持有的金融产品的标识,sm表示第m个金融产品的标识,xij表示第i个用户对第j个金融产品持有的资产金额。
最后,根据用户持有金融产品资产矩阵,计算持仓分布集中度指标。具体的,对每个用户持有金融产品的资产金额计算标准差,即计算用户持有金融产品资产矩阵的行向量的标准差,得到持仓分布集中度指标;当持仓分布集中度指标越小,分布度不集中,说明用户偏好的金融产品类别越多,此时根据用户已持有的金融产品类别为其推荐金融产品信息;当持仓分布集中度指标越大,分布度较为集中,说明用户偏向喜好某一类别的金融产品,此时为用户推荐其偏好类别的金融产品;实施时,可以根据经验设定阈值,将持仓分布集中度指标与设定阈值进行比较。
关于金融产品类别,可以按多种方式进行分类,如支付类、贷款类、理财类、网络证券类,理财类还可以包括基金、保险、贵金属、国债、存款,还可以按照不同的金融产品风险等级、不同的金融产品申赎期限进行分类,本发明实施例在此仅做示例,不再一一列举。
在进行金融产品推荐时,将持仓分布集中度指标与设定阈值进行比较时,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息。例如,当用户甲持仓分布集中度指标超过预设阈值,获取用户甲持有的所有金融产品信息;分别检查用户甲持有的金融产品类别,如基金金融产品较多、贵金属金融产品较多、或用户甲持有的所有金融产品风险等级较高,经检查确定用户甲偏好贵金属金融产品;根据用户甲的偏好,将用户甲操作行为数据经预处理输入贵金属金融产品对应的金融产品协同过滤模型,可以输出多个贵金属金融产品信息,按推荐级别从高到低排序,展示给用户甲。
在进行金融产品推荐时,将持仓分布集中度指标与设定阈值进行比较时,当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息。例如,当用户乙持仓分布集中度指标小于预设阈值,获取用户乙持有的所有金融产品信息;分别检查用户乙持有的金融产品类别、购买次数以及未购买但是浏览或收藏的金融产品的类别,发现用户乙持有国债、大额定期存款、小额定期存款、基金等多种金融产品,并收藏过多个低风险低收益的金融产品;将用户乙操作行为数据经预处理分别输入国债、定期存款、基金对应的金融产品协同过滤模型,分别输出国债、定期存款、基金金融产品的推荐信息,和用户乙收藏过的低风险低收益的金融产品信息,一起按序展示给用户乙。
需要说明的是,图3为本发明实施例中金融产品推荐方法的一具体实施例,每一金融产品类别对应的金融产品协同过滤模型按如图3所示的方式训练得到:
步骤301、收集同一金融产品类别的金融产品信息、历史用户操作行为数据,构建训练集和测试集;
步骤302、按协同过滤思想构建机器学习模型;
步骤303、利用训练集对机器学习模型进行训练,得到所述同一金融产品类别对应的金融产品协同过滤模型;
步骤304、利用测试集对所述同一金融产品类别对应的金融产品协同过滤模型进行测试。
本发明实施例中,采用协同过滤思想计算金融产品推荐排序,避免现有技术中使用频繁变化的标签,使得推荐结果更加准确;同时由于在推荐之前首先根据用户的持仓分布度指标,预先判断用户对金融产品类别的偏好,使得推荐结果更加个性化,大大的提升了用户体验。
图4为本发明实施例中金融产品推荐方法的一具体实施例,如图4所示,首先获取数据,包括用户持仓金融产品数据和用户点击金融产品数据,如用户持有金融产品的资产金额、名称、收益、期限、类别等信息;然后进行数据预处理,合并、再分类、数据冲洗等预处理;根据预处理过后的数据计算持仓分布集中度;根据持仓分布集中度判断用户偏好的金融产品类别,选择对应的金融产品协同过滤模型,输出推荐结果。
本发明实施例中还提供了一种金融产品推荐装置,如下面的实施例所述。由于该装置解决问题的原理与金融产品推荐方法相似,因此该装置的实施可以参见金融产品推荐方法的实施,重复之处不再赘述。
图5为本发明实施例中金融产品推荐装置的示意图,如图5所示,该装置包括:
数据收集模块501,用于收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
持仓分布度计算模块502,用于根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
金融产品推荐模块503,用于将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
在一个实施例中,持仓分布度计算模块502,具体用于:
根据用户持有金融产品的资产金额构建用户持有金融产品情况表;所述用户持有金融产品情况表记录每一用户持有金融产品的标识和金融产品对应的资产金额;
根据用户持有金融产品情况表,按如下公式构建用户持有金融产品资产矩阵:
其中,X表示用户持有金融产品资产矩阵,v表示用户,vn表示第n个用户,s表示用户持有的金融产品的标识,sm表示第m个金融产品的标识,xij表示第i个用户对第j个金融产品持有的资产金额;
根据用户持有金融产品资产矩阵,计算持仓分布集中度指标。
在一个实施例中,所述金融产品类别包括:基金、保险、贵金属、国债、存款。
在一个实施例中,所述金融产品类别包括:不同的金融产品风险等级、不同的金融产品申赎期限。
