CN115713389A - 理财产品推荐方法及装置 - Google Patents
理财产品推荐方法及装置 Download PDFInfo
- Publication number
- CN115713389A CN115713389A CN202211506310.1A CN202211506310A CN115713389A CN 115713389 A CN115713389 A CN 115713389A CN 202211506310 A CN202211506310 A CN 202211506310A CN 115713389 A CN115713389 A CN 115713389A
- Authority
- CN
- China
- Prior art keywords
- product
- information
- market trend
- financing
- trend prediction
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种理财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：获取目标用户的基本信息；根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。本发明能够提高理财产品推荐的成功率，满足客户需求。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及理财产品推荐方法及装置。
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。
投资理财是对资产进行管理和分配，使资产达到保值增值的有效手段。但投资理财存在风险，客户在没有理财基础情况下往往无法合理规划资产。当前已有的理财产品推荐方式只是基于固定规则的静态方案，未考虑客户之间的差异，无法做到与时俱进，实时更新，规则死板，无法适应客户的多样性需求。
发明内容
本发明实施例提供一种理财产品推荐方法，用以提高理财产品推荐的成功率，满足客户需求，该方法包括：
获取目标用户的基本信息；
根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；
根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
进一步地，在所述根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出之前，还包括：
根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；
所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
进一步地，在所述根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息之前，还包括：
获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息；
根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
进一步地，在所述根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息之前，还包括：
获取批量理财产品的历史产品信息和实际市场走势预测信息；
根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
本发明实施例还提供一种理财产品推荐装置，用以提高理财产品推荐的成功率，满足客户需求，该装置包括：
获取模块，用于获取目标用户的基本信息；
确定模块，用于根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；
推荐模块，用于根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
进一步地，所述的理财产品推荐装置，还包括：
市场走势确定模块，用于根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；
所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
进一步地，所述的理财产品推荐装置，还包括：
第一获取历史信息模块，用于获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息；
第一训练模块，用于根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
进一步地，所述的理财产品推荐装置，还包括：
第二获取历史信息模块，用于获取批量理财产品的历史产品信息和实际市场走势预测信息；
第二训练模块，用于根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
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理财产品推荐方法。
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理财产品推荐方法。
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理财产品推荐方法。
本发明实施例中的理财产品推荐方法及装置，与现有技术中基于固定规则的静态方案相比，通过获取目标用户的基本信息；根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出，能够提高理财产品推荐的成功率，满足客户需求；具体地，可以通过获取用户实时的操作历史，提取用户的操作偏好，可以实时根据用户的习惯调整投资方案。通过大量已有用户的习惯，自动提取市场投资理财动向，方向性更强，准确性更高。
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是本申请实施例中的理财产品推荐方法的第一流程示意图；
图2是本申请实施例中的理财产品推荐方法的第二流程示意图；
图3是本申请实施例中的理财产品推荐方法的第三流程示意图；
图4是本申请实施例中的理财产品推荐方法的第四流程示意图；
图5是本申请一种举例中的每单投资评价模型的逻辑示意图；
图6是本申请实施例中的理财产品推荐装置的结构示意图。
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。
为了便于对本方案的理解，下面对与本方案相关的技术内容进行说明。
深度学习：是机器学习的分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。
CNN网络：卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
BP网络：BP神经网络，又称全连接神经网络，是一种多层感知机(MLP)，按照误差逆向传播算法训练的多层前馈神经网络。
多示例学习：多示例学习(Multiple Instance Learning简称MIL)是由监督型学习算法演变出的一种方法，定义“包”为多个示例的集合，具有广泛的应用。学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包拥有多个实例。
Flatten：Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。
k-max Pool:原先的Max Pooling Over Time从Convolution层一系列特征值中只取最强的那个值，K-Max Pooling可以取所有特征值中得分在Top–K的值，并保留这些特征值原始的先后顺序。
LSTM网络：长短期记忆(Long short-term memory,LSTM)是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
现有技术中，还有用户在投资理财前填写问卷，通过问卷结果，评估用户习惯和风险承受能力，进而人工为用户提供投资理财方案。但该方式过度依赖问卷结果，规则死板，容错性差，无法针对用户多变的操作习惯调整投资理财规划。
为了解决上述现有技术中存在的问题，本申请实施例提供一种理财产品推荐方法及装置，通过已有的大量中银理财用户的特征和投资行为，利用深度学习算法，自动生成适合不同用户的投资理财方案。利用大量已有用户的实时数据，为新用户规划方案，实时性更好，可以提取出用户近期投资行为和规律，使得推荐的理财产品与当前投资形势更为贴合；可以提取用户的行为习惯，并分析用户风险承受能力，根据用户的习惯提供特有的方案，针对性更强。
需要说明的是，本申请公开的理财产品推荐方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的理财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、处理等均符合国家法律法规的相关规定。
