CN116630054A - 理财产品推荐方法、设备和介质 - Google Patents
理财产品推荐方法、设备和介质 Download PDFInfo
- Publication number
- CN116630054A CN116630054A CN202310610700.1A CN202310610700A CN116630054A CN 116630054 A CN116630054 A CN 116630054A CN 202310610700 A CN202310610700 A CN 202310610700A CN 116630054 A CN116630054 A CN 116630054A
- Authority
- CN
- China
- Prior art keywords
- user
- financial product
- financial
- acquiring
- target
- 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 46
- 230000006399 behavior Effects 0.000 claims description 53
- 230000000875 corresponding effect Effects 0.000 claims description 24
- 230000002596 correlated effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种理财产品推荐方法、设备和介质,可用于金融领域或其他领域。该方法包括:获取每个用户的行为信息,并根据每个用户的行为信息,获取每个用户对理财产品的评分;获取每个用户的特征信息,并根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户;根据每个近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分;根据目标用户对不同理财产品的预测评分,得到第一推荐列表;获取目标用户的消费记录,并根据消费记录获取第二推荐列表;根据第一推荐列表和所述第二推荐列表,获取目标理财产品,并向目标用户推荐目标理财产品。本申请通过对用户的行为、特征和消费记录做了细粒度的划分,提高了推荐的准确率。
Description
技术领域
本申请涉及金融领域及其他领域,尤其涉及一种理财产品推荐方法、设备和介质。
背景技术
银行个人金融产品种类丰富,客户的个人需求各异,因而,在向客户推荐银行金融产品时需要结合客户的金融背景、投资经验、购买记录及个人喜好等,以筛选出适合客户的类型。
现有提出的理财产品的个性化推荐方法中,主要使用用户的个人信息及购买记录,使用协同过滤算法寻找相似的用户、相似的物品做推荐。
但是用户的信息和行为缺少细粒度的划分处理,例如将信息划分包括年龄、性别、行业等,将行为划分包括点击、分享、收藏、消费等;其次,单一使用协同过滤算法会存在稀疏和新用户问题,导致无法为用户产生足够可供选择的推荐结果。
发明内容
本申请提供一种理财产品推荐方法、设备和介质,用以解决现有技术中无法为用户产生足够可供选择的理财产品问题。
第一方面,本申请提供一种理财产品推荐方法,包括:
获取每个用户的行为信息,并根据每个用户的行为信息,获取每个用户对理财产品的评分,其中,所述行为信息包括用户针对不同理财产品的各种行为和每个行为对应的行为次数;
获取每个用户的特征信息,并根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户,其中,所述特征信息包括多个用户特征,所述K为整数;
根据每个所述近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分;
根据所述目标用户对不同理财产品的预测评分,得到第一推荐列表,所述第一推荐列表包括候选理财产品;
获取所述目标用户的消费记录,并根据所述消费记录获取第二推荐列表,所述第二推荐列表包括候选理财产品;
根据所述第一推荐列表和所述第二推荐列表,获取目标理财产品,并向所述目标用户推荐所述目标理财产品。
在一种可能的实现方式中,所述根据每个用户的行为信息,获取每个用户对理财产品的评分,包括:
根据每个行为对应的权重系数和行为次数以及所述行为对应的常量参数,获取每个行为对应的子评分;
根据每个行为对应的子评分以及所述理财产品对应的常量参数,获取所述用户对理财产品的评分。
在一种可能的实现方式中,所述根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户,包括:
根据所述目标用户的每个用户特征,获取所述目标用户与其他用户的每个用户特征的特征相似度;
根据每个用户特征的特征相似度和和各用户特征对应的权重值,获取用户相似度;
根据所述目标用户的每个用户特征和其他用户的每个用户特征,获取余弦相似度;
根据所述目标用户针对同一其他用户的用户相似度和余弦相似度,获取综合相似度;
根据所述目标用户与其他用户的综合相似度,获取与所述目标用户相似程度最大的K个近邻用户。
