CN116091242A - 推荐产品组合生成方法及装置、电子设备和存储介质 - Google Patents
推荐产品组合生成方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116091242A CN116091242A CN202310126393.XA CN202310126393A CN116091242A CN 116091242 A CN116091242 A CN 116091242A CN 202310126393 A CN202310126393 A CN 202310126393A CN 116091242 A CN116091242 A CN 116091242A
- Authority
- CN
- China
- Prior art keywords
- product
- recommended
- resource consumption
- resource
- products
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本公开提供了一种推荐产品组合生成方法及装置、电子设备和存储介质,可以应用于大数据技术领域,也可用于金融技术领域。该推荐产品组合生成方法包括:从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量;将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例;获取拟推荐产品清单,其中拟推荐产品清单中包括多个拟推荐给目标对象的目标产品;从数据库中读取多个目标产品各自的单品最低资源消耗和产品类型;基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合。
Description
技术领域
本公开涉及大数据技术领域,具体地涉及一种推荐产品组合生成方法、装置、设备、介质和程序产品。
背景技术
随着国民经济的发展,各类金融产品逐渐走入用户的生活中,对于用户而言,不再满足于持有单一的金融产品,移动互联网技术、人工智能技术的飞速发展使得组合式推荐金融产品成为可能。如何给用户推荐适合的组合金融产品也成了迫切需要解决的问题。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题,目前针对组合产品推荐的场景,现有推荐方法存在一些缺陷,例如,目前采用人工推荐的方法,多是业务人员结合工作经验并通过调用各个产品的历史数据进行大量分析工作后得到推荐结果,该方法消耗大量人力且由于人为主观因素的干扰推荐结果也往往效果不佳。再例如,目前结合计算机技术进行推荐的方法,多是通过预设的算法对数量庞大的多种产品组合分别进行收益试算,再结合收益大小确定推荐结果,该方法需要消耗大量的算力分别对每个组合进行试算,计算机资源消耗较大,对计算机内部性能要求较高。
发明内容
鉴于上述问题,本公开提供了一种推荐产品组合生成方法、装置、设备、介质和程序产品。
本公开的一个方面,提供了一种推荐产品组合生成方法,包括:
从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量;
将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例,其中推荐流动性比例为:与多个预定产品类型各自关联的多个单类推荐资源消耗量的比值;
获取拟推荐产品清单,其中,拟推荐产品清单中包括多个拟推荐给目标对象的目标产品,目标产品属于预定产品类型;
从数据库中读取多个目标产品各自的单品最低资源消耗和产品类型;
基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,推荐产品源自于多个目标产品。
根据本公开的实施例,其中,基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合包括:
根据多个目标产品各自的单品最低资源消耗和产品类型,生成多个初选产品组合,其中各个初选产品组合包括至少一个初选产品、以及至少一个初选产品各自对应的单品初始资源消耗量,初选产品源自于多个目标产品,单品初始资源消耗量大于等于单品最低资源消耗;
根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合。
根据本公开的实施例,其中,根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合包括:
基于推荐流动性比例建立第一约束条件,其中,第一约束条件包括:任一初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于推荐流动性比例,其中,单类初始资源消耗量根据至少一个初选产品各自对应的单品初始资源消耗量计算得到;
基于计划资源消耗总量建立第二约束条件,其中,第二约束条件包括:任一初选产品组合中,至少一个初选产品各自对应的单品初始资源消耗量的总和小于等于计划资源消耗总量;
基于第一约束条件、第二约束条件,从多个初选产品组合中确定多个推荐产品组合。
根据本公开的实施例,其中,多个预定产品类型包括流动性产品类型、周期性产品类型、封闭性产品类型,历史资源消耗记录包括多个历史资源支出数据,各历史资源支出数据包括资源支出量以及支出时间;
计算得到推荐流动性比例包括:
根据历史资源支出数据的资源支出量以及支出时间,从多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,其中多个周期性消耗数据对应的多个支出时间具有周期分布规律,多个周期性消耗数据对应的多个资源支出量之间的差值小于预设差值阈值;
根据多个流动性消耗数据计算得到与流动性产品类型关联的流动性资源消耗限值;
根据多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值;
根据计划资源消耗总量、流动性资源消耗限值、周期性资源消耗限值计算得到与封闭性产品类型关联的封闭性资源消耗限值;
计算流动性资源消耗限值、周期性资源消耗限值、封闭性资源消耗限值的比值,以得到推荐流动性比例。
根据本公开的实施例,其中,根据多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值包括:
基于支出时间,将多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集;
利用预定回归算法,基于非专项支出类数据集中各周期性消耗数据分别对应的资源支出量,计算得到未来预定时间段内的预计非专项资源支出量;
从数据库中读取目标对象在未来预定时间段内的计划专项资源支出量;
根据预计非专项资源支出量和计划专项资源支出量,计算得到周期性资源消耗限值。
根据本公开的实施例,其中,基于支出时间,将多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集包括:
基于支出时间,利用预定聚类算法将多个周期性消耗数据进行聚类处理得到多个分类数据集;
标记多个分类数据集各自对应的资源消耗类别;
按照资源消耗类别将多个分类数据集分为专项支出类数据集和非专项支出类数据集。
根据本公开的实施例,其中,获取拟推荐产品清单包括:
基于目标对象的客户风险等级和多个预选产品的产品风险等级,从多个预选产品中确定多个目标产品后生成拟推荐产品清单。
根据本公开的实施例,上述方法还包括:
确定多个推荐产品组合各自的优先等级;
按照多个推荐产品组合各自的优先等级向目标对象推荐目标推荐产品组合。
根据本公开的实施例,其中,确定多个推荐产品组合各自的优先等级包括:
基于各推荐产品组合中至少一个推荐产品各自对应的收益类型,计算得到各推荐产品组合分别对应的预测资源收益;
基于各推荐产品组合分别对应的预测资源收益,确定多个推荐产品组合各自的优先等级。
本公开的另一个方面提供了一种推荐产品组合生成装置,包括第一读取模块、计算模块、获取模块、第二读取模块、生成模块。
其中,第一读取模块,用于从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量;
