CN115797077A - 理财产品的处理方法及装置、处理器和电子设备 - Google Patents
理财产品的处理方法及装置、处理器和电子设备 Download PDFInfo
- Publication number
- CN115797077A CN115797077A CN202211502431.9A CN202211502431A CN115797077A CN 115797077 A CN115797077 A CN 115797077A CN 202211502431 A CN202211502431 A CN 202211502431A CN 115797077 A CN115797077 A CN 115797077A
- Authority
- CN
- China
- Prior art keywords
- product
- target
- target object
- financial
- financing
- 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
本申请公开了一种理财产品的处理方法及装置、处理器和电子设备,涉及人工智能技术领域。该方法包括:获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品;确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象。通过本申请,解决了相关技术中推荐理财产品的准确性较低的问题。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种理财产品的处理方法及装置、处理器和电子设备。
背景技术
随着居民金融知识的提升,越来越多的个人和家庭开始在金融机构购买理财产品,用于提升收入。而且,对于不同的客户,有不同的理财风格、经济能力等,会决定其购买不同种类的理财产品,例如固收类、稳健类、高风险高收益类等等。且现在越来越多的客户选择直接在金融机构的APP(Application,应用软件)上购买,因此智能化地为客户推荐最适合的理财产品,既能满足客户的需求,又能够为金融机构带来有效的营销转化。
相关技术中,一般采用协同过滤的方法向客户推荐理财产品,即找到与该用户兴趣类似的用户,再结合该用户自身的一些特征对其进行推荐。另外,也有一些机器学习模型例如personalrank(一种用于匹配用户感兴趣的物品的算法),或者深度学习模型,例如DNN(Deep Neural Networks,深度神经网络)等,也会用于推荐当中。
但是,相关技术对时序的计算都不够充分,例如协同过滤方法和DNN只计算当前时间节点的数据特征,而没有将长时间的特征计算进来。另外,相关技术虽然将时序信息纳入到协同过滤方法中进行计算,但在理财产品推荐问题上,实际上存在数据稀疏性的问题,即一个用户以往购买的理财产品很少,不会频繁进行买卖操作。因此,通过相关技术对其进行计算,很难获取较好的特征表示,会导致实际上效果并不达预期,也即,会导致向客户推荐的理财产品不适合该客户。
另外,相关技术参考的一个重要指标就是该推荐内容的热度,即如果大部分人均对该商品或该话题感兴趣,那在推荐系统中将会被分配很大的权重,但在向客户推荐理财产品时,如果只考虑该产品的整体热度,也会导致向客户推荐的理财产品不适合该客户,也即,导致向客户推荐的理财产品的准确性较低。
针对相关技术中推荐理财产品的准确性较低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种理财产品的处理方法及装置、处理器和电子设备,以解决相关技术中推荐理财产品的准确性较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种理财产品的处理方法。该方法包括:获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
进一步地,确定向所述目标对象推荐每个理财产品对应的第一概率包括:获取所述目标对象在多个时间点的多个数据,其中,所述多个数据用于表示所述目标对象的多个第一特征信息;确定目标模型;将所述多个数据输入所述目标模型进行计算,得到向所述目标对象推荐每个理财产品对应的所述第一概率。
进一步地,确定向所述目标对象推荐每个理财产品对应的第二概率包括:获取所述目标对象的特征与第二对象的特征之间的目标相似度,其中,所述第二对象为待与所述目标对象进行相似度比较的至少一个对象,所述第二对象中至少包括所述第一对象;依据所述目标相似度,确定所述第一对象;确定与所述第一对象关联的多个第一理财产品;确定每个第一理财产品对应的权重值;基于每个第一理财产品对应的权重值,确定向所述目标对象推荐每个理财产品对应的所述第二概率。
进一步地,依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品包括:依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,得到推荐列表,其中,所述推荐列表中至少包括待推荐给所述目标对象的多个理财产品、每个理财产品对应的推荐概率;基于所述推荐列表,从所述多个理财产品中确定目标理财产品。
进一步地,在依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品之后,所述方法还包括:获取向所述目标对象推荐的每个理财产品对应的第一操作时间;确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与所述第一对象关联的理财产品;依据所述第一操作时间和所述第二操作时间,确定所述目标理财产品对应的第三操作时间;将所述目标理财产品和所述第三操作时间推荐至所述目标对象。
