CN116151896A - 虚拟产品推荐方法、装置、计算机设备和存储介质 - Google Patents

虚拟产品推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116151896A
CN116151896A CN202310215881.8A CN202310215881A CN116151896A CN 116151896 A CN116151896 A CN 116151896A CN 202310215881 A CN202310215881 A CN 202310215881A CN 116151896 A CN116151896 A CN 116151896A
Authority
CN
China
Prior art keywords
user
characteristic
value
characteristic value
users
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
Application number
CN202310215881.8A
Other languages
English (en)
Inventor
孙蓉
江心洲
潘素梅
刘高路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310215881.8A priority Critical patent/CN116151896A/zh
Publication of CN116151896A publication Critical patent/CN116151896A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种虚拟产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，涉及大数据技术领域。所述方法包括：获取多个用户的特征值集合；多个用户中的每一用户的特征值集合包含用户的三个维度的特征值；特征值集合为基于霍尔三维结构对用户的用户特征数据集合进行特征提取得到的；在多个用户的相同维度下的特征值中提取目标特征值，并根据目标特征值构建等级聚类中心；基于等级聚类中心以及各特征值集合对多个用户进行聚类分析，得到聚类后的用户分组；针对用户分组中的每一用户分组，确定用户分组对应的等级特征值范围，并根据等级特征值范围确定用户分组对应的虚拟产品。采用本方法能够提高了虚拟产品推荐方法的准确性。

Description

虚拟产品推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据技术领域，特别是涉及一种虚拟产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
当前，银行系统会推出各种虚拟产品供用户购买，不同的虚拟产品具有不同的属性特征。银行可以对用户进行虚拟产品的推荐。进而，银行针对各用户购买的虚拟产品进行运营管理。
目前的虚拟产品的推荐方法中，往往根据每一用户的历史购买信息和当前热门虚拟产品，为用户推荐对应的目标虚拟产品。
然而，目前的虚拟产品的推荐方法，无法确定银行的运营管理风险，基于用户历史购买数据和当前热门虚拟产品进行推荐，虚拟产品与用户的适配度不高，推荐准确度较差。
发明内容
基于此，有必要针对上述技术问题，提供一种虚拟产品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种虚拟产品推荐方法。所述方法包括：
获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
在其中一个实施例中，所述获取多个用户的特征值集合，包括：
获取多个用户的用户特征数据集合，所述多个用户中每一用户的用户特征数据集合包含所述用户的三个维度的用户特征数据子集；
根据预设的霍尔三维结构，对所述三个维度中每一维度的多个用户特征数据子集进行特征提取，得到所述维度的多个特征值；
将所述三个维度的多个特征值中相同用户的特征值构建为特征值集合，得到多个用户的特征值集合。
在其中一个实施例中，所述根据预设的霍尔三维结构，对所述三个维度中每一维度的多个用户特征数据子集进行特征提取，得到所述维度的多个特征值，包括：
对所述多个用户中每一用户的第一维度的用户特征数据子集进行逻辑回归预测，得到所述用户的第一特征值，所述第一特征值表征所述用户的虚拟资源规模；
对所述多个用户中每一用户的第二维度的用户特征数据子集进行均值运算，得到所述用户的第二特征值，所述第二特征值表征所述用户的虚拟资源转移周期；