计算模块,用于将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例,其中推荐流动性比例为:与多个预定产品类型各自关联的多个单类推荐资源消耗量的比值;
获取模块,用于获取拟推荐产品清单,其中,拟推荐产品清单中包括多个拟推荐给目标对象的目标产品,目标产品属于预定产品类型;
第二读取模块,用于从数据库中读取多个目标产品各自的单品最低资源消耗和产品类型;
生成模块,用于基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,推荐产品源自于多个目标产品。
根据本公开的实施例,其中,生成模块包括第一生成子模块、第二生成子模块。
其中,第一生成子模块,用于根据多个目标产品各自的单品最低资源消耗和产品类型,生成多个初选产品组合,其中各个初选产品组合包括至少一个初选产品、以及至少一个初选产品各自对应的单品初始资源消耗量,初选产品源自于多个目标产品,单品初始资源消耗量大于等于单品最低资源消耗;第二生成子模块,用于根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合。
根据本公开的实施例,其中,第二生成子模块包括第一建立单元、第二建立单元、确定单元。
其中,第一建立单元,用于基于推荐流动性比例建立第一约束条件,其中,第一约束条件包括:任一初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于推荐流动性比例,其中,单类初始资源消耗量根据至少一个初选产品各自对应的单品初始资源消耗量计算得到;第二建立单元,用于基于计划资源消耗总量建立第二约束条件,其中,第二约束条件包括:任一初选产品组合中,至少一个初选产品各自对应的单品初始资源消耗量的总和小于等于计划资源消耗总量;确定单元,用于基于第一约束条件、第二约束条件,从多个初选产品组合中确定多个推荐产品组合。
根据本公开的实施例,其中,多个预定产品类型包括流动性产品类型、周期性产品类型、封闭性产品类型,历史资源消耗记录包括多个历史资源支出数据,各历史资源支出数据包括资源支出量以及支出时间。
计算模块包括第一确定子模块、第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块。
其中,第一确定子模块,用于根据历史资源支出数据的资源支出量以及支出时间,从多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,其中多个周期性消耗数据对应的多个支出时间具有周期分布规律,多个周期性消耗数据对应的多个资源支出量之间的差值小于预设差值阈值;第一计算子模块,用于根据多个流动性消耗数据计算得到与流动性产品类型关联的流动性资源消耗限值;第二计算子模块,用于根据多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值;第三计算子模块,用于根据计划资源消耗总量、流动性资源消耗限值、周期性资源消耗限值计算得到与封闭性产品类型关联的封闭性资源消耗限值;第四计算子模块,用于计算流动性资源消耗限值、周期性资源消耗限值、封闭性资源消耗限值的比值,以得到推荐流动性比例。
根据本公开的实施例,其中,第二计算子模块包括分类单元、第一计算单元、读取单元、第二计算单元。
其中,分类单元,用于基于支出时间,将多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集;第一计算单元,用于利用预定回归算法,基于非专项支出类数据集中各周期性消耗数据分别对应的资源支出量,计算得到未来预定时间段内的预计非专项资源支出量;读取单元,用于从数据库中读取目标对象在未来预定时间段内的计划专项资源支出量;第二计算单元,用于根据预计非专项资源支出量和计划专项资源支出量,计算得到周期性资源消耗限值。
根据本公开的实施例,其中,分类单元包括聚类子单元、标记子单元、分类子单元。
其中,聚类子单元,基于支出时间,利用预定聚类算法将多个周期性消耗数据进行聚类处理得到多个分类数据集;标记子单元,用于标记多个分类数据集各自对应的资源消耗类别;分类子单元,用于按照资源消耗类别将多个分类数据集分为专项支出类数据集和非专项支出类数据集。
根据本公开的实施例,其中,获取模块包括第三生成子模块,用于基于目标对象的客户风险等级和多个预选产品的产品风险等级,从多个预选产品中确定多个目标产品后生成拟推荐产品清单。
根据本公开的实施例,上述装置还包括确定模块、推荐模块。
其中,确定模块,用于确定多个推荐产品组合各自的优先等级;推荐模块,用于按照多个推荐产品组合各自的优先等级向目标对象推荐目标推荐产品组合。
根据本公开的实施例,其中,确定模块包括第五计算子模块、第二确定子模块。
其中,第五计算子模块,用于基于各推荐产品组合中至少一个推荐产品各自对应的收益类型,计算得到各推荐产品组合分别对应的预测资源收益;第二确定子模块,用于基于各推荐产品组合分别对应的预测资源收益,确定多个推荐产品组合各自的优先等级。
本公开的另一个方面提供了一种电子设备,包括:一个或多个处理器;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,使得一个或多个处理器执行上述推荐产品组合生成方法。
本公开的另一个方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述推荐产品组合生成方法。
本公开的另一个方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述推荐产品组合生成方法。
根据本公开的实施例,针对现有技术中产品组合推荐的缺陷,本公开实施例的上述方法,一方面,通过计算机自动执行数据读取、调用计算模型进行计算、结果生成等,实现了产品组合推荐的自动化执行,解放了人力,提高了业务人员的工作效率。
另一方面,本公开的实施例的上述方法通过首先计算得到推荐流动性比例,并进一步基于推荐流动性比例以及读取到的其他少量基础参数自动生成多个推荐产品组合,计算机执行上述方法的过程中,仅需获取到各产品在该场景下的少量关键参数,并基于这些关键参数进行较为简单的关联计算,对计算资源和计算性能的需求较低,无需如相关技术中对数量庞大的多种产品组合分别进行收益试算,较大程度上降低了计算机资源消耗,降低了对计算机内部性能要求。
再一方面,对于组合产品推荐的应用场景,推荐流动性比例(不同类型产品的资源消耗量之比)为该场景下的关键参数,本公开的实施例的上述方法中采用结合目标对象的历史资源消耗记录计算得到推荐流动性比例的技术手段,即通过利用了用户的历史资源消耗对用户选择组合产品偏好的内在关联性,形成一种组合产品推荐的方法,得到的推荐结果符合用户的行为习惯,推荐结果的可参考性较好,满足了用户持有多样化产品的需求,提高了用户体验。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的推荐产品组合生成方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的推荐产品组合生成方法的流程图;
图3示意性示出了根据本公开实施例的计算得到推荐流动性比例的流程图;
图4示意性示出了根据本公开实施例的推荐产品组合生成装置的结构框图;以及
图5示意性示出了根据本公开实施例的适于实现推荐产品组合生成方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的实施例中,所涉及的数据(例如,包括但不限于用户个人信息)的收集、更新、分析、处理、使用、传输、提供、公开、存储等方面,均符合相关法律法规的规定,被用于合法的用途,且不违背公序良俗。特别地,对用户个人信息采取了必要措施,防止对用户个人信息数据的非法访问,维护用户个人信息安全、网络安全和国家安全。
在本公开的实施例中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
需要说明的是,本公开实施例的推荐产品组合生成方法、装置、设备、介质和程序产品可以应用于大数据技术领域,也可用于金融技术领域,也可用于除大数据技术领域和金融技术领域之外的任意领域,本公开实施例对上述推荐产品组合生成方法、装置、设备、介质和程序产品的应用领域不做限定。
