CN116308602A - 推荐产品信息的生成方法、装置、电子设备和介质 - Google Patents
推荐产品信息的生成方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116308602A CN116308602A CN202211516701.1A CN202211516701A CN116308602A CN 116308602 A CN116308602 A CN 116308602A CN 202211516701 A CN202211516701 A CN 202211516701A CN 116308602 A CN116308602 A CN 116308602A
- Authority
- CN
- China
- Prior art keywords
- product
- label
- client
- products
- customer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000003993 interaction Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013475 authorization Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种推荐产品信息的生成方法,可用于金融领域或其他领域。该方法包括:将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;获取目标客户的客户标签;将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及基于所述匹配结果,生成针对所述目标客户的推荐产品信息。本公开还提供了一种推荐产品信息的生成装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及金融领域,具体地,涉及一种推荐产品信息的生成方法、装置、设备、介质和程序产品。
背景技术
随着人工智能技术的发展,银行也在进行精细化理财销售运营,通常会基于用户来推荐个性化的理财产品。
在实现本公开构思的过程中,发明人发现,目前的产品推荐算法基于用户的协同过滤推荐策略,需要对大量的数据进行分析,计算量大,推荐速度慢。
发明内容
鉴于上述问题,本公开提供了一种推荐产品信息的生成方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种推荐产品信息的生成方法,包括:获取多个候选产品的产品信息文本;将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;获取目标客户的客户标签;将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述获取目标客户的客户标签的步骤包括:获取目标客户的客户信息文本;和将所述客户信息文本输入所述标签预测模型中,以确定所述目标客户的客户标签。
根据本公开的实施例,基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括:训练样本集获取操作:获取训练样本集,所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签;模型参数更新操作:对所述训练样本集的历史客户信息文本执行卷积操作,得到第一特征向量,或者,对所述训练样本集的历史产品信息文本执行卷积操作,得到第一特征向量;将所述第一特征向量输入N个串联的残差块,得到第二特征向量,其中,N为大于等于1的整数;将所述第二特征向量输入M个串联的Transformer模型,得到第三特征向量,其中M为大于等于1的整数;基于所述第三特征向量,利用全连接层进行预测,得到预测标签;计算所述历史客户标签和预测标签的损失函数值,或者,计算所述历史产品标签和预测标签的损失函数值;当所述损失函数值大于预设的损失函数阈值时,更新所述标签预测模型的模型参数;以及标签预测模型生成操作:基于所述更新后的模型参数,多次执行所述模型参数更新操作,直至所述损失函数值小于等于所述损失函数阈值,利用最终更新后的模型参数得到训练后的标签预测模型。
根据本公开的实施例,所述获取目标客户的客户信息文本的步骤包括:获取客户对获取客户信息的授权;在得到客户获取客户信息的授权后获取客户信息;预处理所述客户信息,得到客户信息文本。
根据本公开的实施例,所述将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果的步骤包括:将所述客户标签转化为第一客户标签向量;将所述产品标签转化为第一产品标签向量;使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互,生成交互注意力矩阵;将所述交互注意力矩阵与所述第一客户标签向量相乘,得到第二客户标签向量,和,将所述交互注意力矩阵与所述第一产品标签向量相乘,得到第二产品标签向量;对所述第二客户标签向量进行池化,得到第三客户标签向量,和,对所述第二产品标签向量进行池化,得到第三产品标签向量;拼接所述第三客户标签向量和所述第三产品标签向量,生成拼接向量;以及将所述拼接向量输入深度语义匹配模型的全连接层,利用分类器得到匹配结果。
根据本公开的实施例,所述分类器采用的算法是LogSoftmax分类器算法。
根据本公开的实施例,所述匹配结果包括所述多个候选产品中每一个候选产品的匹配度;所述基于所述匹配结果,生成针对所述目标客户的推荐产品信息的步骤包括:获取所述多个候选产品中每一个候选产品的权重,所述权重用于表示所述候选产品的重要性;对所述多个候选产品中的每一个候选产品,将所述权重与匹配度相乘,得到加权匹配度;对所述多个候选产品按照加权匹配度从大到小进行排序;预设目标产品个数K,其中,K为大于等于1的整数;选取加权匹配度前K个的候选产品作为目标产品;从预设数据库中获取所述目标产品的产品数据;以及基于所述目标产品的产品数据,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述对所述多个候选产品按照加权匹配度从大到小进行排序的步骤包括:当在所述多个候选产品中存在加权匹配度相同的候选产品时,获取所述加权匹配度相同的候选产品的销量;和对所述加权匹配度相同的候选产品,按照销量从大到小进行排序。
根据本公开的实施例,所述产品标签包括收益类标签、期限类标签和风险类标签;和所述客户标签包括收益类标签、期限类标签和风险类标签。
根据本公开的实施例,所述获取多个候选产品的产品信息文本的步骤包括:获取所述多个候选产品的产品编号;和基于所述多个候选产品的产品编号,从金融网站上提取所述多个候选产品的产品信息文本。