进一步地,获取所述目标对象的特征与第二对象的特征之间的目标相似度包括:获取所述目标对象在多个时间点的多个第一特征信息;获取所述第二对象在多个时间点的多个第二特征信息;依据所述多个第一特征信息和所述多个第二特征信息,得到所述目标对象的特征与第二对象的特征之间的目标相似度。
进一步地,获取所述目标对象在多个时间点的多个数据包括:获取所述目标对象在所述多个时间点的所述多个第一特征信息;对所述多个第一特征信息进行划分,得到划分后的所述多个第一特征信息;对划分后的所述多个第一特征信息进行向量化处理,得到所述目标对象在所述多个时间点的所述多个数据。
为了实现上述目的,根据本申请的另一方面,提供了一种理财产品的处理装置。该装置包括:第一获取单元,用于获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;第一确定单元,用于确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;第一处理单元,用于依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
进一步地,所述第一确定单元包括:第一获取模块,用于获取所述目标对象在多个时间点的多个数据,其中,所述多个数据用于表示所述目标对象的多个第一特征信息;第一确定模块,用于确定目标模型;第一计算模块,用于将所述多个数据输入所述目标模型进行计算,得到向所述目标对象推荐每个理财产品对应的所述第一概率。
进一步地,所述第一确定单元包括:第二获取模块,用于获取所述目标对象的特征与第二对象的特征之间的目标相似度,其中,所述第二对象为待与所述目标对象进行相似度比较的至少一个对象,所述第二对象中至少包括所述第一对象;第二确定模块,用于依据所述目标相似度,确定所述第一对象;第三确定模块,用于确定与所述第一对象关联的多个第一理财产品;第四确定模块,用于确定每个第一理财产品对应的权重值;第五确定模块,用于基于每个第一理财产品对应的权重值,确定向所述目标对象推荐每个理财产品对应的所述第二概率。
进一步地,所述第一处理单元包括:第六确定模块,用于依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,得到推荐列表,其中,所述推荐列表中至少包括待推荐给所述目标对象的多个理财产品、每个理财产品对应的推荐概率;第七确定模块,用于基于所述推荐列表,从所述多个理财产品中确定目标理财产品。
进一步地,所述装置还包括:第二获取单元,用于在依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品之后,获取向所述目标对象推荐的每个理财产品对应的第一操作时间;第二确定单元,用于确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与所述第一对象关联的理财产品;第三确定单元,用于依据所述第一操作时间和所述第二操作时间,确定所述目标理财产品对应的第三操作时间;第一推荐单元,用于将所述目标理财产品和所述第三操作时间推荐至所述目标对象。
进一步地,所述第二获取模块包括:第一获取子模块,用于获取所述目标对象在多个时间点的多个第一特征信息;第二获取子模块,用于获取所述第二对象在多个时间点的多个第二特征信息;第一确定子模块,用于依据所述多个第一特征信息和所述多个第二特征信息,得到所述目标对象的特征与第二对象的特征之间的目标相似度。
进一步地,所述第一获取模块包括:第三获取子模块,用于获取所述目标对象在所述多个时间点的所述多个第一特征信息;第一划分子模块,用于对所述多个第一特征信息进行划分,得到划分后的所述多个第一特征信息;第一处理子模块,用于对划分后的所述多个第一特征信息进行向量化处理,得到所述目标对象在所述多个时间点的所述多个数据。
为了实现上述目的,根据本申请的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述的任意一项所述的理财产品的处理方法。
为了实现上述目的,根据本申请的另一方面,提供了一种电子设备,所述电子设备包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的任意一项所述的理财产品的处理方法。
通过本申请,采用以下步骤:获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品;确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,解决了相关技术中推荐理财产品的准确性较低的问题。通过获取向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,再依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,进而达到了提升推荐理财产品的准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的理财产品的处理方法的流程图;
图2是本申请实施例中对客户相关数据进行处理的流程图;
图3是本申请实施例中得到推荐因子1和推荐因子2的流程图;
图4是根据本申请实施例提供的理财产品的处理方法的流程图一;