随着国民经济的发展,各类金融产品逐渐走入用户的生活中,对于用户而言,不再满足于持有单一的金融产品,移动互联网技术、人工智能技术的飞速发展使得组合式推荐金融产品成为可能。如何给用户推荐适合的组合金融产品也成了迫切需要解决的问题。现有的产品推荐技术中多是以单一产品为推荐对象,无法满足用户持有多样化产品的需求。并且,目前针对组合产品推荐的场景,现有推荐方法存在一些缺陷,例如,目前采用人工推荐的方法,多是业务人员结合工作经验并通过调用各个产品的历史数据进行大量分析工作后得到推荐结果,该方法消耗大量人力且由于人为主观因素的干扰推荐结果也往往效果不佳。再例如,目前结合计算机技术进行推荐的方法,多是通过预设的算法对数量庞大的多种产品组合分别进行收益试算,再结合收益大小确定推荐结果,该方法需要消耗大量的算力分别对每个组合进行试算,计算机资源消耗较大,对计算机内部性能要求较高。
有鉴于此,本公开的实施例提供了一种推荐产品组合生成方法,包括:
从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量;将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例,其中推荐流动性比例为:与多个预定产品类型各自关联的多个单类推荐资源消耗量的比值;获取拟推荐产品清单,其中,拟推荐产品清单中包括多个拟推荐给目标对象的目标产品,目标产品属于预定产品类型;从数据库中读取多个目标产品各自的单品最低资源消耗和产品类型;基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,推荐产品源自于多个目标产品。
图1示意性示出了根据本公开实施例的推荐产品组合生成方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
在本公开实施例的应用场景下,金融机构的业务人员可通过第一终端设备101、第二终端设备102、第三终端设备103向服务器105发起用于获取多种金融产品组合推荐方案的请求,响应于用户请求,服务器105可执行本公开实施例的推荐产品组合生成方法,例如从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录、并利用比例计算模型基于历史资源消耗记录计算得到推荐流动性比例,并进一步地基于推荐流动性比例以及获取得到的其他基础数据(例如计划资源消耗总量、单品最低资源消耗等)生成多个推荐产品组合,并通过第一终端设备101、第二终端设备102、第三终端设备103向金融机构的业务人员返回。
需要说明的是,本公开实施例所提供的推荐产品组合生成方法一般可以由服务器105执行。相应地,本公开实施例所提供的推荐产品组合生成装置一般可以设置于服务器105中。本公开实施例所提供的推荐产品组合生成方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的推荐产品组合生成装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的推荐产品组合生成方法进行详细描述。
图2示意性示出了根据本公开实施例的推荐产品组合生成方法的流程图。
如图2所示,该实施例的推荐产品组合生成方法包括操作S210~操作S250。
在操作S210,从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量。
本公开实施例的推荐产品组合生成方法可用于向目标用户推荐金融产品组合购买方案的场景。该目标对象可以是拟推荐的目标用户,目标对象在预定历史时间段内的历史资源消耗记录,可以是目标用户的历史消费明细数据,包括消费金额、消费时间等。目标对象针对多个预定产品类型下产品的计划资源消耗总量,可以是目标用户针对特定类型金融产品的购买需求,例如用户计划支出特定类型金融产品的额度。
需要说明的是,在本公开的实施例中,在获取目标对象的历史资源消耗记录和计划资源消耗总量之前,需获得用户的同意或授权。例如,在操作S210之前,可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下,执行所述操作S210。
在操作S220,将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例,其中推荐流动性比例为:与多个预定产品类型各自关联的多个单类推荐资源消耗量的比值。
比例计算模型用于基于历史资源消耗记录和计划资源消耗总量,计算得到推荐流动性比例,推荐流动性比例,例如可以是推荐目标用户购买不同类型金融产品的购买花销的比例。如,推荐用户购买现金管理类理财产品、定期开发类理财产品与封闭类理财产品的购买花销的比例。
在操作S230,获取拟推荐产品清单,其中,拟推荐产品清单中包括多个拟推荐给目标对象的目标产品,目标产品属于预定产品类型。拟推荐产品清单中的目标产品例如可以是经过筛选得到适合推荐给目标用户的金融产品。
在操作S240,从数据库中读取多个目标产品各自的单品最低资源消耗和各自所属产品类型。目标产品的单品最低资源消耗例如可以是金融产品各自的起够额度。目标产品的产品类型可以是属于现金管理类理财产品、定期开发类理财产品与封闭类理财产品中的其中一种。
在操作S250,基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,推荐产品源自于多个目标产品。
在计算得到推荐流动性比例的基础上,在该操作基于得到的推荐流动性比例、以及读取的其他基础参数(如计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型),生成了多个推荐产品组合。任一组推荐产品组合中例如可包括多个推荐给目标用户的金融产品,以及推荐用户购买多个推荐的金融产品分别花费的推荐购买金额(资源消耗量)。例如其中一组推荐产品组合组包括5个金融产品,其中1个金融产品属于现金管理类理财产品,2个金融产品属于定期开发类理财产品,2个金融产品属于封闭类理财产品,并且推荐了这10个金融产品各自对应的推荐购买金额。
根据本公开的实施例,针对现有技术中产品组合推荐的缺陷,本公开实施例的上述方法,一方面,通过计算机自动执行数据读取、调用计算模型进行计算、结果生成等,实现了产品组合推荐的自动化执行,解放了人力,提高了业务人员的工作效率。
另一方面,本公开的实施例的上述方法通过首先计算得到推荐流动性比例,并进一步基于推荐流动性比例以及读取到的其他少量基础参数自动生成多个推荐产品组合,计算机执行上述方法的过程中,仅需获取到各产品在该场景下的少量关键参数,并基于这些关键参数进行较为简单的关联计算,对计算资源和计算性能的需求较低,无需如相关技术中对数量庞大的多种产品组合分别进行收益试算,较大程度上降低了计算机资源消耗,降低了对计算机内部性能要求。
再一方面,对于组合产品推荐的应用场景,推荐流动性比例(不同类型产品的资源消耗量之比)为该场景下的关键参数,本公开的实施例的上述方法中采用结合目标对象的历史资源消耗记录计算得到推荐流动性比例的技术手段,即通过利用了用户的历史资源消耗对用户选择组合产品偏好的内在关联性,形成一种组合产品推荐的方法,得到的推荐结果符合用户的行为习惯,推荐结果的可参考性较好,推荐准确度高,满足了用户持有多样化产品的需求,提高了用户体验。
根据本公开的实施例,拟推荐产品清单中的目标产品可以是经过筛选得到适合推荐给目标用户的金融产品,进一步地,获取拟推荐产品清单可以是:基于目标对象的客户风险等级和多个预选产品的产品风险等级,从多个预选产品中确定多个目标产品后生成拟推荐产品清单。
具体可以是从数据库中读取各个预选产品的产品风险等级、以及目标对象的客户风险等级,其中产品风险等级越高,代表产品的风险性越高,目标对象的客户风险等级是用于表征目标用户的风险承受能力,目标对象的客户风险等级越高,代表目标用户的风险承受能力越高。基于目标对象的客户风险等级和多个预选产品的产品风险等级,从多个预选产品中确定多个目标产品,可以是从多个预选产品中筛选出产品风险等级小于或等于客户风险等级的产品,即筛选出小于客户风险承受能力等级的产品后生成拟推荐产品清单。例如,基于客户风险等级和产品风险等级,筛选出符合客户风险等级的现金管理类理财产品、定期开放类理财产品与封闭类理财产品,作为推荐产品清单中的目标产品。