为了提高理财产品推荐的准确性和全面性，进而保证交易过程的安全性，本实施例提供一种执行主体是理财产品推荐装置的理财产品推荐方法，该理财产品推荐装置包括但不限于服务器，如图1所示，该方法具体包含有如下内容：
步骤101：获取目标用户的基本信息。
具体地，基本信息可以包括：姓名、年龄和性别等。
步骤102：根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息。
具体地，产品信息可以包括：理财产品唯一标识，理财产品唯一标识用于区分不同的理财产品，如，理财产品名称和编号等。风险承受度可以用于评价用户的风险承受能力，可以分为多级，如，一至十级，风险承受度的级别越高，用户承受风险能力越高。
步骤103：根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
具体地，市场走势预测信息可以包括：理财产品接下来的七日增长率，市场走势预测信息可以用于评价理财产品的走势好坏。
为了进一步提高获得理财产品的市场走势预测信息的可靠性，如图2所示，在本申请一个实施例中，在步骤103之前，还包括：
步骤201：根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
为了进一步提高初始产品推荐模型的可靠性，如图3所示，在本申请一个实施例中，在步骤102之前，还包括：
步骤301：获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息。
步骤302：根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
为了进一步提高市场走势预测模型的可靠性，如图4所示，在本申请一个实施例中，在步骤201之前，还包括：
步骤401：获取批量理财产品的历史产品信息和实际市场走势预测信息。
步骤402：根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
为了进一步说明本方案，本申请提供一种理财产品推荐方法的应用实例，在本应用实例中，该方法具体描述如下：
步骤1：收集客户的基本信息和用户习惯信息。
步骤2：筛选客户的基本信息，采用多层BP神经网络生成初始方案模型。通过全连接神经网络，提取出用户的特征、风险承受能力及个人偏好，据此生成初始投资理财规划方案。
步骤3：筛选客户的基本信息和投资记录，根据客户投资理财频次和总体收益率标记用户理财能力等级。由于无法直接准确标记用户单笔投资行为的质量，采用多示例学习算法，整体标记客户理财能力等级，通过整体能力等级建立每单投资评价模型。
具体流程：首先标记客户理财能力等级，然后构建损失函数。损失函数具体推导流程：
输入用户数据X＝{xi}i＝1，…，N，xi为用户的一笔交易，N为特征数。用户数据集D＝{(Gk，lk)}k＝1，…，K，其中(Gk，lk)为一组用户数据，Gk为一个用户的所有投资理财操作，Gk∈X，lk为用户标签。
构造损失函数：
其中
表示各笔交易预测值之间的欧氏距离，
表示各笔交易的相关性，损失函数第一项用来保证特征相近的交易有相近的预测结果，
表示预测用户标签和真实标签之间的欧式距离，损失函数第二项用来保证预测的用户标签和真实的用户标签一致。
假定采用的模型为Logistic回归，则单笔交易标签的预测结果为：
用户标签预测结果为：
由此可推导出整个流程的最终损失函数：
实际算法中模型采用CNN和BP神经网络实现，损失函数可以采用反向传播算法求偏导数实现。
输入数据通过卷积层卷积池化，提取数据特征，保证每个用户交易输出长度一致，后面接全连接层，每笔交易输出一个单笔用户收益标签，作为最后输出。全连接层后接Flatten层，将特征铺平后继续经过全连接层输出用户标签，用于对比真实标签训练。如图5所示，每单投资评价模型可以包括：卷积层、k-max Pool池化层、全连接层、Flatten层、单笔交易标签输出层和用户标签输出层等。
步骤4：根据输出的单笔用户收益标签，按时间维度构建LSTM神经网络，用于预测市场投资走势。
步骤5：根据初始投资理财规划方案、市场走势及用户的风险承受度，调整规划方案，最后输出最终解决方案。
具体地，可以根据已有用户投资习惯预测投资曲线，根据预测曲线微调投资理财方案；最后将生成最终方案反馈给用户。
本发明实施例中还提供了一种理财产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与理财产品推荐方法相似，因此该装置的实施可以参见理财产品推荐方法的实施，重复之处不再赘述。
如图6所示，在本申请一个实施例中，所述的理财产品推荐装置包括：
获取模块61，用于获取目标用户的基本信息；
确定模块62，用于根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；
推荐模块63，用于根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
在本申请一个实施例中，所述的理财产品推荐装置，还包括：
市场走势确定模块，用于根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
在本申请一个实施例中，所述的理财产品推荐装置还包括：
第一获取历史信息模块，用于获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息；
第一训练模块，用于根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
在本申请一个实施例中，所述的理财产品推荐装置，还包括：
第二获取历史信息模块，用于获取批量理财产品的历史产品信息和实际市场走势预测信息；
第二训练模块，用于根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
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理财产品推荐方法。
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理财产品推荐方法。
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理财产品推荐方法。
由上述描述可知，本申请实施例提供的理财产品推荐方法及装置，能够提高理财产品推荐的成功率，满足客户需求；具体地，可以通过获取用户实时的操作历史，提取用户的操作偏好，可以实时根据用户的习惯调整投资方案。通过大量已有用户的习惯，自动提取市场投资理财动向，方向性更强，准确性更高。由于无法直接准确标记用户单笔投资行为的质量，标记难度大，可行性低，本发明采用多示例学习算法，整体标记客户理财能力等级，通过整体能力等级建立每单投资评价模型。
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 (11)
1.一种理财产品推荐方法，其特征在于，包括：
获取目标用户的基本信息；
根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；
根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
2.根据权利要求1所述的理财产品推荐方法，其特征在于，在所述根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出之前，还包括：
根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；
所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
3.根据权利要求1所述的理财产品推荐方法，其特征在于，在所述根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息之前，还包括：
获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息；
根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
4.根据权利要求2所述的理财产品推荐方法，其特征在于，在所述根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息之前，还包括：
获取批量理财产品的历史产品信息和实际市场走势预测信息；
根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
5.一种理财产品推荐装置，其特征在于，包括：
获取模块，用于获取目标用户的基本信息；
确定模块，用于根据预设的初始产品推荐模型和所述目标用户的基本信息，确定所述目标用户的风险承受度和初始推荐理财产品的产品信息；
推荐模块，用于根据所述风险承受度、初始推荐理财产品的产品信息和预获取的市场走势预测信息，确定所述目标用户对应的最终推荐理财产品的产品信息并输出。