根据本公开的实施例,所述获取目标客户的客户标签的步骤包括:获取所述目标客户的多个历史购买产品;确定所述多个历史购买产品的产品编号;基于所述多个历史购买产品的产品编号,从金融网站上提取所述多个历史购买产品的产品信息文本;将所述多个历史购买产品的产品信息文本输入所述标签预测模型中,以确定所述多个历史购买产品的产品标签,其中,所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签;以及选取所述多个历史购买产品的产品标签中数量最多的标签,作为所述目标客户的客户标签。
本公开的第二方面提供了一种推荐产品信息的生成装置,包括:第一获取模块,用于获取多个候选产品的产品信息文本;产品标签确定模块,用于将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;第二获取模块,用于获取目标客户的客户标签;匹配模块,用于将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及推荐信息生成模块,用于基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述第二获取模块包括:第一获取单元,用于获取目标客户的客户信息文本;和第一确定单元,用于将所述客户信息文本输入所述标签预测模型中,以确定所述目标客户的客户标签。
根据本公开的实施例,所述产品标签确定模块基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括:训练样本集获取操作:获取训练样本集,所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签;模型参数更新操作:对所述训练样本集的历史客户信息文本执行卷积操作,得到第一特征向量,或者,对所述训练样本集的历史产品信息文本执行卷积操作,得到第一特征向量;将所述第一特征向量输入N个串联的残差块,得到第二特征向量,其中,N为大于等于1的整数;将所述第二特征向量输入M个串联的Transformer模型,得到第三特征向量,其中M为大于等于1的整数;基于所述第三特征向量,利用全连接层进行预测,得到预测标签;计算所述历史客户标签和预测标签的损失函数值,或者,计算所述历史产品标签和预测标签的损失函数值;当所述损失函数值大于预设的损失函数阈值时,更新所述标签预测模型的模型参数;以及标签预测模型生成操作:基于所述更新后的模型参数,多次执行所述模型参数更新操作,直至所述损失函数值小于等于所述损失函数阈值,利用最终更新后的模型参数得到训练后的标签预测模型。
根据本公开的实施例,所述第一获取单元包括:第一获取子模块,用于获取客户对获取客户信息的授权;第二获取子模块,用于在得到客户获取客户信息的授权后获取客户信息;预处理子模块,用于预处理所述客户信息,得到客户信息文本。
根据本公开的实施例,所述匹配模块包括:第一转化单元,用于将所述客户标签转化为第一客户标签向量;第二转化单元,用于将所述产品标签转化为第一产品标签向量;交互单元,用于使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互,生成交互注意力矩阵;第一计算单元,用于将所述交互注意力矩阵与所述第一客户标签向量相乘,得到第二客户标签向量,和,将所述交互注意力矩阵与所述第一产品标签向量相乘,得到第二产品标签向量;池化单元,用于对所述第二客户标签向量进行池化,得到第三客户标签向量,和,对所述第二产品标签向量进行池化,得到第三产品标签向量;拼接单元,用于拼接所述第三客户标签向量和所述第三产品标签向量,生成拼接向量;以及匹配单元,用于将所述拼接向量输入深度语义匹配模型的全连接层,利用分类器得到匹配结果。
根据本公开的实施例,所述匹配单元的分类器采用的算法是LogSoftmax分类器算法。
根据本公开的实施例,所述匹配模块的匹配结果包括所述多个候选产品中每一个候选产品的匹配度;所述推荐信息生成模块包括:第二获取单元,用于获取所述多个候选产品中每一个候选产品的权重,所述权重用于表示所述候选产品的重要性;第二计算单元,用于对所述多个候选产品中的每一个候选产品,将所述权重与匹配度相乘,得到加权匹配度;排序单元,用于对所述多个候选产品按照加权匹配度从大到小进行排序;预设单元,用于预设目标产品个数K,其中,K为大于等于1的整数;选取单元,用于选取加权匹配度前K个的候选产品作为目标产品;第三获取单元,用于从预设数据库中获取所述目标产品的产品数据;以及推荐产品信息生成单元,用于基于所述目标产品的产品数据,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述排序单元包括:第三获取子模块,用于当在所述多个候选产品中存在加权匹配度相同的候选产品时,获取所述加权匹配度相同的候选产品的销量;和排序子模块,用于对所述加权匹配度相同的候选产品,按照销量从大到小进行排序。
根据本公开的实施例,所述产品标签确定模块确定的产品标签包括收益类标签、期限类标签和风险类标签;和第二获取模块获取的所述客户标签包括收益类标签、期限类标签和风险类标签。
根据本公开的实施例,所述第一获取模块包括:第四获取单元,用于获取所述多个候选产品的产品编号;和第一提取单元,用于基于所述多个候选产品的产品编号,从金融网站上提取所述多个候选产品的产品信息文本。
根据本公开的实施例,所述第二获取模块包括:第五获取单元,用于获取所述目标客户的多个历史购买产品;第二确定单元,用于确定所述多个历史购买产品的产品编号;第二提取单元,用于基于所述多个历史购买产品的产品编号,从金融网站上提取所述多个历史购买产品的产品信息文本;标签确定单元,用于将所述多个历史购买产品的产品信息文本输入所述标签预测模型中,以确定所述多个历史购买产品的产品标签,其中,所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签;以及第三确定单元,用于选取所述多个历史购买产品的产品标签中数量最多的标签,作为所述目标客户的客户标签。
本公开的第三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方法。
本公开的第四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方法。
本公开的第五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方法。
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信息的生成方法、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信息的生成方法的流程图;