在一种可能的实现方式中,所述根据每个所述近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分,包括:
针对每个理财产品,获取每个近邻用户对所述理财产品的评分;
根据所述综合相似度和每个近邻用户对同一理财产品的评分,得到所述目标用户对所述理财产品的预测评分。
在一种可能的实现方式中,所述根据所述目标用户对不同理财产品的预测评分,得到第一推荐列表,包括:
根据所述目标用户对不同理财产品的预测评分,按照所述预测评分从高到低的顺序,获取排序前N个的理财产品;
根据所述前N个理财产品,得到所述第一推荐列表。
在一种可能的实现方式中,所述根据所述消费记录获取第二推荐列表,包括:
将所述消费记录与关联规则进行匹配,得到相互关联的理财产品组合,其中,所述关联规则中记录有相互关联的理财产品组合;
获取所述消费记录中的已消费理财产品;
在所述相互关联的理财产品组合中,去除已消费理财产品,获得所述第二推荐列表。
在一种可能的实现方式中,在将所述消费记录与关联规则进行匹配,得到相互关联的理财产品组合之前,所述方法还包括:
获取每个用户的消费记录,并根据每个用户的消费记录,获取不同用户消费同一理财产品的次数;
根据不同用户消费同一理财产品的次数,得到超过预设次数的理财产品集合Ai,i=1,2,……,n;
将所述理财产品集合Ai中的理财产品按照i+1的个数进行组合,得到候选理财产品集合Bi;
获取每个用户同时消费所述候选理财产品集合Bi中理财产品组合的次数,得到超过预设次数的理财产品集合Ai+1;
当每个用户同时消费所述候选理财产品集合Bn中的理财产品组合的次数低于预设次数时,获取所述理财产品集合An中理财产品组合之间的关联规则。
在一种可能的实现方式中,所述根据所述第一推荐列表和所述第二推荐列表,获取目标理财产品,包括:
对所述第一推荐列表和所述第二推荐列表进行合并,得到合并后的第三推荐列表;
去除所述第三推荐列表中的重复理财产品,得到所述目标理财产品。
第二方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如上所述的方法。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上所述的方法。
本申请提供的理财产品推荐方法、设备和介质,通过获取用户的行为信息和特征信息,得到用户对理财产品的评分和与目标用户相似程度最大的近邻用户,从而进一步预测出目标用户对不同理财产品的评分,基于预测评分就可以知道目标用户倾向于选择哪些理财产品;其次,通过获取用户的消费记录,可以得到用户对理财产品的消费次数以及消费该理财产品时更倾向于同时消费哪些理财产品,结合目标用户的消费记录就可以知道目标用户可能会购买哪些理财产品或者哪些理财产品组合;最后,根据预测评分和消费记录分别得到的目标用户可能购买的理财产品,就可以确定目标用户最有可能购买的目标理财产品了,由此便得到了应向目标用户所推荐的理财产品。在对用户的行为信息和用户特征做细粒度划分的基础上,结合消费记录发现用户对理财产品的潜在可能,不仅提高了理财产品的推荐准确率和推荐量,还满足了用户的个性化需求。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种理财产品推荐方法的流程图一;
图3为本申请实施例提供的一种理财产品推荐方法的流程图二;
图4为本申请实施例提供的一种电子设备的硬件示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的设备和方法的例子。
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,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,本申请的理财产品推荐方法、设备和介质可用于金融领域及其他领域,也可用于除金融领域之外的任意领域,本申请的理财产品推荐方法、设备和介质的应用领域不做限定。
随着经济的快速发展和金融产品的层出不穷,人们越来越重视金融产品所带来的经济效益。在面对种类丰富的金融产品时,人们在没有相应的金融背景、投资经验以及特定目标等的情况下,使用传统的热门产品推荐方式可能无法满足客户的个性化和多样化需求。
采用推荐算法模型,能够为客户挖掘到有价值的产品推荐列表,节省选择时间,提升客户满意度,促进产品的循环流通速率。
现有提出的理财产品个性化推荐方法中,主要使用客户的个人信息及购买记录,采用协同过滤算法寻找相似的用户、相似的产品推荐,但是用户的信息和行为缺乏细粒度的划分处理,其次,单一使用协同过滤算法会存在稀疏和新用户问题,无法为用户生成足够的、可供选择的推荐结果。
于是本申请提出一种可以对用户的行为信息、用户特征和消费记录进行细粒度划分处理的理财产品推荐方法;本申请基于协同过滤算法和关联规则算法,对目标用户的行为信息、用户特征和消费记录做综合处理,为目标用户推荐个性化的理财产品,便于推荐用户倾好选择的理财产品。
下面结合图1,对本申请具体的应用场景进行说明。
图1为本申请实施例提供的一种应用场景示意图。如图1所示,该场景包括用户终端101、服务器端102和银行终端103,本实施例中的执行主体为服务器端102.