图5是根据本申请实施例提供的可选的理财产品的处理方法的流程图;
图6是根据本申请实施例提供的理财产品的处理方法的结构图;
图7是根据本申请实施例提供的理财产品的处理装置的示意图;
图8是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
LSTM(Long Short-Term Memory,长短期记忆人工神经网络):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,在更长的序列中比RNN(Recurrent Neural Network,循环神经网络)表现更好。
协同过滤:一种在推荐系统中广泛使用的技术,该技术通过分析用户或事物之间的相似性,来预测用户可能感兴趣的内容,并将内容推荐给用户。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的理财产品的处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品。
例如,上述的目标对象可以为待对其推荐理财产品的客户。即先获取待给客户(上述的目标对象)推荐的多款理财产品。
步骤S102,确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值。
例如,根据采集到的客户在各个时间点的资产收入、支出、结余、负债、年龄、家庭情况、消费习惯、理财产品购入/卖出、理财收益等数据,得到推荐因子1(上述的第一概率);并可以根据与客户相似的客户已购买的理财产品,且收益较好的产品,得到推荐因子2(上述的第二概率)。需要说明的是推荐因子1和推荐因子2可以并行获取,也即,推荐因子1和推荐因子2的获取顺序不做限定。
步骤S103,依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象。
例如,将得到的推荐因子1和推荐因子2进行融合计算,得出适合客户购买的理财产品,并将该理财产品推荐给客户。
通过上述的步骤S101至S103,通过获取向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,再依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,进而达到了提升推荐理财产品的准确性的效果。
为了快速准确的得到目标对象在多个时间点的多个数据,在本申请实施例提供的理财产品的处理方法中,还可以通过以下步骤得到目标对象在多个时间点的多个数据:获取目标对象在多个时间点的多个第一特征信息;对多个第一特征信息进行划分,得到划分后的多个第一特征信息;对划分后的多个第一特征信息进行向量化处理,得到目标对象在多个时间点的多个数据。
例如,将收集到的客户在各个时间点的资产收入、支出、结余、负债、年龄、家庭情况、消费习惯、理财产品购入/卖出、理财收益等数据进行梳理清洗,将收入、支出、结余、负债等数据等按区间进行划分,避免使用详细的数据,对家庭情况标记为已婚/未婚/已育等,将消费水平划分相应层级,将理财产品购入/卖出同步标记该产品的类型,如低/中/高风险、长/中/短期等,将理财收益百分比按区间进行划分。并将上述整理后的数据进行向量化表示。比如,图2是本申请实施例中对客户相关数据进行处理的流程图,如图2所示,对客户相关数据进行处理的流程包括如下步骤:
步骤S201,从数据库中提取客户信息及相应的理财产品购买、满意度、收益等数据;
步骤S202,将从数据库中提取的这些数据输入自动化区间进行划分/标记程序,并输出划分标记结果;
步骤S203,对程序输出的划分标记结果进行向量化表示,即得到处理后的客户相关数据。
综上所述,在数据处理过程中可采用自动化程序对获取到的数据进行划分整理,不需要人为进行筛选计算,整个过程对开发人员匿名,可最大程度避免客户信息泄露。
为了快速准确的得到向目标对象推荐每个理财产品对应的第一概率,在本申请实施例提供的理财产品的处理方法中,还可以通过以下步骤得到向目标对象推荐每个理财产品对应的第一概率:获取目标对象在多个时间点的多个数据,其中,多个数据用于表示目标对象的多个第一特征信息;确定目标模型;将多个数据输入目标模型进行计算,得到向目标对象推荐每个理财产品对应的第一概率。
例如,对同一时间点的不同的数据(上述处理后的客户相关数据)进行交叉学习,同时对不同时间点的数据之间的时序关系进行顺序学习,以此为基础进行网络建模,对客户的个人特征进行计算,得出推荐因子1(上述的第一概率)。
通过上述的方案,根据客户的相关信息,可以快速准确的得到用于向该客户推荐理财产品的推荐因子。
为了快速准确的得到目标对象的特征与第二对象的特征之间的目标相似度,在本申请实施例提供的理财产品的处理方法中,还可以通过以下步骤得到目标对象的特征与第二对象的特征之间的目标相似度:获取目标对象在多个时间点的多个第一特征信息;获取第二对象在多个时间点的多个第二特征信息;依据多个第一特征信息和多个第二特征信息,得到目标对象的特征与第二对象的特征之间的目标相似度。
例如,获取待推荐理财产品的客户的特征信息,并从数据库中获取其他客户(上述的第二对象)的特征信息,然后比较待推荐理财产品的客户的特征信息和从数据库中获取的其他客户的特征信息,也即,对不同客户的个人特征进行相似度计算,最后得出待推荐理财产品的客户与从数据库中获取的其他客户的相似度。
通过上述的方案,根据不同客户的特征信息,可以快速准确的得到客户之间的相似度。