图3示意性示出了根据本公开实施例的获取多个候选产品的产品信息文本的流程图;
图4示意性示出了根据本公开实施例的获取目标客户的客户标签的流程图;
图5示意性示出了根据本公开另一实施例的获取目标客户的客户标签的流程图;
图6示意性示出了根据本公开实施例的标签预测模型的示意图;
图7示意性示出了根据本公开实施例的将目标客户的客户标签和多个候选产品的产品标签进行匹配的流程图;
图8示意性示出了根据本公开实施例的生成针对所述目标客户的推荐产品信息的流程图;
图9示意性示出了根据本公开实施例的推荐产品信息的生成装置的结构框图;以及
图10示意性示出了根据本公开实施例的适于实现推荐产品信息的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)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
随着人工智能技术的发展,银行也在进行精细化理财销售运营,通常会基于用户来推荐个性化的理财产品,最主流的方式是基于用户的协同过滤推荐策略。这种算法需要完善用户画像、确定产品类别画像、基于用户的历史投资、风险偏好等进行产品推荐。基于用户的协同过滤推荐策略通常需要大量数据进行分析,计算量大,推荐速度慢。此外,有协同过滤推荐策略的每个环节都需要耦合在一起,如果用户信息填写不准确等,很可能会出现推荐错误的情况。如果是从未在行内理财或者办卡的用户,单独提供了非行内的个人投资理财信息,想要进行理财咨询,那么由于信息不全,可能无法进行预测推荐。
鉴于上述问题,本公开的实施例提供了一种推荐产品信息的生成方法,包括:获取多个候选产品的产品信息文本;将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;获取目标客户的客户标签;将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
需要说明的是,本公开确定的方法和装置可用于金融领域的推荐产品信息的生成,也可用于除金融领域之外的任意领域的推荐产品信息的生成,本公开推荐产品信息的生成的方法和装置的应用领域不做限定。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,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。
图1示意性示出了根据本公开实施例的推荐产品信息的生成方法、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可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、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)。
终端设备101、102、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,例如对用户利用终端设备101、102、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。
需要说明的是,本公开实施例所提供的推荐产品信息的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信息的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信息的生成方法也可以由不同于服务器1 05且能够与终端设备101、102、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信息的生成装置也可以设置于不同于服务器105且能够与终端设备101、102、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。
图2示意性示出了根据本公开实施例的推荐产品信息的生成方法的流程图。
如图2所示,该实施例的推荐产品信息的生成方法包括操作S210~操作S250。
在操作S210,获取多个候选产品的产品信息文本。
图3示意性示出了根据本公开实施例的获取多个候选产品的产品信息文本的流程图。
如图3所示,该实施例的获取多个候选产品的产品信息文本包括操作S310~操作S320。
在操作S310,获取所述多个候选产品的产品编号。所述候选产品可以是现有的所有产品,例如,银行在售的所有理财产品,也可以是有选择性的选择部分理财产品,此时注意候选产品的类别要比较全面,涵盖各种理财类型,风险性、流动性、收益性较为丰富。
在操作S320,基于所述多个候选产品的产品编号,从金融网站上提取所述多个候选产品的产品信息文本。示例性的,产品信息文本包括风险等级、募集方式、募集币种、持续时间(衍生数据,为结束日期和起始日期之差)、业绩比较基准上限、业绩比较基准下限、投资资产种类及比例、投资性质等,用于表示候选产品的性质。
回到图2,在操作S220,将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的。
根据本公开的实施例,基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括:
训练样本集获取操作:获取训练样本集,所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签;
模型参数更新操作:对所述训练样本集的历史客户信息文本执行卷积操作,得到第一特征向量,或者,对所述训练样本集的历史产品信息文本执行卷积操作,得到第一特征向量;将所述第一特征向量输入N个串联的残差块,得到第二特征向量,其中,N为大于等于1的整数;将所述第二特征向量输入M个串联的Transformer模型,得到第三特征向量,其中M为大于等于1的整数;基于所述第三特征向量,利用全连接层进行预测,得到预测标签;计算所述历史客户标签和预测标签的损失函数值,或者,计算所述历史产品标签和预测标签的损失函数值;当所述损失函数值大于预设的损失函数阈值时,更新所述标签预测模型的模型参数;以及
标签预测模型生成操作:基于所述更新后的模型参数,多次执行所述模型参数更新操作,直至所述损失函数值小于等于所述损失函数阈值,利用最终更新后的模型参数得到训练后的标签预测模型。
需要说明的是,Transformer模型本身是一个encoder-decoder结构,总共有6个encoder(编码器)和6个decoder(解码器),其中encoder的每个模块包含一个多头自注意力层和一个全连接前馈神经网络,decoder与之相比多一个多头注意子模块。残差块(ResBlock)作为经典的卷积神经网络模块,结构较为简单,效果较好。残差块是残差网络(ResNet)的基础模块,由若干个卷积层和一个跳跃连接组成,跳跃连接的作用是将输入模块的特征与通过第三个卷积层的输出相加,可以得出残差块的输出。具体残差块的数目和每一个残差块中卷积层的数目可以根据实际情况选择,例如可以选择3个残差块,每个残差块中卷积层的数目为3,即3个卷积层。