在一个实施例中,所述用户操作行为数据包括如下之一或任意组合:
用户点击行为数据;
用户加入购物车行为数据;
用户分享行为数据;
用户浏览行为数据;
用户购买行为数据。
在一个实施例中,每一金融产品类别对应的金融产品协同过滤模型按如下方式训练得到:
收集同一金融产品类别的金融产品信息、历史用户操作行为数据,构建训练集和测试集;
按协同过滤思想构建机器学习模型;
利用训练集对机器学习模型进行训练,得到所述同一金融产品类别对应的金融产品协同过滤模型;
利用测试集对所述同一金融产品类别对应的金融产品协同过滤模型进行测试。
本发明实施例还提供一种计算机设备,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计算机程序时实现上述金融产品推荐方法。
本发明实施例还提供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,所述计算机程序被处理器执行时实现上述金融产品推荐方法。
本发明实施例还提供一种计算机程序产品,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上述金融产品推荐方法。
本发明实施例根据用户持仓分布集中度指标判断要给用户推荐的金融产品类别,当持仓分布集中度指标超过预设阈值,说明用户偏向喜好某一类别的金融产品,利用与用户持有的金融产品中资产金额最高的第一金融产品类别对应的金融产品协同过滤模型,输出所述第一金融产品类别的金融产品信息,推荐给用户第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,说明持仓分布度不集中,用户偏向喜好多种类别的金融产品,此时利用与用户持有的每个金融产品类别对应的金融产品协同过滤模型,分别输出用户持有的每个金融产品类别的金融产品信息,给用户推荐其之前购买过的所有类别的金融产品信息;从而实现了对用户的个性化金融产品推荐,改善了用户体验;同时针对每一类别的金融产品构建了对应的金融产品协同过滤模型,样本数据类型统一,训练过程简单,训练出的每个金融产品协同过滤模型在金融产品推荐的计算过程仅需要较少资源,提升了金融产品推荐效率。
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、系统、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(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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种金融产品推荐方法,其特征在于,包括:
收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;
当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
3.如权利要求1所述的方法,其特征在于,所述金融产品类别包括:基金、保险、贵金属、国债、存款。
4.如权利要求1所述的方法,其特征在于,所述金融产品类别包括:不同的金融产品风险等级、不同的金融产品申赎期限。
5.如权利要求1所述的方法,其特征在于,所述用户操作行为数据包括如下之一或任意组合:
用户点击行为数据;
用户加入购物车行为数据;
用户分享行为数据;
用户浏览行为数据;
用户购买行为数据。
6.如权利要求1所述的方法,其特征在于,每一金融产品类别对应的金融产品协同过滤模型按如下方式训练得到:
收集同一金融产品类别的金融产品信息、历史用户操作行为数据,构建训练集和测试集;
按协同过滤思想构建机器学习模型;
利用训练集对机器学习模型进行训练,得到所述同一金融产品类别对应的金融产品协同过滤模型;
利用测试集对所述同一金融产品类别对应的金融产品协同过滤模型进行测试。
7.一种金融产品推荐装置,其特征在于,包括:
数据收集模块,用于收集用户操作的金融产品数据;所述用户操作的金融产品数据包含用户操作行为数据、用户持有金融产品的资产金额;
持仓分布度计算模块,用于根据用户持有金融产品的资产金额计算持仓分布集中度指标;所述持仓分布集中度指标为用户持有金融产品的资产金额的标准差;
金融产品推荐模块,用于将持仓分布集中度指标与预设阈值比较,当持仓分布集中度指标超过预设阈值,获取用户持有的金融产品中资产金额最高的第一金融产品类别;将用户操作行为数据输入与第一金融产品类别对应的金融产品协同过滤模型,输出第一金融产品类别的金融产品信息;当持仓分布集中度指标小于预设阈值,获取用户持有的所有金融产品类别;分别将用户操作行为数据输入与用户持有的每一金融产品类别对应的金融产品协同过滤模型,输出用户持有的每一金融产品类别的金融产品信息;
其中,金融产品协同过滤模型根据对应类别的金融产品信息、历史用户操作行为数据对机器学习模型训练得到。
9.如权利要求7所述的装置,其特征在于,所述金融产品类别包括:基金、保险、贵金属、国债、存款。