根据本公开的实施例,通过获取拟推荐产品清单,可进一步基于拟推荐的目标产品的产品属性数据(单品最低资源消耗和产品类型)和预先计算的到的推荐流动性比例生成多个推荐产品组合,该算法综合考虑到了客户流动性偏好和客户风险承受能力,推荐的产品组合兼顾客户风险偏好从而更具参考性,准确性更高,产品推荐效果更佳。
根据本公开的实施例,在通过目标对象的历史资源消耗记录计算得到推荐流动性比例后,可基于推荐流动性比例以及读取到的其他基础参数生成多个推荐产品组合,以下进行具体说明。
具体地,基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合包括:
首先,根据多个目标产品各自的单品最低资源消耗和产品类型,生成多个初选产品组合,其中各个初选产品组合包括至少一个初选产品、以及至少一个初选产品各自对应的单品初始资源消耗量,初选产品源自于多个目标产品,单品初始资源消耗量大于等于单品最低资源消耗。
例如,可以利用排列组合的方式从多个目标产品中选取一些初选产品形成初选产品组合,其中,任一初选产品组合中可包括至少一种产品类型,例如多个初选产品的类型属于现金管理类理财产品、定期开发类理财产品与封闭类理财产品中的其中一种或多种。并且,各初选产品的单品初始资源消耗量大于等于单品最低资源消耗,例如各初选金融产品的推荐购买金额需要大于等于各产品相应的起够金额。
然后,根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合。即根据推荐流动性比例、计划资源消耗总量建立约束条件,并根据约束条件从上述多个初选产品组合中筛选出符合约束条件的组合作为最终的产品推荐组合。
根据本公开的实施例,进一步地,根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合包括:
首先,基于推荐流动性比例建立第一约束条件,其中,第一约束条件包括:任一初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于推荐流动性比例,其中,单类初始资源消耗量根据至少一个初选产品各自对应的单品初始资源消耗量计算得到。
以金融产品为例,例如,任一初选产品组合中,初选产品的类型属于现金管理类理财产品、定期开发类理财产品与封闭类理财产品中的其中一种或多种。需要计算得到与多个预定产品类型各自关联的多个单类初始资源消耗量。
其中,针对现金管理类产品,假设该组合中初选的现金管理类产品有n只,每只产品单品初始资源消耗量(可购买金额)记为mi,则单类初始资源消耗量(即总购买金额)Qm的计算如下式(1)所示:
Qm=m1+m2+……mn------式(1)
针对定期开放类产品,需要首选读取各产品的开放周期和对应的购买金额(单品初始资源消耗量),将可购买周期与产品开放周期进行匹配,假设该组合中初选的周期为t的该类产品的有n只,每只产品单品初始资源消耗量(可购买金额)记为zi,则单类初始资源消耗量(即总购买金额)Qz的计算如下式(2)所示:
针对封闭类产品,假设该组合中初选的该类产品有n只,每只产品的单品初始资源消耗量(可购买金额)记为fi,则单类初始资源消耗量(即总购买金额)Qf的计算如下式(3)所示:
Qf=f1+f2+……fn------式(3)
在计算得到与多个预定产品类型各自关联的多个单类初始资源消耗量后,基于推荐流动性比例建立第一约束条件,任一初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于推荐流动性比例,如上述现金管理类理财产品Qm、定期开放类理财产品Qz与封闭类理财产品推荐购买金额Qf的比值需满足等于推荐流动性比例的约束条件。例如,第一约束条件如下式(4)所示:
Qm:Qz:Qf=推荐流动性比例------式(4)
之后,基于计划资源消耗总量建立第二约束条件,其中,第二约束条件包括:任一初选产品组合中,至少一个初选产品各自对应的单品初始资源消耗量的总和小于等于计划资源消耗总量。仍以上述金融组合产品为例,第二约束条件例如可以是如下式(5)所示:
Qm+Qz+Qf≤计划资源消耗总量------式(5)
最后,基于第一约束条件、第二约束条件,从多个初选产品组合中确定同时满足上述两个约束条件的多个推荐产品组合。
本公开实施例的上述方法通过首先建立约束条件,将符合约束条件的产品组合筛选出来作为最终的推荐产品组合,这种确定推荐产品组合的方法,只需通过简单的约束算法即可产生较佳的推荐结果,无需如相关技术中对数量庞大的每个产品组合都分别进行收益试算,进一步降低了计算机资源消耗,降低了对计算机内部性能要求。
根据本公开的实施例,在本公开实施例的应用场景下,用于向目标对象推荐多个预定产品类型下的组合产品。其中,多个预定产品类型可包括流动性产品类型、周期性产品类型、封闭性产品类型。以金融产品为例,流动性产品类型例如可以是现金管理类理财产品类型,周期性产品类型例如可以是定期开发类理财产品类型,封闭性产品类型例如可以是封闭类理财产品类型。
从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量后,可进一步基于读取的数据计算得到推荐流动性比例。
图3示意性示出了根据本公开实施例的计算得到推荐流动性比例的流程图。
如图3所示,该实施例的计算得到推荐流动性比例的方法包括操作S310~操作S350。
在操作S310,根据历史资源支出数据的资源支出量以及支出时间,从多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,其中多个周期性消耗数据对应的多个支出时间具有周期分布规律,多个周期性消耗数据对应的多个资源支出量之间的差值小于预设差值阈值,例如,客户的历史支出账目明细中,每隔相同期限支出相同金额或相似金额的数据为周期性消耗数据,相似金额是指金额浮动在一定比例,如50%浮动范围内。
其中,目标对象的历史资源消耗记录包括多个历史资源支出数据,各历史资源支出数据包括资源支出量以及支出时间,例如,历史资源消耗记录可以是目标客户的历史支出账目明细,各笔支出明细包括支出金额、支出时间等信息。目标对象针对多个预定产品类型下产品的计划资源消耗总量,可以是目标客户的预计购买总金额。
上述操作S310中,根据历史资源支出数据的资源支出量以及支出时间,从多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,例如可以是对目标客户的历史支出账目明细标记支出类型。将日常生活支出类型的数据标记为“流动性消耗数据”,日常生活支出类型可包括但不限于“餐饮”、“交通出行”、“生活缴费”、“取现”、“消费”、“ETC”等;将历史支出账目明细每隔相同期限支出相同金额或相似金额的支出类型标记为“周期性消耗数据”,周期性消耗数据可包括但不限于“贷款还款”、“社保缴费”、“信用卡还款”、“转账汇款”等。
在操作S320,根据历史资源支出数据中的多个流动性消耗数据计算得到与流动性产品类型关联的流动性资源消耗限值。
具体地,例如可以是将每一周期内容标记为“流动性消耗数据”的支出金额加总,利用机器学习线性回归的算法预测未来一周期内客户的流动性资源支出量(如流动性支出金额),将其作为购买流动性类型产品的流动性资源消耗限值,如作为购买现金管理类理财产品的金额。其中,周期可由客户在终端界面设置或由参数配置。
在操作S330,根据历史资源支出数据中的多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值。例如,可利用机器学习线性回归的算法基于历史的周期性消耗数据预测未来一周期内的周期性资源支出量(如周期性支出金额),将其作为购买周期性类型产品的周期性资源消耗限值,如作为购买定期开发类理财产品的金额。
在操作S340,根据计划资源消耗总量、流动性资源消耗限值、周期性资源消耗限值计算得到与封闭性产品类型关联的封闭性资源消耗限值。例如可以是:计划资源消耗总量减去计算得到的流动性资源消耗限值和周期性资源消耗限值后得到与封闭性产品类型关联的封闭性资源消耗限值。例如,将目标客户的预计购买总金额减去现金管理类产品购买金额和定期开放类产品购买金额得到封闭型理财产品购买金额。
在操作S350,计算流动性资源消耗限值、周期性资源消耗限值、封闭性资源消耗限值的比值,以得到推荐流动性比例。