由此可见,从计算速度来看,相较于残差块,Transformer模型的结构更复杂,计算操作更多,单个结构的Transformer模型计算量要大于残差块。尽管Transformer模型可以高效并行,具体来说就是不需要一个encoder一个encoder顺序处理,而是每个encoder一起运行计算,传给decoder,时间维度上来看就是一个encoder对应decoder,只在encoder和decoder之间有必然的前后联系,这样可以充分利用GPU的资源;而残差块的卷积需要顺序进行处理,一行行扫完,每次计算范围有限。因此,单纯从计算效率上看,Transformer的计算效率并不低,但是,由于Transformer模型本身计算量参数量更大,需要占据的资源相对残差块显然更多,整体计算速度仍然较慢。因此,基于残差块优化的Transformer模型可以综合二者的优点,减少数据量,加快整体的计算速度
从特征提取方面来看,在特性方面Transformer模型还是机器学习,但是不存在卷积操作,卷积的操作原理是通过卷积核对卷积核覆盖范围的数据一部分一部分进行卷积计算,所以基础操作只能处理局部数据,而Transformer模型是通过全连接和注意力机制进行全局的计算,很好的利用了每一个数据之间的关联性,机制的解释性比较强,更适合于文本处理任务,此外,当Transformer模型堆叠过多时,顶部会出现梯度消失问题,残差块的跳跃连接结构可以减缓梯度消失问题,并且卷积神经网络局部权值共享,具有平移不变性,能够更好的提取局部信息。因此,Transformer模型可以提取全局依赖关系,而残差块能够优化局部信息,二者结合可以实现对局部和全局信息都进行优化,做到全局特征和局部特征的全面捕捉,有助于计算准确度的提高。
图6示意性示出了根据本公开实施例的标签预测模型的示意图。
如图6所示,输入数据为文本数据,输出为多个预测标签,整个标签预测模型可以认为由特征表示层-特征提取器-标签预测层组成。首先将输入的文本数据以矩阵的形式进行表示,矩阵的每一行是一个词,每个词使用词向量表示,此时的矩阵是一个通道的,然后经过最初的特征表示层,即卷积层的卷积操作,可以输出一个特征向量。此刻的特征向量可以作为模型的输入进行后面由残差块和Transformer块组成的特征提取器进行特征提取。将经过特征提取器进一步优化后的特征向量输入标签预测层,通过全连接层进行预测,输出预测标签,其中,输出层设置多个全连接层,每一个全连接层对应一个标签,损失函数为所有标签损失函数的平均值。
回到图2,在操作S230,获取目标客户的客户标签。
图4示意性示出了根据本公开实施例的获取目标客户的客户标签的流程图。
如图4所示,该实施例的获取目标客户的客户标签方法包括操作S410~操作S420。
在操作S410,获取目标客户的客户信息文本。
在操作S420,将所述客户信息文本输入所述标签预测模型中,以确定所述目标客户的客户标签。
在本公开的实施例中,在获取用户的信息之前,可以获得用户的同意或授权。例如,在操作S410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S410。
示例性的,客户信息文本包括客户基本信息、收入流水信息、征信信息、负债情况、搜索行为、消费信息等数据。其中,如果用户在银行内已有帐户,且已签署信息获取免责协议时,在获得用户授权的基础上,直接从账户获取相关信息。需要说明的是,对于没有的信息,可以在客户信息文本中标记为空,例如,如果客户没有搜索理财产品行为,则直接在客户信息文本中标记为空。
可选的,具体的客户信息文本包括:用户基本性息:所在地、职业、籍贯、学历;收入流水信息:金额、时间、类别(工资、理财、稿费等不同类别)、衍生数据(本次入账距上次交易天数);负债信息:贷款数量、还款日期、还款数量、衍生数据(本次还款距上次还款天数);消费信息:金额、MCC码、时间、衍生数据(本次交易距上次交易天数);搜索行为:搜索的理财产品、搜索时间、衍生数据(本次搜索距上次搜索天数)。
根据本公开的实施例,所述获取目标客户的客户信息文本的步骤包括:获取客户对获取客户信息的授权;在得到客户获取客户信息的授权后获取客户信息;预处理所述客户信息,得到客户信息文本。示例性的,预处理客户信息是将获取的用户基本信息、收入流水信息、征信信息、负债情况、搜索行为、消费信息等数据,进行语句预处理,整理为规定格式数据,以输入标签预测模型中进行预测。具体的语句预处理可以包括数据清洗和排序,例如,将客户信息按照用户基本信息、收入流水信息、征信信息、负债情况、搜索行为、消费信息的顺序进行排列,生成客户信息文本,以保证在每一个客户信息文本中,同样的客户信息放置在同样的位置处,标准化客户信息文本,方便后期使用标签预测模型进行预测。
图5示意性示出了根据本公开另一实施例的获取目标客户的客户标签的流程图。
如图5所示,该实施例的获取目标客户的客户标签方法包括操作S510~操作S550。
在操作S510,获取所述目标客户的多个历史购买产品。
在操作S520,确定所述多个历史购买产品的产品编号。
在操作S530,基于所述多个历史购买产品的产品编号,从金融网站上提取所述多个历史购买产品的产品信息文本。
在操作S540,将所述多个历史购买产品的产品信息文本输入所述标签预测模型中,以确定所述多个历史购买产品的产品标签,其中,所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签。
在操作S550,选取所述多个历史购买产品的产品标签中数量最多的标签,作为所述目标客户的客户标签。
示例性的,当客户在本银行内没有账户,即不能从本行账户内获取相关客户信息时,可以将目标客户曾经购买过的历史产品的产品标签,作为目标客户的客户标签。例如,可以在中国理财网查询目标客户的历史购买产品,如果只存在一条记录,则直接获取该记录对应的产品编号;如果有多条记录,可以让目标客户人工确认一下产品编号,然后通过爬虫抓取中国理财网的理财信息披露平台,提取该产品编号对应的产品基本信息,整理为文本格式,生成产品信息文本。将该产品信息文本输入标签预测模型中,以确定多个历史购买产品的产品标签。以产品标签包括收益类标签、期限类标签和风险类标签三类为例,将所有标签信息进行分类整理。在每类标签中,将数量最多的产品标签作为所述目标客户的客户标签。此外,也可以设置产品标签之间的差值阈值,如果数量较多的产品标签之间的相差小于等于产品阈值,则可以同时作为目标客户的客户标签。例如,在期限类标签中,当数量第一多的超短期限标签和数量第二多的短期限标签之间的差值小于等于差值阈值时,可以认为该目标客户同时具有超短期限和短期险这两个客户标签。