为了快速准确的确定向目标对象推荐每个理财产品对应的第二概率,在本申请实施例提供的理财产品的处理方法中,还可以通过以下步骤确定向目标对象推荐每个理财产品对应的第二概率:获取目标对象的特征与第二对象的特征之间的目标相似度,其中,第二对象为待与目标对象进行相似度比较的至少一个对象,第二对象中至少包括第一对象;依据目标相似度,确定第一对象;确定与第一对象关联的多个第一理财产品;确定每个第一理财产品对应的权重值;基于每个第一理财产品对应的权重值,确定向目标对象推荐每个理财产品对应的第二概率。
例如,图3是本申请实施例中得到推荐因子1和推荐因子2的流程图,如图3所示,得到推荐因子1和推荐因子2的流程包括如下步骤:
步骤S301,将处理后的客户相关数据输入循环神经网络模型;
步骤S302,得出推荐因子1及操作时间建议;
步骤S303,计算不同客户之间特征相似度及对应权重,具体为,根据待推荐理财产品的客户与从数据库中获取的其他客户的相似度,确定出数据库中与待推荐理财产品的客户比较相似的客户(上述的第一对象),再获取与待推荐理财产品的客户比较相似的客户已购买过度的理财产品,并按照与待推荐理财产品的客户比较相似的客户已购买过的理财产品的收益,对与待推荐理财产品的客户比较相似的客户已购买过的这些理财产品且收益较好的产品赋权重值,也即,将收益越好的产品的权重值设置的越高;
步骤S304,基于相似度及权重得出推荐因子2。
综上所述,通过对不同客户的时序模型进行相似度计算,可以将已购买理财产品且收益较好的产品作为影响因子纳入模型当中。
图4是根据本申请实施例提供的理财产品的处理方法的流程图一,如图4所示,在本申请实施例提供的理财产品的处理方法中,在依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品之后,该方法还包括如下步骤:
步骤S401,获取向目标对象推荐的每个理财产品对应的第一操作时间;
步骤S402,确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与第一对象关联的理财产品;
步骤S403,依据第一操作时间和第二操作时间,确定目标理财产品对应的第三操作时间;
步骤S404,将目标理财产品和第三操作时间推荐至目标对象。
例如,图5是根据本申请实施例提供的可选的理财产品的处理方法的流程图,如图5所示,将经过梳理和向量化表示的资产收入、支出、结余、负债、年龄、家庭情况、消费习惯、理财产品购入/卖出、理财收益等数据表示为x1,x2……xn,并将其输入算法模型中,且该算法模型可以为LSTM网络,进行时序建模,并输出经过模型处理后的客户相关的数据X1',X2'……Xn',最后得出在当前时间段对该客户的推荐因子1及建议其进行买入操作的时间(推荐操作时间)。
然后对多个客户的建模的得出的个人理财特征进行相似度计算,并根据计算结果得出协同推荐因子(推荐因子2)及推荐操作时间。再根据推荐因子1和推荐因子2得到推荐列表,最后将推荐列表,得到的两个推荐操作时间进行融合计算,得出适合客户购买的理财产品和推荐购买的时间点。
通过上述的方案,采用时序的方法来进行推荐,不仅可以推荐客户在不同时段适合购买的品类,还可以对客户买入操作的时间提供建议,更适合理财产品推荐。同时,运用基于LSTM的深度神经网络结构,对每位客户的数据进行时序建模,在模型中融合分析客户的年龄、家庭结构、收入、消费习惯、理财操作、理财收益等数据,可以对其在未来特定时间点适合的理财风格进行预测。
为了快速准确的从多个理财产品中确定目标理财产品,在本申请实施例提供的理财产品的处理方法中,还可以通过以下步骤从多个理财产品中确定目标理财产品:依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,得到推荐列表,其中,推荐列表中至少包括待推荐给目标对象的多个理财产品、每个理财产品对应的推荐概率;基于推荐列表,从多个理财产品中确定目标理财产品。
例如,如图5所示,根据推荐因子1和推荐因子2可以得到推荐列表,且该推荐列表中可以包括待推荐给客户的多个理财产品和每个理财产品对应的推荐概率,再依据每个理财产品对应的推荐概率,从多个待推荐给客户的多个理财产品中确定出最终要推荐给客户的一款理财产品(上述的目标理财产品)。
通过上述的方案,根据推荐因子,可以快速准确的得到需要推荐给客户的理财产品。
例如,图6是根据本申请实施例提供的理财产品的处理方法的结构图,如图6所示,理财产品的处理方法的结构(即理财产品推荐系统1)包含以下部分:
(1)数据处理清洗模块2:将收集到的客户在各个时间点的资产收入、支出、结余、负债、年龄、家庭情况、消费习惯、理财产品购入/卖出、理财收益等数据进行梳理清洗,将收入、支出、结余、负债等数据等按区间进行划分,避免使用详细的数据,对家庭情况标记为已婚/未婚/已育等,将消费水平划分相应层级,将理财产品购入/卖出同步标记该产品的类型,如低/中/高风险、长/中/短期等,将理财收益百分比按区间进行划分。并将上述整理后的数据进行向量化表示。在数据处理过程中可采用自动化程序对获取到的数据进行划分整理,不需要人为进行筛选计算,整个过程对开发人员匿名,可最大程度避免客户信息泄露。
(2)时间序列建模模块3:对同一时间点的不同数据进行交叉学习,同时对不同时间点的数据之间的时序关系进行顺序学习,以此为基础进行网络建模,对客户的个人特征进行计算,得出推荐因子1及操作时间建议。
(3)客户相似度计算模块4:对不同客户的个人特征进行相似度计算,得出结果转化为客户间的关联权重,基于关联客户的购买结果和操作时间计算得出推荐因子2与推荐操作时间。