根据本公开的实施例,上述方法中,将历史资源支出数据进行分类,并针对性地基于不同类型的历史支出数据预测未来相应类型下的资源支出量,以作为相应类型下的资源消耗限值,进而计算得到推荐流动性比例。通过挖掘用户历史资源消耗对用户选择组合产品偏好的内在关联性,实现了对用户资源消耗量的预测,从而确定在组合产品推荐场景下的关键参数(推荐流动性比例),得到的推荐结果符合用户的行为习惯,推荐结果的可参考性较好。
根据本公开的实施例,在针对周期性消耗数据的处理中,基于周期性消耗数据的自身特点,根据多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值可包括以下操作:
操作1、基于支出时间,将多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集。
该操作具体可以是:首先,基于支出时间的属性,利用预定聚类算法将多个周期性消耗数据进行聚类处理,将支出时间较为接近的数据聚集为同一类后得到多个分类数据集。例如,进行聚类处理后得到了多个数据集,第一个数据集中的数据对应的支出时间在每月15日左右,第二个数据集中的数据对应的支出时间在每月25日左右……。
之后,标记多个分类数据集各自对应的资源消耗类别;例如,可标记为:“贷款还款类”、“社保缴费类”、“信用卡还款类”、“转账汇款类”……等多个数据类别。其中,标记类别可以是基于各数据类别和支出时间的对应关系进行标记,例如,基于预设的支付规则,贷款还款每月15日左右执行扣款支出,则可将支出时间为每月15日左右的数据集标记为“贷款还款类”,同理,依次标记每个数据集合的类别。
然后,按照资源消耗类别将多个分类数据集分为专项支出类数据集和非专项支出类数据集。可依据资源消耗类别的消耗特性进行分类,例如,属于贷款还款、社保缴费类的支出属于长期且支出数额较为固定的支出,可将“贷款还款类”、“社保缴费类”的数据集作为专项支出类数据;而属于信用卡还款、转账汇款等类型的支出则属于不定项的支出,支出周期和支出数额较为不固定,可将“信用卡还款类”、“转账汇款类”等数据作为非专项支出类数据集。
操作2、利用预定回归算法,基于非专项支出类数据集中各周期性消耗数据分别对应的资源支出量,计算得到未来预定时间段内的预计非专项资源支出量。
例如,获取“信用卡还款类”、“转账汇款类”等数据作为非专项支出类数据集中的各个数据的属性值:资源支出量(支出数额)。并针对每个非专项支出类数据集中的数据,利用集成回归的算法预测未来一周期内客户的预计非专项资源支出量(预计支出金额)。支出周期指两笔周期性支出明细的日期间隔。
在进行回归算法预测时,针对每个非专项支出类数据集执行下述处理。
首先,将每个数据集中的数据样本进行划分,划分为T个含有M个样本的样本集。分别对每个样本集进行训练得到一个基学习器,最后通过基学习器的结合得到最终的回归结果。
具体地,基于线性回归算法,对每个样本集进行训练T轮(训练次数t=1,2...T)后得到一个线性回归模型:hi(x),针对每个数据集得到T个线性回归模型;则,将T个通过基学习器得到的线性回归模型进行组合得到最终的回归模型H(x)如下式(6)所示:
利用回归模型H(x)预测,未来预定时间段内的预计非专项资源支出量,例如,客户每月10日向指定账户汇款1万元,则支出周期为1个月、支出金额为1万元;同时客户每个月1日存在一笔话费支出,支出金额浮动变化,预测下月金额在80元,则支出周期为1个月的还款外预计支出金额为10080元。
操作3、从数据库中读取目标对象在未来预定时间段内的计划专项资源支出量。例如读取未来一周期内客户的资源支出计划,如贷款还款计划和社保缴费计划,包括未来一周期的预计还款金额及支出周期。
操作4、根据预计非专项资源支出量和计划专项资源支出量,计算得到周期性资源消耗限值。
具体可以是,将预计非专项资源支出量和计划专项资源支出量进行求和得到周期性资源消耗限值,作为购买周期性类型产品的周期性资源消耗限值,如作为购买定期开发类理财产品的金额。同时,需要确定可购买周期,可购买周期具体可包括支出周期的因数,例如客户周期为21天的支出金额为1万元,则可购买周期可取为21天的因数,如1天、3天、7天、21天。
根据本公开的实施例,进一步地,在上述针对周期性消耗数据的处理的过程中,基于支出时间,利用预定聚类算法将多个周期性消耗数据进行聚类处理得到多个分类数据集具体可以是:利用K-mean聚类算法进行聚类处理,将支出时间较为接近的数据聚集为同一类后得到多个分类数据集。因K-mean聚类算法需要预先确定类簇数量K,且类簇数量的确定对聚类结果的有较大影响,因此,本公开实施例结合了EM算法原理,利用最大似然函数计算最合适的K值,通过聚类算法进行聚类,对聚类方法进行了优化提升,以提高聚类的准确性。
其中,EM(Expectation-Maximization Algorithm)算法是一种迭代算法,适用于解决含有隐藏变量的问题,即存在无法观测的记录值。EM算法涉及两个变量一个是隐藏变量(Z),一个是模型的参数(U)。将未知可能的分类结果作为隐藏的变量Z,聚类的质心U作为模型预测的参数。参数U和变量Z具有依赖的关系,如果确定了最优的参数U,即可以用聚类的算法计算所有的分类结果。但是由于分类结果和质心U都是不确定的,所以通过EM算法迭代求解,通过赋予变量某个初始值,进行估计,直到模型持续到收敛为止,求解最优的簇K。
根据本公开的实施例,将多个周期性消耗数据进行聚类处理的具体操作如下:
操作1、针对样本集合D={x1,x2,x3......Xn},初始化类簇数量参数K,随机选取每个簇的质心uk,得到多个初始化质心:U={u1,u2,...uk},每个样本xi包括资源支出量以及支出时间,例如包括周期性消耗数据中每笔历史交易的支出金额、支出时间。
操作2、利用K-mean算法,基于初始参数U对多个周期性消耗数据进行聚类,聚类结果为多个初始类簇,C={c1,c2,c3......ck}。
操作3、根据聚类结果更新样本标签:聚类结果为“贷款还款”、“社保缴费”、“信用卡还款”、“转账汇款”则为新的标签,其他分类结果定义为隐藏属性Z。根据本公开的实施例,由于还有部分划分为同一簇的样本不明确类别,且划分为同一个类别的准确性很难估计,因此将此类资金支出类别定义为隐藏属性即隐藏变量Z。
操作4、基于隐藏变量Z求解对数似然函数的期望值Q。具体地,基于参数初始化质心U={u1,u2,...uk},计算隐藏变量Z对数似然函数的期望值Q,计算方法如下式(7):
操作5、求解最优质心U′={u1′,u2′,...uk′},具体为:求解使得对数似然函数的期望值Q最大时的质心作为最优质心U′,其中,U′的计算方法如下式(8):
操作6、在求解得到最优最优质心U′后,U′作为下一次迭代的类簇质心,再次根据上述操作1-5进行迭代计算,直到极大似然函数收敛,求解的K值即为最优K值(类簇数量)。例如,可采用Jeson不等式,利用L(k)>=J(Z,Q)求解函数Q的极值,输出最优K值。
操作6、根据最优K值,重新基于K-mean算法对多个周期性消耗数据进行聚类处理得到多个分类数据集。
根据本公开的实施例,聚类处理中,需要初始化聚类簇数量以及每个聚类的质心,原则上希望同一个簇中样本距离质心的距离越近越好。本公开的实施例将求解最优化类簇数量,转化为求解最优质心的问题,确定了质心后,即可以通过聚类算法求解隐藏的分类结果。本公开实施例通过结合了EM算法,利用最大似然函数计算最合适的聚类簇数量,对聚类方法进行了优化提升,提高了聚类的准确性。
根据本公开的实施例,在基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合后,本公开实施例的推荐产品组合生成方法还包括:确定多个推荐产品组合各自的优先等级;并按照多个推荐产品组合各自的优先等级向目标对象推荐目标推荐产品组合。例如优先向客户推荐优先等级较高的产品组合。
其中,确定多个推荐产品组合各自的优先等级可以是通过计算各个组合的预测收益大小来确定组合的优先级,具体可包括:
操作1、基于各推荐产品组合中至少一个推荐产品各自对应的收益类型,计算得到各推荐产品组合分别对应的预测资源收益。
在进行计算之前,需要先判断各个产品所属的收益类型。针对金融产品而言,例如具体可以是:现金管理类产品、固定收益率产品与净值型产品其中之一。
进一步地,针对不同收益类型的产品,分别基于不同的预测算法计算得到各类型产品的单品预测资源收益xi,并结合单品持有份数将各个组合中的单品预测资源收益求和从而得到各推荐产品组合分别对应的预测资源收益为:Σxi·Ni,其中Ni为持有份数,如对于金融产品,持有份数=每只产品购买金额/产品当日价格。