根据本公开的实施例,当客户在本银行内没有账户,也没有购买过的历史产品时,可以通过客户经理与目标客户沟通后,直接确定目标客户的客户标签。
回到图2,在操作S240,将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果。示例性的,具体的匹配方式可以根据实际情况确定,例如可以采用文本匹配方式,也可以采用基于Transformer的短文本匹配模型进行匹配。
图7示意性示出了根据本公开实施例的将目标客户的客户标签和多个候选产品的产品标签进行匹配的流程图。
如图7所示,该实施例的将目标客户的客户标签和多个候选产品的产品标签进行匹配包括操作S710~操作S770。
在操作S710,将所述客户标签转化为第一客户标签向量。示例性的,可以利用BERT模型进行文本向量化,将客户标签转化为第一客户标签向量,以输入Transformer模型提取特征。
在操作S720,将所述多个候选产品的产品标签转化为第一产品标签向量,后续与客户标签进行匹配。
在操作S730,使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互,生成交互注意力矩阵。
在操作S740,将所述交互注意力矩阵与所述第一客户标签向量相乘,得到第二客户标签向量,和,将所述交互注意力矩阵与所述第一产品标签向量相乘,得到第二产品标签向量。
在操作S750,对所述第二客户标签向量进行池化,得到第三客户标签向量,和,对所述第二产品标签向量进行池化,得到第三产品标签向量。
在操作S760,拼接所述第三客户标签向量和所述第三产品标签向量,生成拼接向量。所述拼接向量同时具有客户标签信息和产品标签信息,以输入深度语义匹配模型进行匹配。
在操作S770,将所述拼接向量输入深度语义匹配模型的全连接层,利用分类器得到匹配结果。
根据本公开的实施例,所述分类器采用的算法是LogSoftmax分类器算法,LogSoftmax分类器算法是在Softmax基础上进行log,解决Softmax算法在输入量较大时的溢出问题,在理财产品推荐的场景下,由于候选理财产品种类众多,数据量大,使用该分类器可以在加快运算速度的同时,保证数据的稳定性,进一步提高标签匹配的速度和准确度。
回到图2,在操作S250,基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述匹配结果包括所述多个候选产品中每一个候选产品的匹配度。
图8示意性示出了根据本公开实施例的生成针对所述目标客户的推荐产品信息的流程图。
如图8所示,该实施例的生成针对所述目标客户的推荐产品信息包括操作S810~操作S870。
在操作S810,获取所述多个候选产品中每一个候选产品的权重,所述权重用于表示所述候选产品的重要性。例如,对于主推产品,可以设置较高的权重,以体现该产品的重要性。
在操作S820,对所述多个候选产品中的每一个候选产品,将所述权重与匹配度相乘,得到加权匹配度。该加权匹配度在综合了匹配度和产品的重要性,更能反映实际的营销需求。
在操作S830,对所述多个候选产品按照加权匹配度从大到小进行排序。
在操作S840,预设目标产品个数K,其中,K为大于等于1的整数。
在操作S850,选取加权匹配度前K个的候选产品作为目标产品。
在操作S860,从预设数据库中获取所述目标产品的产品数据。其中,预设数据库是预先设置的,用于存储全部产品数据的产品数据,在实际推荐时,只需要根据目标产品个数截取产品的数量,从而可以减轻从预设数据库中获取产品数据的压力,提高计算速度。
在操作S870,基于所述目标产品的产品数据,生成针对所述目标客户的推荐产品信息。其中,对于主推产品可以有特殊标注,用于进一步提醒客户或者销售人员。
根据本公开的实施例,所述对所述多个候选产品按照加权匹配度从大到小进行排序的步骤包括:当在所述多个候选产品中存在加权匹配度相同的候选产品时,获取所述加权匹配度相同的候选产品的销量;和对所述加权匹配度相同的候选产品,按照销量从大到小进行排序。在第一排序指标权重的基础上,增加第二排序指标销量,使得最终的排序结果更贴近于实际的营销需求。其中,第一排序指标和第二排序指标可以根据实际情况进行设置,本公开的实施例对此不做限定,
根据本公开的实施例,所述产品标签包括收益类标签、期限类标签和风险类标签;和所述客户标签包括收益类标签、期限类标签和风险类标签。收益类标签、期限类标签和风险类标签分别对应三大属性(收益性、流动性、风险性)的标签,包括:收益(高收益、中收益、低收益、超低收益)、期限(超短期限、短期限、中期限、长期限)、风险(R1、R2、R3、R4、R5)。可以将获取到的产品标签和客户标签按照收益、期限和风险的统一顺序进行整理,以方便进行标签匹配。
可选的,在收益类标签中:低于CPI(通胀)的为超低收益标签;CPI到行内平均收益以下0.5个点的为低收益标签;行内平均收益上下0.5个点的为中收益标签;行内平均收益以上0.5个点的为高收益标签。在期限类标签中:随时可以申购赎回的为超短期限标签;3天到6个月的为短期险标签;6到12个月的为中期限标签;1年以上的为长期限标签。在风险类标签中:谨慎型产品的为R1标签;稳健性产品的为R2标签;平衡型产品的为R3标签;进取型产品的为R4标签;激进型产品的为R5标签。
本公开实施例提供的推荐产品信息的生成方法,基于残差块优化的Transformer模型预先训练的标签预测模型,分别获取候选产品标签和客户标签,再对标签进行匹配生成推荐产品信息,由于Transformer模型本身具有高度并行性,实时性能较好,在此基础上,残差块减少了Transformer带给硬件设备的计算压力,二者结合大大减少了整体的计算量,提高了推荐产品信息的生成速度,同时,残差块优化的Transformer模型做到了局部和全局信息的全面捕捉,提高了推荐产品信息的准确性。此外,该方法比较灵活机动,不需要完善的用户画像,可以根据用户信息/用户购买过的理财产品/用户单独感兴趣的标签组合,多种方式进行人工智能匹配,准确性也较高。
基于上述推荐产品信息的生成方法,本公开还提供了一种推荐产品信息的生成装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本公开实施例的推荐产品信息的生成装置的结构框图。
如图9所示,该实施例的推荐产品信息的生成装置900包括第一获取模块910、产品标签确定模块920、第二获取模块930、匹配模块940和推荐信息生成模块950。
第一获取模块910,用于获取多个候选产品的产品信息文本。在一实施例中,第一获取模块910可以用于执行前文描述的操作S210,在此不再赘述。