对所述多个用户中每一用户的第三维度的用户特征数据子集进行比例运算，得到所述用户的第三特征值，所述第三特征值表征所述用户的虚拟资源风险比例。
在其中一个实施例中，所述在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心，包括：
在所述多个用户的相同维度的特征值下提取候选特征值；
在所述候选特征值确定目标特征值，并根据所述目标特征值构建不同等级的所述等级聚类中心。
在其中一个实施例中，所述候选特征值包括所述三个维度下每一维度的特征值最大值、特征值最小值和特征值均值，所述在所述候选特征值确定目标特征值，并根据所述目标特征值构建不同等级的所述等级聚类中心，包括：
分别对所述三个维度下相同维度的特征值最大值、特征值最小值和特征值均值提取目标特征值，得到多个所述目标特征值；
将多个所述目标特征值进行组合，得到目标组合结果；
基于所述目标组合结果，确定不同等级的所述等级聚类中心。
在其中一个实施例中，所述针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品，包括：
针对聚类后的多个用户分组中的每一用户分组，确定所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值；
根据所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围；
根据所述等级特征值范围，确定所述用户分组对应的虚拟产品。
第二方面，本申请还提供了一种虚拟产品装置。所述装置包括：
获取模块，用于获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
构建模块，用于在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
聚类模块，用于基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
确定模块，用于针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
第五方面，本申请还提供了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，该计算机程序被处理器执行时实现以下步骤：
获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
上述虚拟产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。采用本方法，获取基于霍尔三维结构对多个用户的用户特征数据进行特征提取得到的多个用户的特征值集合。并对多个用户的特征值集合进行聚类分析，确定用户分组以及用户分组对应的等级特征值范围。基于等级特征值范围，推荐用户分组对应的虚拟产品，确定了与用户适配的虚拟产品，提高了虚拟产品推荐方法的准确性。
附图说明
图1为一个实施例中虚拟产品推荐方法的流程示意图；
图2为一个实施例中确定特征值集合步骤的流程示意图；
图3为一个实施例中确定各维度的特征值步骤的流程示意图；
图4为一个实施例中构建聚类中心步骤的流程示意图；
图5为一个实施例中确定聚类中心步骤的流程示意图；
图6为一个实施例中霍尔模型三维坐标的坐标示意图；
图7为一个实施例中确定虚拟产品步骤的流程示意图；
图8为一个实施例中虚拟产品推荐装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种虚拟产品推荐方法，本申请实施例对于执行虚拟产品推荐方法的执行设备不做限定，以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤102，获取多个用户的特征值集合。
其中，多个用户中的每一用户的特征值集合包含用户的三个维度的特征值。并且，该特征值集合为基于霍尔三维结构对每一用户的用户特征数据集合进行特征提取得到的；
在实施中，计算机设备中预设有霍尔三维结构。在需要对用户进行虚拟产品推荐时，计算机设备获取多个用户的用户特征数据集合。计算机设备根据霍尔三维结构，对多个用户的用户特征数据集合进行特征提取，得到多个用户的特征值集合。
步骤104，在多个用户的相同维度下的特征值中提取目标特征值，并根据目标特征值构建等级聚类中心。
在实施中，计算机设备在多个用户的三个维度的每一维度的特征值中提取候选特征值。然后，计算机设备在候选特征值中提取目标特征值，并根据目标特征值构建等级聚类中心。
步骤106，基于等级聚类中心以及各特征值集合对多个用户进行聚类分析，得到聚类后的用户分组。