例如,针对现金管理类产品,计算得到各产品的单品预测资源收益可以是:系统构建收益预测模型,将每只产品每天的历史收益作为训练的数据,利用机器学习算法预测客户持仓未来一个周期内的预测收益。所述周期可由客户在终端界面设置或由参数配置。
例如,针对固定收益率产品,计算得到各产品的单品预测资源收益可以是:读取产品的年化收益率,计算未来一个周期的收益。预测客户收益=客户份额*发行价格*对应档次的年化收益率*(登记日-起息日+1)/计算天数,例如:客户年化收益率为4.5%,那么收益=客户份额*发行价格*4.5%*持有天数/365。
例如,针对净值型产品,计算得到各产品的单品预测资源收益可以是:通过分别预测各个产品所投向资产的价格,从而计算产品未来收益。
针对权益类资产,获取产品对应的投资股票组合。获取当前经济的最新宏观指标、所投向上市企业的财务指标,以及企业的市场情绪,利用机器学习算法学习股票价格,通过预测的股票价格增长值预测客户收益,若所投向包括股票指数,则根据成分股预测值加权获得股指预测价格。企业市场情绪可采用深度学习循环神经网络RNN模型进行预测。
针对债券类资产,债券收益包括债券票息和资本利得。每期票息收益=债券面值*票息率,资本利得=债券现值-债券买入价格。债券现值为未来现金流包括票息和本金根据收益率的折现价格,通过预测债券收益率可预测债券现值,可通过输入收益率曲线数据、宏观指标、企业信用风险指标等作为变量作为训练样本数据,采用机器学习线性回归算法,对债券收益率模型进行训练,预测得到未来一个周期债券的价格。
操作2、基于各推荐产品组合分别对应的预测资源收益,确定多个推荐产品组合各自的优先等级。以金融产品为例,可通过预测各推荐产品组合对应的客户收益,按照收益由高到底排序,生成产品组合推荐清单。系统可向用户推送产品组合购买方案,用户接收到推荐方案后可根据推荐结果自己调整组合购买方案,执行购买交易。
根据本公开的实施例,上述方法通过首先生成符合预设约束条件的少量推荐产品组合,再通过计算得到各推荐产品组合分别对应的预测资源收益来确定推荐给用户的优先级。由于推荐产品组合是从大量产品组合中筛选得到的符合预设约束条件的少量组合,因此,对其进一步进行收益计算无需消耗较大的计算资源,相比于相关技术中对数量庞大的多种产品组合分别进行收益试算的方法,避免了对大量无推荐意义的产品组合(不符合约束条件的组合)进行计算而造成的计算资源的浪费,节约了计算资源。
根据本公开的实施例,进一步地,通过计算得到各推荐产品组合分别对应的预测资源收益,并进一步基于各推荐产品组合分别对应的预测资源收益来确定推荐产品组合的优先等级,推荐结果的产生考虑了客户收益因素的影响,用以推荐实现客户收益最大化的理财产品组合,实现了客户收益最大化的目的,推荐结果被客户接受的可能性较高,推荐效果较佳,提升了用户体验。
基于上述推荐产品组合生成方法,本公开还提供了一种推荐产品组合生成装置。以下将结合图4对该装置进行详细描述。
图4示意性示出了根据本公开实施例的推荐产品组合生成装置的结构框图。
如图4所示,该实施例的推荐产品组合生成装置400包括第一读取模块410、计算模块420、获取模块430、第二读取模块440、生成模块450。
其中,第一读取模块410,用于从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及目标对象针对多个预定产品类型下产品的计划资源消耗总量;
计算模块420,用于将历史资源消耗记录和计划资源消耗总量输入比例计算模型,以通过比例计算模型计算得到推荐流动性比例,其中推荐流动性比例为:与多个预定产品类型各自关联的多个单类推荐资源消耗量的比值;
获取模块430,用于获取拟推荐产品清单,其中,拟推荐产品清单中包括多个拟推荐给目标对象的目标产品,目标产品属于预定产品类型;
第二读取模块440,用于从数据库中读取多个目标产品各自的单品最低资源消耗和产品类型;
生成模块450,用于基于推荐流动性比例、计划资源消耗总量、多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,推荐产品源自于多个目标产品。
根据本公开的实施例,上述推荐产品组合生成装置400通过第一读取模块410、计算模块420、获取模块430、第二读取模块440、生成模块450由计算机自动执行数据读取、调用计算模型进行计算、结果生成等操作,实现了产品组合推荐的自动化执行,解放了人力,提高了业务人员的工作效率。另一方面,通过第一读取模块410、计算模块420首先计算得到推荐流动性比例,并进一步通过生成模块450基于推荐流动性比例以及读取到的其他少量基础参数自动生成多个推荐产品组合,仅需获取到各产品在该场景下的少量关键参数,并基于这些关键参数进行较为简单的关联计算,对计算资源和计算性能的需求较低,无需如相关技术中对数量庞大的多种产品组合分别进行收益试算,较大程度上降低了计算机资源消耗,降低了对计算机内部性能要求。再一方面,对于组合产品推荐的应用场景,推荐流动性比例(不同类型产品的资源消耗量之比)为该场景下的关键参数,本公开的实施例通过计算模块420采用结合目标对象的历史资源消耗记录计算得到推荐流动性比例的技术手段,即通过利用了用户的历史资源消耗对用户选择组合产品偏好的内在关联性,得到的推荐结果符合用户的行为习惯,推荐结果的可参考性较好,满足了用户持有多样化产品的需求,提高了用户体验。
根据本公开的实施例,其中,生成模块包括第一生成子模块、第二生成子模块。
其中,第一生成子模块,用于根据多个目标产品各自的单品最低资源消耗和产品类型,生成多个初选产品组合,其中各个初选产品组合包括至少一个初选产品、以及至少一个初选产品各自对应的单品初始资源消耗量,初选产品源自于多个目标产品,单品初始资源消耗量大于等于单品最低资源消耗;第二生成子模块,用于根据多个初选产品组合、推荐流动性比例、计划资源消耗总量,生成多个推荐产品组合。
根据本公开的实施例,其中,第二生成子模块包括第一建立单元、第二建立单元、确定单元。
其中,第一建立单元,用于基于推荐流动性比例建立第一约束条件,其中,第一约束条件包括:任一初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于推荐流动性比例,其中,单类初始资源消耗量根据至少一个初选产品各自对应的单品初始资源消耗量计算得到;第二建立单元,用于基于计划资源消耗总量建立第二约束条件,其中,第二约束条件包括:任一初选产品组合中,至少一个初选产品各自对应的单品初始资源消耗量的总和小于等于计划资源消耗总量;确定单元,用于基于第一约束条件、第二约束条件,从多个初选产品组合中确定多个推荐产品组合。
根据本公开的实施例,其中,多个预定产品类型包括流动性产品类型、周期性产品类型、封闭性产品类型,历史资源消耗记录包括多个历史资源支出数据,各历史资源支出数据包括资源支出量以及支出时间。
计算模块包括第一确定子模块、第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块。
其中,第一确定子模块,用于根据历史资源支出数据的资源支出量以及支出时间,从多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,其中多个周期性消耗数据对应的多个支出时间具有周期分布规律,多个周期性消耗数据对应的多个资源支出量之间的差值小于预设差值阈值;第一计算子模块,用于根据多个流动性消耗数据计算得到与流动性产品类型关联的流动性资源消耗限值;第二计算子模块,用于根据多个周期性消耗数据计算得到与周期性产品类型关联的周期性资源消耗限值;第三计算子模块,用于根据计划资源消耗总量、流动性资源消耗限值、周期性资源消耗限值计算得到与封闭性产品类型关联的封闭性资源消耗限值;第四计算子模块,用于计算流动性资源消耗限值、周期性资源消耗限值、封闭性资源消耗限值的比值,以得到推荐流动性比例。
根据本公开的实施例,其中,第二计算子模块包括分类单元、第一计算单元、读取单元、第二计算单元。