用户终端可以储存也可以向服务器端102发送用户的行为信息、特征信息和消费记录,也可以接收来自服务器端102的推荐信息,便于用户对银行理财产品进行选择。
服务器端102可以查询也可以接收来自用户终端101的行为信息、特征信息和消费记录,并根据用户的行为信息和特征信息确定目标用户对不同理财产品的预测评分,进而获取目标用户可能选择的理财产品,其次,再根据目标用户的消费记录获取目标用户可能选择的理财产品,最后结合二者确定出适合目标用户的理财产品。
在本实施例中银行终端103用于提供理财产品的信息,包括类别、数量等信息,便于服务器端102对这些理财产品进行分析。
综上所述,服务器端102在对用户的行为信息和特征信息做细粒度划分的基础上,结合消费记录发现用户对理财产品的潜在可能,不仅提高了理财产品的推荐准确率和推荐量,还满足了用户的个性化需求。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种理财产品推荐方法的流程图一。如图2所示,该方法包括:
S201、获取每个用户的行为信息,并根据每个用户的行为信息,获取每个用户对理财产品的评分,其中,行为信息包括用户针对不同理财产品的各种行为和每个行为对应的行为次数。
在上述方案中,根据用户的行为信息获取用户对理财产品的评分可以通过构建用户-理财产品评分矩阵实现,首先根据每个行为对应的权重系数和行为次数以及行为对应的常量参数,获取每个行为对应的子评分;再根据每个行为对应的子评分以及理财产品对应的常量参数,获取用户对理财产品的评分,具体计算公式为:
其中,x可以用于表示行为次数,α、μ、w是常量参数,α控制评分范围,μ控制各类如点击、收藏、分享、消费行为的变化速率,w可以用于表示对应行为所占权重。
通过上述评分函数R(x),可以生成如表1所述的m行n列的用户-理财产品评分矩阵,m表示用户个数,n表示理财产品个数,Rij表示i用户对j理财产品的评分。
表1
Product1 | Product2 | Product3 | … | Productn | |
User1 | R11 | R12 | R13 | … | R1n |
User2 | R21 | R22 | R23 | … | R2n |
User3 | R31 | R32 | R33 | … | R3n |
… | … | … | … | … | … |
Userm | Rm1 | Rm2 | Rm3 | … | Rmn |
需要说明的是,表1只是以示例的形式示意多组用户-理财产品样本,并非对多组用户-理财产品样本的限定。
例如,用户个数为3个,理财产品个数为4个,其中用户1对理财产品1的评分为80,用户2对理财产品1的评分为93,用户3对理财产品1的评分为88,则表1中R14为80,R24为93,R31为88;用户1对理财产品4的评分为55,用户2对理财产品4的评分为50,用户3对理财产品4的评分为52,R14为55,R24为50,R34为52。
S202、获取每个用户的特征信息,并根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户,其中,特征信息包括多个用户特征,K为整数。
在该步骤中,相同年龄段、行业和收入区间的不同用户在理财产品的选择上通常区域相似,因此在计算用户相似度时,可以综合各用户特征情况,使用综合相似度计算公式计算用户相似度。
具体计算方法包括:根据目标用户的每个用户特征,获取目标用户与其他用户的每个用户特征的特征相似度;根据每个用户特征的特征相似度和和各用户特征对应的权重值,获取用户相似度;根据目标用户的每个用户特征和其他用户的每个用户特征,获取余弦相似度;根据目标用户针对同一其他用户的用户相似度和余弦相似度,获取综合相似度。
综合相似度S(x,y)的计算公式如下:
其中,x可以用于表示目标用户的各用户特征,y x可以用于表示其他用户的各用户特征,w可以用于表示各用户特征的权重值,C(x,y)可以用于表示各用户特征的特征相似度,可以用于表示用户相似度,w2C1(x,y)+w3C2(x,y)+(1-w1-w2-w3)C3(x,y)可以用于表示余弦相似度。
上述公式可以计算得到目标用户与其他用户的综合相似度,通过对综合相似度进行由大到小的排序,便可得到与目标用户相似程度最大的K个近邻用户。
S203、根据每个近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分。
在上述方案中,通过步骤S201已经得到不同用户对不同理财产品的评分,通过步骤S202已经得到与目标用户相似程度最大的K个近邻用户,进而针对每个理财产品,首先获取每个近邻用户对理财产品的评分;再根据综合相似度和每个近邻用户对同一理财产品的评分,便可得到目标用户对理财产品的预测评分。
具体计算公式如下:
其中,Rx,i可以用于表示目标用户x对理财产品i的评分,Ry,i表示其他用户y对理财产品i的评分。
S204、根据目标用户对不同理财产品的预测评分,得到第一推荐列表,第一推荐列表包括候选理财产品。
在该步骤中,步骤S203中已经获得目标用户对不同理财产品的预测评分,将预测评分按照从高到低的顺序进行排序,从中选择出排序前N个的理财产品,将该N个理财产品列表展示,便得到了第一推荐列表。
前述步骤S201-S204均是基于协同过滤算法对用户的行为信息和特征信息进行分析,协同过滤算法的中心思想是“物以类聚,人以群分”,分析同领域用户群体喜好信息产生有价值的推荐结果。在本实施例中,通过获取不同用户对不同理财产品的评分以及与目标用户相似程度大的近邻用户,便可知晓近邻用户对不同理财产品的评分,进而预测出目标用户对不同理财产品的评分。
S205、获取目标用户的消费记录,并根据消费记录获取第二推荐列表,第二推荐列表包括候选理财产品。
在上述方案中,将目标用户的消费记录与关联规则进行匹配,可得到相互关联的理财产品组合,其中,关联规则中记录有相互关联的理财产品组合;然后获取消费记录中的已消费理财产品;在相互关联的理财产品组合中,去除已消费理财产品,便可得到获得理财产品的第二推荐列表。
关于关联规则的详细介绍在实施例二中展开,本实施例中不做赘述。
S206、根据第一推荐列表和第二推荐列表,获取目标理财产品,并向目标用户推荐目标理财产品。
在该步骤中,第一推荐列表和第二推荐列表中均是待推荐的候选理财产品,将第一推荐列表和第二推荐列表进行合并,可得到合并后的第三推荐列表;当然,两者一合并可能会有重复的理财产品,因此去除第三推荐列表中的重复理财产品,便可得到目标理财产品。
本申请实施例中,通过获取用户的行为信息和特征信息,得到用户对理财产品的评分和与目标用户相似程度最大的近邻用户,从而进一步预测出目标用户对不同理财产品的评分,基于预测评分就可以知道目标用户倾向于选择的理财产品;其次,通过获取用户的消费记录,可以得到与目标用户消费记录所关联的相关理财产品,在这些相关理财产品中去除目标用户已经消费的理财产品便可得到目标用户可能消费的理财产品;最后,根据预测评分和消费记录分别得到的目标用户可能购买的理财产品,二者合并且去除重复理财产品就可以确定目标用户最有可能购买的目标理财产品了,由此便得到了应向目标用户所推荐的理财产品。
下面结合图3和具体的实施例说明本申请的理财产品推荐方法中根据关联规则获得与目标用户消费记录相关的理财产品的实现过程。
图3为本申请实施例提供的一种理财产品推荐方法的流程图二。如图3所示,该方法包括:
S301、获取每个用户的消费记录,并根据每个用户的消费记录,获取不同用户消费同一理财产品的次数。
在上述方案中,每个用户消费的理财产品种类和数量会有所不同,将购买同一理财产品的次数进行累加,就可以得到不同用户对同一理财产品的购买次数。
S302、根据不同用户消费同一理财产品的次数,得到超过预设次数的理财产品集合Ai,i=1,2,……,n。