在实施中，计算机设备针对多个用户中的每一用户，对用户的特征值集合和不同等级的等级聚类中心进行聚类运算，得到聚类距离集合。计算机设备将聚类集合中的最小值所对应的聚类中心的等级确定为该用户的等级。然后，计算机设备将多个用户中同一等级的用户构建为该等级对应的用户分组，得到多个用户分组。
可选的，聚类运算可以采用K＝3的K-means算法、也可以采用层次聚类算法，本申请实施例在此对聚类运算的方法不做限定。
可选的，针对一个目标用户，在完成一次用户分组之后，可以根据目标用户的用户特征数据集合和多个不同用户的用户特征数据集合，构建不同的数据样本，并对不同的数据样本中的每一数据样本进行特征提取和聚类分析，得到该目标用户的多次分组结果。将该目标用户的多次分组结果中的众数或平均数作为该目标用户的分组结果。
步骤108，针对用户分组中的每一用户分组，确定用户分组对应的等级特征值范围，并根据等级特征值范围确定用户分组对应的虚拟产品。
在实施中，计算机设备针对用户分组中的每一用户分组，确定该用户分组对应的三个维度的用户分组特征值集合。计算机设备在该用户对应的三个维度的用户分组特征值集合确定等级特征值范围。然后，计算机设备根据该等级特征值范围确定该用户分组对应的虚拟产品。
上述虚拟产品推荐方法中，获取基于霍尔三维结构对多个用户的用户特征数据进行特征提取得到的多个用户的特征值集合。并对多个用户的特征值集合进行聚类分析，确定用户分组以及用户分组对应的等级特征值范围。基于等级特征值范围，推荐用户分组对应的虚拟产品，确定了与用户适配的虚拟产品，提高了虚拟产品推荐方法的准确性。
在一个实施例中，如图2所示，步骤102的具体处理过程包括：
步骤202，获取多个用户的用户特征数据集合。
其中，多个用户中每一用户的用户特征数据集合包含用户的三个维度的用户特征数据子集。
在实施中，计算机设备获取多个用户三个维度的用户特征数据。然后，计算机设备针对多个用户中的每一用户，将三个维度中相同维度的用户特征数据构建为该用户的该维度的用户特征数据子集。计算机设备得到该用户三个维度的用户特征数据子集。然后，计算机设备将多个用户中同一用户的用户特征数据子集构建为该用户特征数据集。
步骤204，根据预设的霍尔三维结构，对三个维度中每一维度的多个用户特征数据子集进行特征提取，得到维度的多个特征值。
其中，计算机设备中预设有霍尔三维结构。
在实施中，计算机设备根据霍尔三维结构，对第一维度的多个特征数据子集进行逻辑回归预测，得到第一维度的多个特征值。同时，计算机设备对第二维度的多个特征数据子集进行均值运算，得到第二维度的多个特征值。同时，计算机设备对第三维度的多个特征数据子集进行比例运算，得到第三维度的多个特征值。
步骤206，将三个维度的多个特征值中相同用户的特征值构建为特征值集合，得到多个用户的特征值集合。
在实施中，计算机设备将三个维度的多个特征值中相同用户的特征值构建为该用户的特征值集合，得到多个用户的特征值集合。
本实施例中，根据霍尔三维结构对多个用户的用户特征数据集合进行特征提取，得到多个用户的用户特征值集合，明确了用户的特征，便于后续根据用户的特征进行分析和虚拟产品的推荐。
在一个实施例中，如图3所示，步骤204的具体处理过程包括：
步骤302，对多个用户中每一用户的第一维度的用户特征数据子集进行逻辑回归预测，得到用户的第一特征值。
其中，第一特征值表征用户的虚拟资源规模。计算机设备中预设有逻辑回归算法。第一维度为霍尔三维结构中的逻辑维度。
在实施中，计算机设备根据逻辑回归算法，对多个用户中每一用户的逻辑维度的用户特征数据子集进行逻辑回归运算，得到该用户的第一特征值。
在一可选的实施例中，每一用户的第一维度的用户特征数据子集包含该用户的多个理财投资周期和多个理财投资周期中每一理财投资周期内的理财投资规模。计算机设备针对多个用户中每一用户的逻辑维度的用户特征数据子集，按照逻辑回归算法，对用户的用户特征数据子集进行运算，得到该用户第一维度的特征值。逻辑回归算法如下公式(1)和公式(2)所示：
Figure BDA0004114892550000081
Figure BDA0004114892550000091
其中，在公式(1)中，公式(1)中的Z是以X为变量的多元线性函数。T表示理财投资周期，Tn代表第n个理财投资周期。X1为第1个投资理财周期的投资理财规模，Xn为第n个投资理财周期的投资理财规模。n代表该用户购买理财产品的理财投资周期数量。在公式(2)中，Z是公式(1)中以X为变量的多元线性函数，e为常数底数。P为该用户理财投资可用资产总规模，即该用户的第一特征值。
可选的，投资理财周期可以预先设置，投资理财周期可以为30天，也可以为60天。当投资理财周期为60天时，设置30天为一个迭代周期，则第一个理财周期为1-60天，第二个理财周期为31-90天，本申请实施例对投资理财周期和迭代周期不做限制。