产品标签确定模块920,用于将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的。在一实施例中,产品标签确定模块920可以用于执行前文描述的操作S220,在此不再赘述。
第二获取模块930,用于获取目标客户的客户标签。在一实施例中,第二获取模块930可以用于执行前文描述的操作S230,在此不再赘述。
匹配模块940,用于将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果。在一实施例中,匹配模块940可以用于执行前文描述的操作S240,在此不再赘述。
推荐信息生成模块950,用于基于所述匹配结果,生成针对所述目标客户的推荐产品信息。在一实施例中,推荐信息生成模块950可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,所述第二获取模块包括:第一获取单元,用于获取目标客户的客户信息文本;和第一确定单元,用于将所述客户信息文本输入所述标签预测模型中,以确定所述目标客户的客户标签。
根据本公开的实施例,所述产品标签确定模块基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括:训练样本集获取操作:获取训练样本集,所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签;模型参数更新操作:对所述训练样本集的历史客户信息文本执行卷积操作,得到第一特征向量,或者,对所述训练样本集的历史产品信息文本执行卷积操作,得到第一特征向量;将所述第一特征向量输入N个串联的残差块,得到第二特征向量,其中,N为大于等于1的整数;将所述第二特征向量输入M个串联的Transformer模型,得到第三特征向量,其中M为大于等于1的整数;基于所述第三特征向量,利用全连接层进行预测,得到预测标签;计算所述历史客户标签和预测标签的损失函数值,或者,计算所述历史产品标签和预测标签的损失函数值;当所述损失函数值大于预设的损失函数阈值时,更新所述标签预测模型的模型参数;以及标签预测模型生成操作:基于所述更新后的模型参数,多次执行所述模型参数更新操作,直至所述损失函数值小于等于所述损失函数阈值,利用最终更新后的模型参数得到训练后的标签预测模型。
根据本公开的实施例,所述第一获取单元包括:第一获取子模块,用于获取客户对获取客户信息的授权;第二获取子模块,用于在得到客户获取客户信息的授权后获取客户信息;预处理子模块,用于预处理所述客户信息,得到客户信息文本。
根据本公开的实施例,所述匹配模块包括:第一转化单元,用于将所述客户标签转化为第一客户标签向量;第二转化单元,用于将所述产品标签转化为第一产品标签向量;交互单元,用于使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互,生成交互注意力矩阵;第一计算单元,用于将所述交互注意力矩阵与所述第一客户标签向量相乘,得到第二客户标签向量,和,将所述交互注意力矩阵与所述第一产品标签向量相乘,得到第二产品标签向量;池化单元,用于对所述第二客户标签向量进行池化,得到第三客户标签向量,和,对所述第二产品标签向量进行池化,得到第三产品标签向量;拼接单元,用于拼接所述第三客户标签向量和所述第三产品标签向量,生成拼接向量;以及匹配单元,用于将所述拼接向量输入深度语义匹配模型的全连接层,利用分类器得到匹配结果。
根据本公开的实施例,所述匹配单元的分类器采用的算法是LogSoftmax分类器算法。
根据本公开的实施例,所述匹配模块的匹配结果包括所述多个候选产品中每一个候选产品的匹配度;所述推荐信息生成模块包括:第二获取单元,用于获取所述多个候选产品中每一个候选产品的权重,所述权重用于表示所述候选产品的重要性;第二计算单元,用于对所述多个候选产品中的每一个候选产品,将所述权重与匹配度相乘,得到加权匹配度;排序单元,用于对所述多个候选产品按照加权匹配度从大到小进行排序;预设单元,用于预设目标产品个数K,其中,K为大于等于1的整数;选取单元,用于选取加权匹配度前K个的候选产品作为目标产品;第三获取单元,用于从预设数据库中获取所述目标产品的产品数据;以及推荐产品信息生成单元,用于基于所述目标产品的产品数据,生成针对所述目标客户的推荐产品信息。
根据本公开的实施例,所述排序单元包括:第三获取子模块,用于当在所述多个候选产品中存在加权匹配度相同的候选产品时,获取所述加权匹配度相同的候选产品的销量;和排序子模块,用于对所述加权匹配度相同的候选产品,按照销量从大到小进行排序。
根据本公开的实施例,所述产品标签确定模块确定的产品标签包括收益类标签、期限类标签和风险类标签;和第二获取模块获取的所述客户标签包括收益类标签、期限类标签和风险类标签。
根据本公开的实施例,所述第一获取模块包括:第四获取单元,用于获取所述多个候选产品的产品编号;和第一提取单元,用于基于所述多个候选产品的产品编号,从金融网站上提取所述多个候选产品的产品信息文本。
根据本公开的实施例,所述第二获取模块包括:第五获取单元,用于获取所述目标客户的多个历史购买产品;第二确定单元,用于确定所述多个历史购买产品的产品编号;第二提取单元,用于基于所述多个历史购买产品的产品编号,从金融网站上提取所述多个历史购买产品的产品信息文本;标签确定单元,用于将所述多个历史购买产品的产品信息文本输入所述标签预测模型中,以确定所述多个历史购买产品的产品标签,其中,所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签;以及第三确定单元,用于选取所述多个历史购买产品的产品标签中数量最多的标签,作为所述目标客户的客户标签。
根据本公开的实施例,第一获取模块910、产品标签确定模块920、第二获取模块930、匹配模块940和推荐信息生成模块950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,第一获取模块910、产品标签确定模块920、第二获取模块930、匹配模块940和推荐信息生成模块950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,第一获取模块910、产品标签确定模块920、第二获取模块930、匹配模块940和推荐信息生成模块950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10示意性示出了根据本公开实施例的适于实现推荐产品信息的生成方法的电子设备的方框图。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001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1001还可以包括用于缓存用途的板载存储器。