在该步骤中,理财产品集合Ai实际就是关联规则算法中的频繁i项集。不同用户和每个用户所消费过的理财产品就是消费数据库,对消费数据库进行扫描,计算每个理财产品的购买次数,基于预先给定的最小支持度便可提取出频繁1项集,这个预先给定的最小支持度其实就是预设次数。
示例性的,理财产品有四种,分别是V、W、X、Y和Z,根据每个用户的消费记录得到理财产品V累计消费2次,理财产品W累计消费4次,理财产品X累计消费3次,理财产品Y累计消费1次,理财产品Z累计消费2次,若预设次数为2次,基于预设次数,便生成了频繁1项集{V,W,X,Z},即理财产品集合A1包括V、W、X和Z四种理财产品,这是因为理财产品Y的消费次数并未超过预设次数。
S303、将所述理财产品集合Ai中的理财产品按照i+1的个数进行组合,得到候选理财产品集合Bi。
在上述方案中,基于银行的众多理财产品以及不同用户对理财产品的需求,理财产品集合A1中往往包含至少两个以上的理财产品,因此,候选理财产品集合B1中至少有1个理财产品组合。
示例性的,基于理财产品集合A1{V,W,X,Z},将理财产品V、理财产品W、理财产品X和理财产品Z按照2的个数进行组合,便可生成候选理财产品集合B1{VW,VX,VZ,WX,WZ,XZ},此时i=1。
S304、获取每个用户同时消费所述候选理财产品集合Bi中理财产品组合的次数,得到超过预设次数的理财产品集合Ai+1。
在该步骤中,理财产品集合Ai+1实际就是关联规则算法中的频繁i+1项集,,在候选理财产品集合Bn中理财产品组合的消费次数没有超过预设次数时,An即为最终的频繁项集。
示例性的,候选理财产品集合B1中有VW、VX、VZ、WX、WZ和XZ六种理财产品组合,扫描消费数据库中不同用户同时购买理财产品上述理财产品组合的次数,假设得到同时购买理财产品VW的次数为1次,同时购买理财产品VX的次数为3次,同时购买理财产品VZ的次数为2次,同时购买理财产品WX的次数为3次,同时购买理财产品WZ的次数为2次,同时购买理财产品XZ的次数为1次,基于预设次数2,便生成了频繁2项集{VX,WX,WZ},即理财产品集合A2包括VX、WX和WZ三种理财产品组合。
接着基于理财产品集合A2{VX,WX,WZ},将三个理财产品组合再次按照3的个数进行组合,便可生成候选理财产品集合B2{VWX,VWZ,WXZ,VXZ},此时i=2。继续扫描消费数据库中不同用户同时购买上述理财产品组合的次数,假设得到同时购买理财产品VWX的次数为2次,同时购买理财产品VWZ的次数为0次,同时购买理财产品WXZ的次数为3次,同时购买理财产品VXZ的次数为1次,基于预设次数2,便生成了频繁3项集{VWX,WXZ},即理财产品集合A3包括VWX和WXZ两种理财产品组合。
然后,基于理财产品集合A3{VWX,WXZ},将两个理财产品组合再次按照4的个数进行组合,便可生成候选理财产品集合B3{VWXZ},此时i=3。继续扫描消费数据库中不同用户同时购买上述理财产品组合的次数,假设得到同时购买理财产品VWXZ的次数为1次,基于预设次数2,便无法生成频繁4项集,即理财产品集合A4为空集,此时,最终的频繁项集为A3,此时i=3。
S305、当每个用户同时消费所述候选理财产品集合Bn中的理财产品组合的次数低于预设次数时,获取所述理财产品集合An中理财产品组合之间的关联规则。
在上述方案中,根据理财产品集合An中的理财产品组合,可以知道这些理财产品组合中的理财产品通常是伴随着出现的,由此便得到了理财产品组合之间的关联规则。
关联规则算法,表示的是在某个频繁项集的条件下推出另一个频繁项集的概率。为了得到关联性更强的关联规则,可以设置预设关联概率来进行规则筛选。示例性的,根据理财产品集合A3{VWX,WXZ},可以得出理财产品V、理财产品W、理财产品X和理财产品Z之间的候选关联规则,假设有先购买理财产品V和理财产品W后再购买理财产品X、先购买理财产品W和理财产品X后再购买理财产品V、先购买理财产品W和理财产品X后再购买理财产品Z的情况,根据消费数据库统计得到上述情况的概率分别为70%、64%和60%,若预设关联概率为65%,则此时便将先购买理财产品V和理财产品W后再购买理财产品X的候选关联规则作为理财产品集合A3中理财产品组合之间的关联规则。