步骤304，对多个用户中每一用户的第二维度的用户特征数据子集进行均值运算，得到用户的第二特征值。
其中，第二特征值表征用户的虚拟资源转移周期。计算机设备中预设有均值运算算法。第二维度为霍尔三维结构中的时间维度。
在实施中，计算机设备根据均值运算算法，对多个用户中每一用户的时间维度的用户特征数据子集进行均值运算，得到该用户的第二特征值。
在一可选的实施例中，每一用户的时间维度的用户特征数据子集包含用户购买的借贷产品偿还周期、借贷产品偿还周期对应的良性借贷偿还金额和周期内理财可支配金额。计算机设备针对多个用户中每一用户，对该用户的购买的借贷产品偿还周期进行均值运算，得到该用户稳定借贷偿还周期。稳定借贷偿还周期的均值运算公式如下公式(3)所示：
Figure BDA0004114892550000092
其中，在公式(3)中，
Figure BDA0004114892550000093
为用户稳定借贷偿还周期。n为用户购买的借贷产品的数量，W1为用户购买的第1个借贷产品偿还周期，Wn为用户购买的第n个借贷产品偿还周期。
然后，计算机设备对该用户的购买的借贷产品偿还周期对应的良性借贷偿还金额进行均值运算，得到该用户的平均良性借贷偿还金额。平均良性借贷偿还金额的均值运算公式如下公式(4)所示：
Figure BDA0004114892550000101
其中，在公式(4)中
Figure BDA0004114892550000102
为用户的平均良性借贷偿还金额，n为用户购买的借贷产品的数量，S1为用户购买的第1个借贷产品偿还周期对应的良性借贷偿还金额。Sn为用户购买的第n个借贷产品偿还周期对应的良性借贷偿还金额。
然后，计算机设备对该用户的平均良性借贷偿还金额、稳定借贷偿还周期和周期内理财可支配金额进行比例运算，得到该用户的灵活借贷最长偿还周期。用户的灵活借贷最长偿还周期即用户的第二特征值。灵活借贷最长偿还周期的比例运算公式如下公式(5)所示：
Figure BDA0004114892550000103
其中，在公式(5)中，
Figure BDA0004114892550000104
为用户的平均良性借贷偿还金额，/>
Figure BDA0004114892550000105
为用户稳定借贷偿还周期，R为用户的周期内理财可支配金额。T为用户灵活借贷最长偿还周期。
步骤306，对多个用户中每一用户的第三维度的用户特征数据子集进行比例运算，得到用户的第三特征值。
其中，第三特征值表征用户的虚拟资源风险比例。计算机设备中预设有比例运算算法。第二维度为霍尔三维结构中的知识维度。
在实施中，计算机设备根据比例运算算法，对多个用户中每一用户的知识维度的用户特征数据子集进行比例运算，得到该用户的第三特征值。
在一可选的实施例中，每一用户的知识维度的用户特征数据子集包含用户灵活借贷最长偿还周期内购买的融资产品的种类和融资产品数量。计算机设备针对多个用户中每一用户，对该用户购买的融资产品的种类和融资产品数量进行均值运算，得到该用户购买不同种类的融资产品的比例。不同种类的融资产品的比例的比例运算公式如下公式(6)所示：
Figure BDA0004114892550000106
其中，在公式(6)中，QX为用户购买第x类融资产品的比例，qx为用户购买第x类融资产品的数量。q1为购买第1类融资产品的数量，q2为购买第2类融资产品的数量。q1+q2+...+qx为用户购买不同种类的融资产品的数量的和，即用户购买的所有融资产品的数量。
然后，计算机设备针对该用户购买的每一种类的融资产品，将该种类高风险融资产品的数量和用户购买的所有融资产品的数量进行比例运算，得到每一种类高风险融资产品的比例。计算机设备根据公式(6)对用户购买的每一种类高风险融资产品的比例进行加值运算，得到用户的高风险产品的承担比例。用户的高风险产品的承担比例为用户第三维度的特征值。公式(6)如下所示：
QA＝Qx+Qy+Qz+... (6)
其中，在公式(6)中，x为x类高风险融资产品，y为y类高风险融资产品，z为z类高风险融资产品。Qx为x类高风险融资产品的比例，Qy为y类高风险融资产品的比例，Qz为z类高风险融资产品的比例。QA为用户的高风险产品的承担比例。
本实施例中，根据霍尔三维模型和预设的特征提取算法，对每一维度的用户特征数据子集进行运算，得到该维度的多个用户特征值，便于后续对用户的特征值进行分析。
在一个实施例中，如图4所示，步骤106的具体实施过程包括：
步骤402，在多个用户的相同维度的特征值下提取候选特征值。