处理器1001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 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003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 1002和RAM 1003以外的一个或多个存储器中。处理器1001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1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;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1007;包括硬盘等的存储部分1008;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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,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1010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1008。
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 1002和/或RAM 1003和/或ROM 1002和RAM1003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的方法。
在该计算机程序被处理器1001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1009被下载和安装,和/或从可拆卸介质1011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1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001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 (15)
1.一种推荐产品信息的生成方法,其特征在于,所述方法包括:
获取多个候选产品的产品信息文本;
将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;
获取目标客户的客户标签;
将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及
基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
2.根据权利要求1所述的方法,其特征在于,所述获取目标客户的客户标签的步骤包括:
获取目标客户的客户信息文本;和
将所述客户信息文本输入所述标签预测模型中,以确定所述目标客户的客户标签。
3.根据权利要求2所述的方法,其特征在于,基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括:
训练样本集获取操作:获取训练样本集,所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签;
模型参数更新操作:对所述训练样本集的历史客户信息文本执行卷积操作,得到第一特征向量,或者,对所述训练样本集的历史产品信息文本执行卷积操作,得到第一特征向量;将所述第一特征向量输入N个串联的残差块,得到第二特征向量,其中,N为大于等于1的整数;将所述第二特征向量输入M个串联的Transformer模型,得到第三特征向量,其中M为大于等于1的整数;基于所述第三特征向量,利用全连接层进行预测,得到预测标签;计算所述历史客户标签和预测标签的损失函数值,或者,计算所述历史产品标签和预测标签的损失函数值;当所述损失函数值大于预设的损失函数阈值时,更新所述标签预测模型的模型参数;以及
标签预测模型生成操作:基于所述更新后的模型参数,多次执行所述模型参数更新操作,直至所述损失函数值小于等于所述损失函数阈值,利用最终更新后的模型参数得到训练后的标签预测模型。
4.根据权利要求2所述的方法,其特征在于,所述获取目标客户的客户信息文本的步骤包括:
获取客户对获取客户信息的授权;
在得到客户获取客户信息的授权后获取客户信息;
预处理所述客户信息,得到客户信息文本。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果的步骤包括:
将所述客户标签转化为第一客户标签向量;
将所述产品标签转化为第一产品标签向量;
使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互,生成交互注意力矩阵;
将所述交互注意力矩阵与所述第一客户标签向量相乘,得到第二客户标签向量,和,将所述交互注意力矩阵与所述第一产品标签向量相乘,得到第二产品标签向量;
对所述第二客户标签向量进行池化,得到第三客户标签向量,和,对所述第二产品标签向量进行池化,得到第三产品标签向量;
拼接所述第三客户标签向量和所述第三产品标签向量,生成拼接向量;以及
将所述拼接向量输入深度语义匹配模型的全连接层,利用分类器得到匹配结果。
6.根据权利要求5所述的方法,其特征在于,所述分类器采用的算法是LogSoftmax分类器算法。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述匹配结果包括所述多个候选产品中每一个候选产品的匹配度;
所述基于所述匹配结果,生成针对所述目标客户的推荐产品信息的步骤包括:
获取所述多个候选产品中每一个候选产品的权重,所述权重用于表示所述候选产品的重要性;
对所述多个候选产品中的每一个候选产品,将所述权重与匹配度相乘,得到加权匹配度;
对所述多个候选产品按照加权匹配度从大到小进行排序;
预设目标产品个数K,其中,K为大于等于1的整数;
选取加权匹配度前K个的候选产品作为目标产品;
从预设数据库中获取所述目标产品的产品数据;以及
基于所述目标产品的产品数据,生成针对所述目标客户的推荐产品信息。
8.根据权利要求7所述的方法,其特征在于,所述对所述多个候选产品按照加权匹配度从大到小进行排序的步骤包括:
当在所述多个候选产品中存在加权匹配度相同的候选产品时,获取所述加权匹配度相同的候选产品的销量;和
对所述加权匹配度相同的候选产品,按照销量从大到小进行排序。
9.根据权利要求1所述的方法,其特征在于,所述产品标签包括收益类标签、期限类标签和风险类标签;和所述客户标签包括收益类标签、期限类标签和风险类标签。