其中,分类单元,用于基于支出时间,将多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集;第一计算单元,用于利用预定回归算法,基于非专项支出类数据集中各周期性消耗数据分别对应的资源支出量,计算得到未来预定时间段内的预计非专项资源支出量;读取单元,用于从数据库中读取目标对象在未来预定时间段内的计划专项资源支出量;第二计算单元,用于根据预计非专项资源支出量和计划专项资源支出量,计算得到周期性资源消耗限值。
根据本公开的实施例,其中,分类单元包括聚类子单元、标记子单元、分类子单元。
其中,聚类子单元,基于支出时间,利用预定聚类算法将多个周期性消耗数据进行聚类处理得到多个分类数据集;标记子单元,用于标记多个分类数据集各自对应的资源消耗类别;分类子单元,用于按照资源消耗类别将多个分类数据集分为专项支出类数据集和非专项支出类数据集。
根据本公开的实施例,其中,获取模块包括第三生成子模块,用于基于目标对象的客户风险等级和多个预选产品的产品风险等级,从多个预选产品中确定多个目标产品后生成拟推荐产品清单。
根据本公开的实施例,上述装置还包括确定模块、推荐模块。
其中,确定模块,用于确定多个推荐产品组合各自的优先等级;推荐模块,用于按照多个推荐产品组合各自的优先等级向目标对象推荐目标推荐产品组合。
根据本公开的实施例,其中,确定模块包括第五计算子模块、第二确定子模块。
其中,第五计算子模块,用于基于各推荐产品组合中至少一个推荐产品各自对应的收益类型,计算得到各推荐产品组合分别对应的预测资源收益;第二确定子模块,用于基于各推荐产品组合分别对应的预测资源收益,确定多个推荐产品组合各自的优先等级。
根据本公开的实施例,第一读取模块410、计算模块420、获取模块430、第二读取模块440、生成模块450中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一读取模块410、计算模块420、获取模块430、第二读取模块440、生成模块450中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一读取模块410、计算模块420、获取模块430、第二读取模块440、生成模块450中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的适于实现推荐产品组合生成方法的电子设备的方框图。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的推荐产品组合生成方法。
在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种推荐产品组合生成方法,包括:
从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及所述目标对象针对多个预定产品类型下产品的计划资源消耗总量;
将所述历史资源消耗记录和所述计划资源消耗总量输入比例计算模型,以通过所述比例计算模型计算得到推荐流动性比例,其中所述推荐流动性比例为:与多个所述预定产品类型各自关联的多个单类推荐资源消耗量的比值;
获取拟推荐产品清单,其中,所述拟推荐产品清单中包括多个拟推荐给所述目标对象的目标产品,所述目标产品属于所述预定产品类型;
从数据库中读取所述多个目标产品各自的单品最低资源消耗和产品类型;
基于所述推荐流动性比例、所述计划资源消耗总量、所述多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个所述推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,所述推荐产品源自于所述多个目标产品。
2.根据权利要求1所述的方法,其中,基于所述推荐流动性比例、所述计划资源消耗总量、所述多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合包括:
根据所述多个目标产品各自的单品最低资源消耗和产品类型,生成多个初选产品组合,其中各个所述初选产品组合包括至少一个初选产品、以及至少一个初选产品各自对应的单品初始资源消耗量,所述初选产品源自于所述多个目标产品,所述单品初始资源消耗量大于等于所述单品最低资源消耗;
根据所述多个初选产品组合、所述推荐流动性比例、所述计划资源消耗总量,生成多个推荐产品组合。
3.根据权利要求2所述的方法,其中,根据所述多个初选产品组合、所述推荐流动性比例、所述计划资源消耗总量,生成多个推荐产品组合包括:
基于所述推荐流动性比例建立第一约束条件,其中,所述第一约束条件包括:任一所述初选产品组合中,与多个预定产品类型各自关联的多个单类初始资源消耗量的比值等于所述推荐流动性比例,其中,所述单类初始资源消耗量根据所述至少一个初选产品各自对应的单品初始资源消耗量计算得到;
基于所述计划资源消耗总量建立第二约束条件,其中,所述第二约束条件包括:任一所述初选产品组合中,至少一个初选产品各自对应的单品初始资源消耗量的总和小于等于所述计划资源消耗总量;
基于所述第一约束条件、所述第二约束条件,从所述多个初选产品组合中确定多个推荐产品组合。
4.根据权利要求1所述的方法,其中,所述多个预定产品类型包括流动性产品类型、周期性产品类型、封闭性产品类型,所述历史资源消耗记录包括多个历史资源支出数据,各所述历史资源支出数据包括资源支出量以及支出时间;
计算得到所述推荐流动性比例包括:
根据所述历史资源支出数据的所述资源支出量以及所述支出时间,从所述多个历史资源支出数据中确定多个流动性消耗数据和多个周期性消耗数据,其中多个所述周期性消耗数据对应的多个支出时间具有周期分布规律,多个所述周期性消耗数据对应的多个资源支出量之间的差值小于预设差值阈值;
根据所述多个流动性消耗数据计算得到与所述流动性产品类型关联的流动性资源消耗限值;
根据所述多个周期性消耗数据计算得到与所述周期性产品类型关联的周期性资源消耗限值;
根据所述计划资源消耗总量、所述流动性资源消耗限值、所述周期性资源消耗限值计算得到与封闭性产品类型关联的封闭性资源消耗限值;
计算所述流动性资源消耗限值、所述周期性资源消耗限值、所述封闭性资源消耗限值的比值,以得到所述推荐流动性比例。
5.根据权利要求4所述的方法,其中,根据所述多个周期性消耗数据计算得到与所述周期性产品类型关联的周期性资源消耗限值包括:
基于所述支出时间,将所述多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集;
利用预定回归算法,基于所述非专项支出类数据集中各周期性消耗数据分别对应的资源支出量,计算得到未来预定时间段内的预计非专项资源支出量;
从数据库中读取所述目标对象在未来预定时间段内的计划专项资源支出量;
根据所述预计非专项资源支出量和所述计划专项资源支出量,计算得到所述周期性资源消耗限值。
6.根据权利要求5所述的方法,其中,基于所述支出时间,将所述多个周期性消耗数据分类为专项支出类数据集和非专项支出类数据集包括:
基于所述支出时间,利用预定聚类算法将所述多个周期性消耗数据进行聚类处理得到多个分类数据集;
标记所述多个分类数据集各自对应的资源消耗类别;
按照所述资源消耗类别将所述多个分类数据集分为专项支出类数据集和非专项支出类数据集。
7.根据权利要求1所述的方法,其中,所述获取拟推荐产品清单包括:
基于所述目标对象的客户风险等级和多个预选产品的产品风险等级,从所述多个预选产品中确定多个所述目标产品后生成所述拟推荐产品清单。
8.根据权利要求1所述的方法,还包括:
确定所述多个推荐产品组合各自的优先等级;
按照所述多个推荐产品组合各自的优先等级向所述目标对象推荐目标推荐产品组合。
9.根据权利要求8所述的方法,其中,确定所述多个推荐产品组合各自的优先等级包括:
基于各所述推荐产品组合中所述至少一个推荐产品各自对应的收益类型,计算得到各所述推荐产品组合分别对应的预测资源收益;
基于各所述推荐产品组合分别对应的预测资源收益,确定所述多个推荐产品组合各自的优先等级。
10.一种推荐产品组合生成装置,包括:
第一读取模块,用于从数据库中读取目标对象在预定历史时间段内的历史资源消耗记录,以及所述目标对象针对多个预定产品类型下产品的计划资源消耗总量;
计算模块,用于将所述历史资源消耗记录和所述计划资源消耗总量输入比例计算模型,以通过所述比例计算模型计算得到推荐流动性比例,其中所述推荐流动性比例为:与多个所述预定产品类型各自关联的多个单类推荐资源消耗量的比值;
获取模块,用于获取拟推荐产品清单,其中,所述拟推荐产品清单中包括多个拟推荐给所述目标对象的目标产品,所述目标产品属于所述预定产品类型;