在实施中，计算机设备根据多个用户的相同维度的特征值，构建该维度的特征值单元。计算机设备得到三个维度的特征值单元。计算机设备针对三个维度中的每一维度的特征值单元，确定该维度特征值单元中的特征值最大值和特征值最小值。同时，计算机设备对该维度的特征值单元进行均值运算，得到该维度的特征值均值。计算机设备得到三个维度的特征值最大值、特征值最小值和特征值均值。计算机设备将三个维度的特征值最大值、特征值最小值和特征值均值作为候选特征值。
步骤404，在候选特征值确定目标特征值，并根据目标特征值构建不同等级的等级聚类中心。
在实施中，计算机设备在多个候选特征值中确定目标特征值。然后，计算机设备根据目标特征值构建不同等级的等级聚类中心。
本实施例中，通过对多个用户的相同维度特征值进行提取，得到目标特征值，并基于目标特征值构建不同等级的等级聚类中心，明确了用户聚类指标，确定用户分组标准。
在一个实施例中，如图5所示，候选特征值包括三个维度下每一维度的特征值最大值、特征值最小值和特征值均值，步骤106的具体实施过程包括：
步骤502，分别对三个维度下相同维度的特征值最大值、特征值最小值和特征值均值提取目标特征值，得到多个目标特征值。
在实施中，计算机设备在第一维度的特征值最大值、特征值最小值和特征值均值中提取目标特征值。同时，计算机设备在第二维度的特征值最大值、特征值最小值和特征值均值中提取目标特征值。同时，计算机设备在第三维度的特征值最大值、特征值最小值和特征值均值中提取目标特征值。
步骤504，将多个目标特征值进行组合，得到目标组合结果。
在实施中，计算机设备将多个目标特征值进行组合，得到目标组合结果。
在一个可选的实施例中，例如，如图6所示，图6为霍尔模型三维坐标。第一维度、第二维度、第三维度的目标特征值分别为该坐标三个方向上的值。计算机设备在第二维度的各特征值中选取第二维度特征值的最小值、在第一维度的特征值中选取第一维度特征值的最大值，以及在在第三维度的特征值中选取第三维度特征值的最大值，并将第二维度的特征值最小值、第一维度的特征值最大值和第三维度的特征值最大值进行组合，得到第一目标组合结果。计算机设备将第一目标组合结果作为第一高风险等级坐标(图6中的G点)。高风险等级坐标表征高风险等级极值。
同理，计算机设备得到第二目标组合结果。该第二目标组合结果包含第二维度的特征值最大值、第一维度的特征值最大值和第三维度的特征值最大值。计算机设备将第二目标组合结果作为第二高风险等级坐标(图6中的H点)。
同理，计算机设备得到第三目标组合结果。该第三目标组合结果包含第二维度的特征值最小值、第一维度的特征值最小值和第三维度的特征值最大值。计算机设备将第三目标组合结果作为第一中风险等级坐标(图6中的E点)。中风险等级坐标表征中风险等级极值。
同理，计算机设备得到第四目标组合结果。该第四目标组合结果包含第二维度的特征值最大值、第一维度的特征值最小值和第三维度的特征值最大值。计算机设备将第四目标组合结果作为第二中风险等级坐标(图6中的F点)。
同理，计算机设备得到第五目标组合结果。该第五目标组合结果包含第二维度的特征值最小值、第一维度的特征值最小值和第三维度的特征值最小值。计算机设备将第五目标组合结果作为第一低风险等级坐标(图6中的A点)。低风险等级坐标表征低风险等级极值。
同理，计算机设备得到第六目标组合结果。该第六目标组合结果包含第二维度的特征值最大值、第一维度的特征值最小值和第三维度的特征值最小值。计算机设备将第六目标组合结果作为第二低风险等级坐标(图6中的B点)。
同理，计算机设备得到第七目标组合结果。该第七目标组合结果包含第二维度的特征值最小值、第一维度的特征值最大值和第三维度的特征值最小值。计算机设备将第七目标组合结果作为第三低风险等级坐标(图6中的C点)。
同理，计算机设备得到第八目标组合结果。该第八目标组合结果包含第二维度的特征值最大值、第一维度的特征值最大值和第三维度的特征值最小值。计算机设备将第八目标组合结果作为第四低风险等级坐标(图6中的D点)。
步骤506，基于目标组合结果，确定不同等级的等级聚类中心。
在实施中，计算机设备中储存有多种不同的目标组合结果。计算机设备基于多种不同的目标组合结果，确定不同等级的等级聚类中心。
在一个可选的实施例中，如图6所示，计算机设备中储存有多种风险的极值。计算机设备确定多种风险等级中相同风险等级的极值点的交叉点，将该风险等级的极值点的交叉点作为该等级的聚类中心。其中，在图6中，X为低风险等级的聚类中心。Y为中风险等级的聚类中心，Z为高风险等级的聚类中心。
本实施例中，基于目标特征值构建不同等级的等级聚类中心，明确了用户聚类指标，确定用户分组标准。
在一个实施例中，如图7所示，步骤108的具体实施过程包括：
步骤702，针对聚类后的多个用户分组中的每一用户分组，确定用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值。