(4)多因子融合推荐模块5:将模块3、4中分别得出的推荐因子1、推荐因子2、推荐操作时间进行融合计算,得出适合客户购买的理财产品和推荐购买的时间点。最终得出最后的推荐结论。本实施例提供的方法不需要大量的标注工作,可以选择使用已存在的客户购买情况及对购买后产品的评价和收益作为训练和数据,可以减少模型训练人员对于客户信息的接触,减少工作量的同时尽可能保护客户的隐私。
(5)模型验证优化模块6:根据后续客户的实际购买情况、评价满意度、收益情况等,对推荐结果进行评估,并用于后续的模型优化。
因此,LSTM由于其在预测问题的数据稀疏瓶颈上表现优秀,因此在使用时序方法进行理财产品推荐的过程中,很好地解决了个人金融数据量不足,数据稀疏的问题,能够提升推荐的准确性。并且,在推荐理财产品的全过程中,对开发人员和模型训练人员匿名,且相关信息均采用自动化的方式进行处理,无需人工核对、梳理,尽可能保证客户的金融信息安全。另外,对于理财产品来说,除了购买的品类非常重要之外,购买的时机也非常重要,所以除了推荐对的理财产品之外,还要为客户提供购买时机的预测推荐,但相关技术中的推荐算法是不考虑此类时间序列信息的,但是,本实施例提供的方法不同于相关技术中的推荐算法,本实施例提供的方法采用时序的方法来进行推荐,不仅可以推荐客户在不同时段适合购买的品类,还可以对客户买入操作的时间提供建议,更适合理财产品推荐。
综上,本申请实施例提供的理财产品的处理方法,通过获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品;确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,解决了相关技术中推荐理财产品的准确性较低的问题。通过获取向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,再依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,进而达到了提升推荐理财产品的准确性的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种理财产品的处理装置,需要说明的是,本申请实施例的理财产品的处理装置可以用于执行本申请实施例所提供的用于理财产品的处理方法。以下对本申请实施例提供的理财产品的处理装置进行介绍。
图7是根据本申请实施例的理财产品的处理装置的示意图。如图7所示,该装置包括:第一获取单元701、第一确定单元702和第一处理单元703。
具体地,第一获取单元701,用于获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品;
第一确定单元702,用于确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值;
第一处理单元703,用于依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象。
综上,本申请实施例提供的理财产品的处理装置,通过第一获取单元701获取多个理财产品,其中,多个理财产品为待推荐给目标对象的理财产品;第一确定单元702确定向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,第一对象的特征与目标对象的特征之间的相似度大于预设值;第一处理单元703依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,解决了相关技术中推荐理财产品的准确性较低的问题。通过获取向目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,再依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品,并将目标理财产品推荐至目标对象,进而达到了提升推荐理财产品的准确性的效果。
可选地,在本申请实施例提供的理财产品的处理装置中,第一确定单元包括:第一获取模块,用于获取目标对象在多个时间点的多个数据,其中,多个数据用于表示目标对象的多个第一特征信息;第一确定模块,用于确定目标模型;第一计算模块,用于将多个数据输入目标模型进行计算,得到向目标对象推荐每个理财产品对应的第一概率。
可选地,在本申请实施例提供的理财产品的处理装置中,第一确定单元包括:第二获取模块,用于获取目标对象的特征与第二对象的特征之间的目标相似度,其中,第二对象为待与目标对象进行相似度比较的至少一个对象,第二对象中至少包括第一对象;第二确定模块,用于依据目标相似度,确定第一对象;第三确定模块,用于确定与第一对象关联的多个第一理财产品;第四确定模块,用于确定每个第一理财产品对应的权重值;第五确定模块,用于基于每个第一理财产品对应的权重值,确定向目标对象推荐每个理财产品对应的第二概率。
可选地,在本申请实施例提供的理财产品的处理装置中,第一处理单元包括:第六确定模块,用于依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,得到推荐列表,其中,推荐列表中至少包括待推荐给目标对象的多个理财产品、每个理财产品对应的推荐概率;第七确定模块,用于基于推荐列表,从多个理财产品中确定目标理财产品。