10.根据权利要求1所述的方法,所述获取多个候选产品的产品信息文本的步骤包括:
获取所述多个候选产品的产品编号;和
基于所述多个候选产品的产品编号,从金融网站上提取所述多个候选产品的产品信息文本。
11.根据权利要求1所述的方法,其特征在于,所述获取目标客户的客户标签的步骤包括:
获取所述目标客户的多个历史购买产品;
确定所述多个历史购买产品的产品编号;
基于所述多个历史购买产品的产品编号,从金融网站上提取所述多个历史购买产品的产品信息文本;
将所述多个历史购买产品的产品信息文本输入所述标签预测模型中,以确定所述多个历史购买产品的产品标签,其中,所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签;以及
选取所述多个历史购买产品的产品标签中数量最多的标签,作为所述目标客户的客户标签。
12.一种推荐产品信息的生成装置,其特征在于,包括:
第一获取模块,用于获取多个候选产品的产品信息文本;
产品标签确定模块,用于将所述多个候选产品的产品信息文本输入标签预测模型中,以确定所述多个候选产品中每一个候选产品的产品标签,其中,所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的;
第二获取模块,用于获取目标客户的客户标签;
匹配模块,用于将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配,得到匹配结果;以及
推荐信息生成模块,用于基于所述匹配结果,生成针对所述目标客户的推荐产品信息。
13.一种电子设备,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1~11中任一项所述的方法。
14.一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1~11中任一项所述的方法。
15.一种计算机程序产品,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1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516701.1A CN116308602A (zh) | 2022-11-28 | 2022-11-28 | 推荐产品信息的生成方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516701.1A CN116308602A (zh) | 2022-11-28 | 2022-11-28 | 推荐产品信息的生成方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308602A true CN116308602A (zh) | 2023-06-23 |
Family
ID=86822760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516701.1A Pending CN116308602A (zh) | 2022-11-28 | 2022-11-28 | 推荐产品信息的生成方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308602A (zh) |
-
2022
- 2022-11-28 CN CN202211516701.1A patent/CN116308602A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3129745C (en) | Neural network system for text classification | |
KR102472572B1 (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
US20230206304A1 (en) | Systems and methods for using keywords extracted from reviews | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111783039A (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN115689717A (zh) | 企业风险预警方法、装置、电子设备、介质和程序产品 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN116662546A (zh) | 投诉文本标注方法、装置、设备和介质 | |
US11657107B2 (en) | Systems and methods for using keywords extracted from reviews | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN116308641A (zh) | 产品推荐方法、训练方法、装置、电子设备和介质 | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
CN116308602A (zh) | 推荐产品信息的生成方法、装置、电子设备和介质 | |
CN113095078A (zh) | 关联资产确定方法、装置和电子设备 | |
CN111695922A (zh) | 潜在用户确定方法及装置、存储介质和电子设备 | |
US11941076B1 (en) | Intelligent product sequencing for category trees | |
CN117743376B (zh) | 一种数字金融服务的大数据挖掘方法、装置及存储介质 | |
CN117788166A (zh) | 投资类型分析方法、装置、设备、介质及程序产品 | |
Artem | Analysis of Financial Reports in Companies Using Machine Learning | |
Piven | Analysis of Financial Reports in Companies Using Machine Learning | |
CN114386433A (zh) | 基于情感分析的数据处理方法、装置、设备及存储介质 | |
CN116542393A (zh) | 预测模型的训练方法、预测方法、装置、设备及存储介质 | |
CN116737880A (zh) | 信息查询方法、装置、设备、介质和程序产品 |
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 |