在实施中，计算机设备针对聚类后的多个用户分组中的每一用户分组，确定该分组对应的第一维度的等级特征值单元和第二维度的等级特征值单元。然后，计算机设备确定第一维度的等级特征值单元中的特征值均值和特征值最小值。同时，计算机设备确定第二维度的等级特征值单元中的特征值均值和特征值最小值。
步骤704，根据用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围。
在一种可选的实施方式中，等级特征值范围包括第一维度的等级特征值范围和第二维度的等级特征值范围。计算机设备根据用户分组对应的第一维度的特征值均值，特征值最小值构建第一维度的等级特征值范围。同时，计算机设备根据用户分组对应的第二维度的特征值均值，特征值最小值构建第二维度的等级特征值范围。
例如，第一维度特征值为用户投资总规模，第二维度特征值为用户灵活借贷最长偿还周期。计算机设备根据该用户分组对应的用户投资总规模的最低边界值和均值，构建第一维度的等级特征值范围。同时，计算机设备根据该用户分组对应的用户灵活借贷最长偿还周期的最低边界值和均值，构建第二维度的等级特征值范围。
可选的，可以根据第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围，也可以根据第三维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围。特征值均值和特征值最小值的维度由业务需求确定。本实施例对特征值均值和特征值最小值的维度不做限定。
步骤706，根据等级特征值范围，确定用户分组对应的虚拟产品。
在实施中，计算机设备根据等级特征值范围，筛选所有虚拟产品，得到该用户分组对应的虚拟产品。
本实施例中，针对多个用户分组中的每一用户分组，确定该用户分组对应的等级特征值范围，并基于等级特征值范围确定用户分组对应的产品，确定了与用户适配的虚拟产品，提高了虚拟产品推荐方法的准确性。
应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。并且，本申请中虚拟产品推荐的应用领域不限于金融领域。可选的，本申请中的第一维度的特征数据子集可以表征图像的灰度，第二维度的特征数据子集可以表征图像的颗粒度，第三维度的特征数据子集可以表征图像的清晰度。计算机设备根据第一维度、第二维度、第三维度的特征数据子集，通过虚拟产品推荐方法，对图像进行滤波器的推荐。因此，本申请对虚拟产品推荐方法的应用场景不做限定。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟产品方法的虚拟产品装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟产品装置实施例中的具体限定可以参见上文中对于虚拟产品方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种虚拟产品推荐装置800，包括：获取模块801、构建模块802、聚类模块803和确定模块804，其中：
获取模块801，用于获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的。
构建模块802，用于在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心。
聚类模块803，用于基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组。
确定模块804，用于针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
在一示例性实施例中，获取模块801包括：
获取子模块，用于获取多个用户的用户特征数据集合，所述多个用户中每一用户的用户特征数据集合包含所述用户的三个维度的用户特征数据子集。
第一提取子模块，用于根据预设的霍尔三维结构，对所述三个维度中每一维度的多个用户特征数据子集进行特征提取，得到所述维度的多个特征值。
第一构建子模块，用于将所述三个维度的多个特征值中相同用户的特征值构建为特征值集合，得到多个用户的特征值集合。
在一示例性实施例中，第一提取子模块包括：
预测子模块，用于对所述多个用户中每一用户的第一维度的用户特征数据子集进行逻辑回归预测，得到所述用户的第一特征值，所述第一特征值表征所述用户的虚拟资源规模。
第一运算子模块，用于对所述多个用户中每一用户的第二维度的用户特征数据子集进行均值运算，得到所述用户的第二特征值，所述第二特征值表征所述用户的虚拟资源转移周期。
第二运算子模块，用于对所述多个用户中每一用户的第三维度的用户特征数据子集进行比例运算，得到所述用户的第三特征值，所述第三特征值表征所述用户的虚拟资源风险比例。