可选地,在本申请实施例提供的理财产品的处理装置中,该装置还包括:第二获取单元,用于在依据每个理财产品对应的第一概率和每个理财产品对应的第二概率,从多个理财产品中确定目标理财产品之后,获取向目标对象推荐的每个理财产品对应的第一操作时间;第二确定单元,用于确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与第一对象关联的理财产品;第三确定单元,用于依据第一操作时间和第二操作时间,确定目标理财产品对应的第三操作时间;第一推荐单元,用于将目标理财产品和第三操作时间推荐至目标对象。
可选地,在本申请实施例提供的理财产品的处理装置中,第二获取模块包括:第一获取子模块,用于获取目标对象在多个时间点的多个第一特征信息;第二获取子模块,用于获取第二对象在多个时间点的多个第二特征信息;第一确定子模块,用于依据多个第一特征信息和多个第二特征信息,得到目标对象的特征与第二对象的特征之间的目标相似度。
可选地,在本申请实施例提供的理财产品的处理装置中,第一获取模块包括:第三获取子模块,用于获取目标对象在多个时间点的多个第一特征信息;第一划分子模块,用于对多个第一特征信息进行划分,得到划分后的多个第一特征信息;第一处理子模块,用于对划分后的多个第一特征信息进行向量化处理,得到目标对象在多个时间点的多个数据。
所述理财产品的处理装置包括处理器和存储器,上述第一获取单元701、第一确定单元702和第一处理单元703等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提升推荐理财产品的准确性。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述理财产品的处理方法。
如图8所示,本发明实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
处理器执行程序时还实现以下步骤:确定向所述目标对象推荐每个理财产品对应的第一概率包括:获取所述目标对象在多个时间点的多个数据,其中,所述多个数据用于表示所述目标对象的多个第一特征信息;确定目标模型;将所述多个数据输入所述目标模型进行计算,得到向所述目标对象推荐每个理财产品对应的所述第一概率。
处理器执行程序时还实现以下步骤:确定向所述目标对象推荐每个理财产品对应的第二概率包括:获取所述目标对象的特征与第二对象的特征之间的目标相似度,其中,所述第二对象为待与所述目标对象进行相似度比较的至少一个对象,所述第二对象中至少包括所述第一对象;依据所述目标相似度,确定所述第一对象;确定与所述第一对象关联的多个第一理财产品;确定每个第一理财产品对应的权重值;基于每个第一理财产品对应的权重值,确定向所述目标对象推荐每个理财产品对应的所述第二概率。
处理器执行程序时还实现以下步骤:依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品包括:依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,得到推荐列表,其中,所述推荐列表中至少包括待推荐给所述目标对象的多个理财产品、每个理财产品对应的推荐概率;基于所述推荐列表,从所述多个理财产品中确定目标理财产品。
处理器执行程序时还实现以下步骤:在依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品之后,所述方法还包括:获取向所述目标对象推荐的每个理财产品对应的第一操作时间;确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与所述第一对象关联的理财产品;依据所述第一操作时间和所述第二操作时间,确定所述目标理财产品对应的第三操作时间;将所述目标理财产品和所述第三操作时间推荐至所述目标对象。
处理器执行程序时还实现以下步骤:获取所述目标对象的特征与第二对象的特征之间的目标相似度包括:获取所述目标对象在多个时间点的多个第一特征信息;获取所述第二对象在多个时间点的多个第二特征信息;依据所述多个第一特征信息和所述多个第二特征信息,得到所述目标对象的特征与第二对象的特征之间的目标相似度。
处理器执行程序时还实现以下步骤:获取所述目标对象在多个时间点的多个数据包括:获取所述目标对象在所述多个时间点的所述多个第一特征信息;对所述多个第一特征信息进行划分,得到划分后的所述多个第一特征信息;对划分后的所述多个第一特征信息进行向量化处理,得到所述目标对象在所述多个时间点的所述多个数据。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:确定向所述目标对象推荐每个理财产品对应的第一概率包括:获取所述目标对象在多个时间点的多个数据,其中,所述多个数据用于表示所述目标对象的多个第一特征信息;确定目标模型;将所述多个数据输入所述目标模型进行计算,得到向所述目标对象推荐每个理财产品对应的所述第一概率。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:确定向所述目标对象推荐每个理财产品对应的第二概率包括:获取所述目标对象的特征与第二对象的特征之间的目标相似度,其中,所述第二对象为待与所述目标对象进行相似度比较的至少一个对象,所述第二对象中至少包括所述第一对象;依据所述目标相似度,确定所述第一对象;确定与所述第一对象关联的多个第一理财产品;确定每个第一理财产品对应的权重值;基于每个第一理财产品对应的权重值,确定向所述目标对象推荐每个理财产品对应的所述第二概率。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品包括:依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,得到推荐列表,其中,所述推荐列表中至少包括待推荐给所述目标对象的多个理财产品、每个理财产品对应的推荐概率;基于所述推荐列表,从所述多个理财产品中确定目标理财产品。