6.根据权利要求5所述的理财产品推荐装置，其特征在于，还包括：
市场走势确定模块，用于根据所述初始推荐理财产品的产品信息和预设的市场走势预测模型，确定所述初始推荐理财产品的市场走势预测信息；
所述市场走势模型是根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练得到的。
7.根据权利要求5所述的理财产品推荐装置，其特征在于，还包括：
第一获取历史信息模块，用于获取批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息；
第一训练模块，用于根据批量历史用户的基本信息、实际风险承受度和实际初始推荐理财产品的产品信息对多层前馈神经网络模型进行训练，得到所述预设的初始产品推荐模型。
8.根据权利要求6所述的理财产品推荐装置，其特征在于，还包括：
第二获取历史信息模块，用于获取批量理财产品的历史产品信息和实际市场走势预测信息；
第二训练模块，用于根据批量理财产品的历史产品信息和实际市场走势预测信息对长短期记忆神经网络模型进行训练，得到所述预设的市场走势预测模型。
9.一种计算机设备，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4任一项所述的理财产品推荐方法。
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，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的理财产品推荐方法。
11.一种计算机程序产品，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4任一项所述的理财产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211506310.1A CN115713389A (zh) | 2022-11-28 | 2022-11-28 | 理财产品推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211506310.1A CN115713389A (zh) | 2022-11-28 | 2022-11-28 | 理财产品推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115713389A true CN115713389A (zh) | 2023-02-24 |
Family
ID=85235093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211506310.1A Pending CN115713389A (zh) | 2022-11-28 | 2022-11-28 | 理财产品推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713389A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739794A (zh) * | 2023-08-10 | 2023-09-12 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
-
2022
- 2022-11-28 CN CN202211506310.1A patent/CN115713389A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739794A (zh) * | 2023-08-10 | 2023-09-12 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
| CN116739794B (zh) * | 2023-08-10 | 2023-10-20 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| US12120073B2 (en) | Systems and methods for generating dynamic conversational responses using ensemble prediction based on a plurality of machine learning models | |
| US20220108334A1 (en) | Inferring unobserved event probabilities | |
| CA3114298C (en) | Recommendation method and system and method and system for improving a machine learning system | |
| CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
| CN115713389A (zh) | 理财产品推荐方法及装置 | |
| KR102340867B1 (ko) | 수산물의 판매량을 추정하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
| CA3125407C (en) | Systems and methods for automating pricing desk operations | |
| CN117786232A (zh) | 一种软件平台中的软件管理方法及软件平台 | |
| US11983743B2 (en) | Training an artificial intelligence engine for generating models to provide targeted actions | |
| CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
| Bernat et al. | Modelling customer lifetime value in a continuous, non-contractual time setting | |
| Li et al. | A study on customer churn of commercial banks based on learning from label proportions | |
| US11144940B2 (en) | Methods and apparatus to generate highly-interactive predictive models based on ensemble models | |
| CN113076471A (zh) | 信息处理方法及装置、计算设备 | |
| US20230342617A1 (en) | Using machine learning to predict appropriate actions | |
| US20230342597A1 (en) | Using machine learning to extract subsets of interaction data for triggering development actions | |
| KR102678395B1 (ko) | 투자 기준 딥러닝 모델 기반 최적 투자 전략 제공 시스템 | |
| US12111884B2 (en) | Optimal sequential decision making with changing action space | |
| JP7549140B2 (ja) | アクションへの傾向についての表現特徴空間における自己適応マルチモデル方法 | |
| US12125059B2 (en) | Training an artificial intelligence engine for most appropriate actions | |
| US11803915B1 (en) | Computing system for adaptive investment recommendations | |
| US20230351434A1 (en) | Training an artificial intelligence engine to predict responses for determining appropriate action | |
| US20230351433A1 (en) | Training an artificial intelligence engine for most appropriate products | |
| Angela | Predictive Analytics in Banking: Advanced Algorithms for Financial Market Forecasting |
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 |