在一示例性实施例中，构建子模块803包括：
第二提取子模块，用于在所述多个用户的相同维度的特征值下提取候选特征值。
第二构建子模块，用于在所述候选特征值确定目标特征值，并根据所述目标特征值构建不同等级的所述等级聚类中心。
在一示例性实施例中，第二构建子模块包括：
第三提取子模块，用于分别对所述三个维度下相同维度的特征值最大值、特征值最小值和特征值均值提取目标特征值，得到多个所述目标特征值。
组合子模块，用于将多个所述目标特征值进行组合，得到目标组合结果。
第一确定子模块，用于基于所述目标组合结果，确定不同等级的所述等级聚类中心。
在一示例性实施例中，确定模块804包括：
第二确定子模块，用于针对聚类后的多个用户分组中的每一用户分组，确定所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值。
第三构建子模块，用于根据所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围。
第三确定子模块，用于根据所述等级特征值范围，确定所述用户分组对应的虚拟产品。
上述虚拟产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种虚拟产品推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种虚拟产品推荐方法，其特征在于，所述方法包括：
获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
2.根据权利要求1所述的方法，其特征在于，所述获取多个用户的特征值集合，包括：
获取多个用户的用户特征数据集合，所述多个用户中每一用户的用户特征数据集合包含所述用户的三个维度的用户特征数据子集；
根据预设的霍尔三维结构，对所述三个维度中每一维度的多个用户特征数据子集进行特征提取，得到所述维度的多个特征值；
将所述三个维度的多个特征值中相同用户的特征值构建为特征值集合，得到多个用户的特征值集合。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的霍尔三维结构，对所述三个维度中每一维度的多个用户特征数据子集进行特征提取，得到所述维度的多个特征值，包括：
对所述多个用户中每一用户的第一维度的用户特征数据子集进行逻辑回归预测，得到所述用户的第一特征值，所述第一特征值表征所述用户的虚拟资源规模；
对所述多个用户中每一用户的第二维度的用户特征数据子集进行均值运算，得到所述用户的第二特征值，所述第二特征值表征所述用户的虚拟资源转移周期；
对所述多个用户中每一用户的第三维度的用户特征数据子集进行比例运算，得到所述用户的第三特征值，所述第三特征值表征所述用户的虚拟资源风险比例。
4.根据权利要求1所述的方法，其特征在于，所述在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心，包括：
在所述多个用户的相同维度的特征值下提取候选特征值；
在所述候选特征值确定目标特征值，并根据所述目标特征值构建不同等级的所述等级聚类中心。
5.根据权利要求4所述的方法，其特征在于，所述候选特征值包括所述三个维度下每一维度的特征值最大值、特征值最小值和特征值均值，所述在所述候选特征值确定目标特征值，并根据所述目标特征值构建不同等级的所述等级聚类中心，包括：
分别对所述三个维度下相同维度的特征值最大值、特征值最小值和特征值均值提取目标特征值，得到多个所述目标特征值；
将多个所述目标特征值进行组合，得到目标组合结果；
基于所述目标组合结果，确定不同等级的所述等级聚类中心。
6.根据权利要求1所述的方法，其特征在于，所述针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品，包括：
针对聚类后的多个用户分组中的每一用户分组，确定所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值；
根据所述用户分组对应的第一维度的特征值均值、特征值最小值以及第二维度的特征值均值、特征值最小值构建等级特征值范围；
根据所述等级特征值范围，确定所述用户分组对应的虚拟产品。
7.一种虚拟产品装置，其特征在于，所述装置包括：
获取模块，用于获取多个用户的特征值集合；所述多个用户中的每一用户的特征值集合包含所述用户的三个维度的特征值；所述特征值集合为基于霍尔三维结构对所述用户的用户特征数据集合进行特征提取得到的；
构建模块，用于在所述多个用户的相同维度下的特征值中提取目标特征值，并根据所述目标特征值构建等级聚类中心；