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品之后,所述方法还包括:获取向所述目标对象推荐的每个理财产品对应的第一操作时间;确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与所述第一对象关联的理财产品;依据所述第一操作时间和所述第二操作时间,确定所述目标理财产品对应的第三操作时间;将所述目标理财产品和所述第三操作时间推荐至所述目标对象。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:获取所述目标对象的特征与第二对象的特征之间的目标相似度包括:获取所述目标对象在多个时间点的多个第一特征信息;获取所述第二对象在多个时间点的多个第二特征信息;依据所述多个第一特征信息和所述多个第二特征信息,得到所述目标对象的特征与第二对象的特征之间的目标相似度。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:获取所述目标对象在多个时间点的多个数据包括:获取所述目标对象在所述多个时间点的所述多个第一特征信息;对所述多个第一特征信息进行划分,得到划分后的所述多个第一特征信息;对划分后的所述多个第一特征信息进行向量化处理,得到所述目标对象在所述多个时间点的所述多个数据。
本领域内的技术人员应明白,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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
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。
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。
以上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 (10)
1.一种理财产品的处理方法,其特征在于,包括:
获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;
确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;
依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
2.根据权利要求1所述的方法,其特征在于,确定向所述目标对象推荐每个理财产品对应的第一概率包括:
获取所述目标对象在多个时间点的多个数据,其中,所述多个数据用于表示所述目标对象的多个第一特征信息;
确定目标模型;
将所述多个数据输入所述目标模型进行计算,得到向所述目标对象推荐每个理财产品对应的所述第一概率。
3.根据权利要求1所述的方法,其特征在于,确定向所述目标对象推荐每个理财产品对应的第二概率包括:
获取所述目标对象的特征与第二对象的特征之间的目标相似度,其中,所述第二对象为待与所述目标对象进行相似度比较的至少一个对象,所述第二对象中至少包括所述第一对象;
依据所述目标相似度,确定所述第一对象;
确定与所述第一对象关联的多个第一理财产品;
确定每个第一理财产品对应的权重值;
基于每个第一理财产品对应的权重值,确定向所述目标对象推荐每个理财产品对应的所述第二概率。
4.根据权利要求1所述的方法,其特征在于,依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品包括:
依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,得到推荐列表,其中,所述推荐列表中至少包括待推荐给所述目标对象的多个理财产品、每个理财产品对应的推荐概率;
基于所述推荐列表,从所述多个理财产品中确定目标理财产品。
5.根据权利要求1所述的方法,其特征在于,在依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品之后,所述方法还包括:
获取向所述目标对象推荐的每个理财产品对应的第一操作时间;
确定每个第一理财产品对应的第二操作时间,其中,每个第一理财产品为与所述第一对象关联的理财产品;
依据所述第一操作时间和所述第二操作时间,确定所述目标理财产品对应的第三操作时间;
将所述目标理财产品和所述第三操作时间推荐至所述目标对象。
6.根据权利要求3所述的方法,其特征在于,获取所述目标对象的特征与第二对象的特征之间的目标相似度包括:
获取所述目标对象在多个时间点的多个第一特征信息;
获取所述第二对象在多个时间点的多个第二特征信息;
依据所述多个第一特征信息和所述多个第二特征信息,得到所述目标对象的特征与第二对象的特征之间的目标相似度。
7.根据权利要求2所述的方法,其特征在于,获取所述目标对象在多个时间点的多个数据包括:
获取所述目标对象在所述多个时间点的所述多个第一特征信息;
对所述多个第一特征信息进行划分,得到划分后的所述多个第一特征信息;
对划分后的所述多个第一特征信息进行向量化处理,得到所述目标对象在所述多个时间点的所述多个数据。
8.一种理财产品的处理装置,其特征在于,包括:
第一获取单元,用于获取多个理财产品,其中,所述多个理财产品为待推荐给目标对象的理财产品;