第二读取模块,用于从数据库中读取所述多个目标产品各自的单品最低资源消耗和产品类型;
生成模块,用于基于所述推荐流动性比例、所述计划资源消耗总量、所述多个目标产品各自的单品最低资源消耗和产品类型,生成多个推荐产品组合,其中各个所述推荐产品组合包括至少一个推荐产品、以及至少一个推荐产品各自对应的单品推荐资源消耗量,所述推荐产品源自于所述多个目标产品。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,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执行根据权利要求1~9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~9中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126393.XA CN116091242A (zh) | 2023-02-01 | 2023-02-01 | 推荐产品组合生成方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126393.XA CN116091242A (zh) | 2023-02-01 | 2023-02-01 | 推荐产品组合生成方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091242A true CN116091242A (zh) | 2023-05-09 |
Family
ID=86206286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310126393.XA Pending CN116091242A (zh) | 2023-02-01 | 2023-02-01 | 推荐产品组合生成方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091242A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151747A (zh) * | 2023-10-31 | 2023-12-01 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
-
2023
- 2023-02-01 CN CN202310126393.XA patent/CN116091242A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151747A (zh) * | 2023-10-31 | 2023-12-01 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
CN117151747B (zh) * | 2023-10-31 | 2024-01-30 | 天津市品茗科技有限公司 | 一种服务消费机器人智能推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hung et al. | Big data analytics for supply chain relationship in banking | |
US8296206B1 (en) | Method and system for providing intelligent targeted budgeting using financial transaction data from similarly situated individuals | |
Norets et al. | Semiparametric inference in dynamic binary choice models | |
US8285622B1 (en) | Method and system for providing budgeting recommendations based on financial data from similarly situated individuals | |
Zibriczky12 | Recommender systems meet finance: a literature review | |
US8650110B2 (en) | Counterfactual testing of finances using financial objects | |
Beck et al. | Mobile money, trade credit and economic development: theory and evidence | |
US20210272195A1 (en) | Instant Lending Decisions | |
US8751292B2 (en) | Method and system for providing sellers access to selected consumers | |
US11037236B1 (en) | Algorithm and models for creditworthiness based on user entered data within financial management application | |
WO2023103584A1 (zh) | 对象处理方法、装置、计算机设备和存储介质 | |
CN111783039A (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
Fröwis et al. | The operational cost of Ethereum airdrops | |
US8554645B1 (en) | Method and system for identifying business expenditures with vendors and automatically generating and submitting required forms | |
CN116542395A (zh) | 一种低碳楼宇监测系统及方法 | |
CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
US20150088727A1 (en) | Method for determining creditworthiness for exchange of a projected, future asset | |
Proselkov et al. | Financial ripple effect in complex adaptive supply networks: an agent-based model | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
Kaur et al. | Introduction to FinTech and importance objects | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
Ekster et al. | Alternative Data in Investment Management: Usage, Challenges, and Valuation | |
US7844521B1 (en) | Method and system for providing sellers access to business managing consumers | |
US7966216B1 (en) | Method and system to identify and target consumers based on their spending behavior with respect to supplementary income |
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 |