聚类模块，用于基于所述等级聚类中心以及各所述特征值集合对所述多个用户进行聚类分析，得到聚类后的用户分组；
确定模块，用于针对所述用户分组中的每一用户分组，确定所述用户分组对应的等级特征值范围，并根据所述等级特征值范围确定所述用户分组对应的虚拟产品。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310215881.8A 2023-03-01 2023-03-01 虚拟产品推荐方法、装置、计算机设备和存储介质 Pending CN116151896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310215881.8A CN116151896A (zh) 2023-03-01 2023-03-01 虚拟产品推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310215881.8A CN116151896A (zh) 2023-03-01 2023-03-01 虚拟产品推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116151896A true CN116151896A (zh) 2023-05-23

Family

ID=86360053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310215881.8A Pending CN116151896A (zh) 2023-03-01 2023-03-01 虚拟产品推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116151896A (zh)

Similar Documents

Publication Publication Date Title
CN117522519A (zh) 产品推荐方法、装置、设备、存储介质和程序产品
CN116894721A (zh) 一种指标预测方法、装置、计算机设备
CN117035980A (zh) 资源借调评估方法、装置、计算机设备和存储介质
CN116842171A (zh) 文章推荐方法、装置、计算机设备和存储介质
CN116681470A (zh) 门店选址方法、装置、计算机设备、存储介质和产品
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN116151896A (zh) 虚拟产品推荐方法、装置、计算机设备和存储介质
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115659005A (zh) 产品推送方法、装置、计算机设备和存储介质
CN114549174A (zh) 用户行为预测方法、装置、计算机设备和存储介质
CN117634751B (zh) 数据要素评估方法、装置、计算机设备以及存储介质
CN116452341A (zh) 金融产品推荐方法、装置、计算机设备和存储介质
CN116881546A (zh) 资源推荐方法、装置、设备和存储介质
CN115757958A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN117273852A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN117372113A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN117312892A (zh) 用户聚类方法、装置、计算机设备和存储介质
CN117436972A (zh) 资源对象推荐方法、装置、计算机设备和存储介质
CN118154300A (zh) 抵质押参数处理方法、装置、计算机设备和存储介质
CN118313905A (zh) 骑行卡推荐方法、装置、计算机设备和可读存储介质
CN117853217A (zh) 数据隐私保护的金融违约率预测方法、装置以及设备
CN116402600A (zh) 产品信用评级方法、装置、设备、存储介质和程序产品
CN116703544A (zh) 资源互动轨迹预测方法、装置、计算机设备和存储介质
CN114693354A (zh) 计价方法、装置、计算机设备、存储介质和程序产品
CN116127183A (zh) 业务推荐方法、装置、计算机设备和存储介质

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