第一确定单元,用于确定向所述目标对象推荐每个理财产品对应的第一概率和每个理财产品对应的第二概率,其中,基于所述目标对象的特征信息确定每个理财产品对应的第一概率,基于与第一对象关联的理财产品确定每个理财产品对应的第二概率,所述第一对象的特征与所述目标对象的特征之间的相似度大于预设值;
第一处理单元,用于依据每个理财产品对应的所述第一概率和每个理财产品对应的所述第二概率,从所述多个理财产品中确定目标理财产品,并将所述目标理财产品推荐至所述目标对象。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的理财产品的处理方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的理财产品的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502431.9A CN115797077A (zh) | 2022-11-28 | 2022-11-28 | 理财产品的处理方法及装置、处理器和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502431.9A CN115797077A (zh) | 2022-11-28 | 2022-11-28 | 理财产品的处理方法及装置、处理器和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797077A true CN115797077A (zh) | 2023-03-14 |
Family
ID=85442268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211502431.9A Pending CN115797077A (zh) | 2022-11-28 | 2022-11-28 | 理财产品的处理方法及装置、处理器和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797077A (zh) |
-
2022
- 2022-11-28 CN CN202211502431.9A patent/CN115797077A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Crowd intelligence: Analyzing online product reviews for preference measurement | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
US20170220943A1 (en) | Systems and methods for automated data analysis and customer relationship management | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN111652735A (zh) | 基于用户行为标签特征及商品特征的保险产品推荐的方法 | |
CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
CN111127074B (zh) | 一种数据推荐方法 | |
CN111951050A (zh) | 理财产品推荐方法及装置 | |
CN111695938A (zh) | 产品推送方法及系统 | |
CN117271905B (zh) | 基于人群画像的侧向需求分析方法及系统 | |
CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113554350A (zh) | 活跃度评估方法、装置、电子设备及计算机可读存储介质 | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
US11836779B2 (en) | Systems, methods, and manufactures for utilizing machine learning models to generate recommendations | |
CN114817741A (zh) | 一种理财产品精准推荐方法及装置 | |
Bernat et al. | Modelling customer lifetime value in a continuous, non-contractual time setting | |
CN115797077A (zh) | 理财产品的处理方法及装置、处理器和电子设备 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
CN115392992A (zh) | 商品推荐方法、终端设备及计算机可读存储介质 | |
CN112328899A (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN111913940B (zh) | 一种温度会员标签预测方法、装置、电子设备及存储介质 | |
KR102585901B1 (ko) | 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템 |
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 |