10.如权利要求7所述的装置,其特征在于,所述金融产品类别包括:不同的金融产品风险等级、不同的金融产品申赎期限。
11.如权利要求7所述的装置,其特征在于,所述用户操作行为数据包括如下之一或任意组合:
用户点击行为数据;
用户加入购物车行为数据;
用户分享行为数据;
用户浏览行为数据;
用户购买行为数据。
12.如权利要求7所述的装置,其特征在于,每一金融产品类别对应的金融产品协同过滤模型按如下方式训练得到:
收集同一金融产品类别的金融产品信息、历史用户操作行为数据,构建训练集和测试集;
按协同过滤思想构建机器学习模型;
利用训练集对机器学习模型进行训练,得到所述同一金融产品类别对应的金融产品协同过滤模型;
利用测试集对所述同一金融产品类别对应的金融产品协同过滤模型进行测试。
13.一种计算机设备,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计算机程序时实现权利要求1至6任一所述方法。
14.一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,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
15.一种计算机程序产品,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至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273289.5A CN115631050A (zh) | 2022-10-18 | 2022-10-18 | 金融产品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273289.5A CN115631050A (zh) | 2022-10-18 | 2022-10-18 | 金融产品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631050A true CN115631050A (zh) | 2023-01-20 |
Family
ID=84907150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211273289.5A Pending CN115631050A (zh) | 2022-10-18 | 2022-10-18 | 金融产品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631050A (zh) |
-
2022
- 2022-10-18 CN CN202211273289.5A patent/CN115631050A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
CN108734327A (zh) | 一种数据处理方法、装置及服务器 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN114581249B (zh) | 基于投资风险承受能力评估的金融产品推荐方法及系统 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111798304A (zh) | 一种风险贷款确定方法、装置、电子设备及存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN117290508A (zh) | 一种基于自然语言处理的贷后文本数据处理方法和系统 | |
CN115167965A (zh) | 交易进度条的处理方法及装置 | |
CN115269085A (zh) | 手机银行页面展示方法及装置 | |
CN115631050A (zh) | 金融产品推荐方法及装置 | |
CN114912538A (zh) | 信息推送模型训练方法和信息推送方法、装置及设备 | |
CN114971240A (zh) | 一种阅读行为风险评估处理方法及装置 | |
CN114581209A (zh) | 财务分析模型的训练方法、装置、设备及存储介质 | |
CN113781056A (zh) | 预测用户欺诈行为的方法及装置 | |
CN113971495A (zh) | 日间批量处理方法及装置 | |
CN113436023A (zh) | 基于区块链的理财产品推荐方法及装置 | |
CN113138977A (zh) | 交易转化分析方法、装置、设备及存储介质 | |
CN113094589B (zh) | 智能服务推荐方法及装置 | |
CN112070615B (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
CN113988955A (zh) | 潜在资产提升客户预测方法及装置 | |
CN115423020A (zh) | 手机银行交易账本生成方法及装置 |
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 |