假设目标用户的消费记录中出现了理财产品W,那么目标用户的消费记录与关联规则进行匹配时,若未设置预设关联概率,就会直接得到相互关联的理财产品组合VWX和理财产品组合WXZ,去除已经消费的理财产品W,就可得到后续目标用户可能会继续购买理财产品V、X和Z;若设置了预设关联概率,此时就会匹配到先购买理财产品V和理财产品W后再购买理财产品X这一关联规则,去除已经消费的理财产品W,就可知晓后续目标用户可能先购买理财产品V,再继续购买理财产品X,得到更准确且详细的推荐方案。
本申请实施例中,通过将消费记录与关联规则进行匹配,就可以得到相互关联的理财产品组合,除去其中目标用户已经购买的理财产品便可预测出后续目标用户可能会继续购买的理财产品,有利于发现目标用户的潜在购买兴趣。
综合上述实施例,本申请实施例提供的理财产品推荐方法,通过获取用户的行为信息和特征信息,得到用户对理财产品的评分和与目标用户相似程度最大的近邻用户,从而进一步预测出目标用户对不同理财产品的评分,基于预测评分就可以知道目标用户倾向于选择的理财产品;其次,通过获取用户的消费记录,可以得到用户对理财产品的消费次数以及消费该理财产品时更倾向于同时消费的理财产品,结合目标用户的消费记录就可以知道目标用户可能会购买的理财产品或者理财产品组合;最后,根据预测评分和消费记录分别得到的目标用户可能购买的理财产品,就可以确定目标用户最有可能购买的目标理财产品了,由此便得到了应向目标用户所推荐的理财产品。
本申请还提供一种电子设备,包括:处理器,以及与处理器通信连接的存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,以实现如上所述的理财产品推荐方法。
图4为本申请实施例提供的一种电子设备的硬件示意图。如图4所示,本实施例提供的电子设备40包括:处理器401和存储器402。该电子设备40还包括通信部件403。其中,处理器401、存储器402以及通信部件403通过总线404连接。
在具体实现过程中,处理器401执行存储器402存储的计算机执行指令,使得处理器401执行如上理财产品推荐方法。
处理器401的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图4所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-volatile Memory,NVM),例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
在本申请的实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器402,上述指令可由电子设备40的处理器401执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当该存储介质中的指令由终端设备的处理器执行时,使得终端设备能够执行上述理财产品的推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种理财产品推荐方法,其特征在于,包括:
获取每个用户的行为信息,并根据每个用户的行为信息,获取每个用户对理财产品的评分,其中,所述行为信息包括用户针对不同理财产品的各种行为和每个行为对应的行为次数;
获取每个用户的特征信息,并根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户,其中,所述特征信息包括多个用户特征,所述K为整数;
根据每个所述近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分;
根据所述目标用户对不同理财产品的预测评分,得到第一推荐列表,所述第一推荐列表包括候选理财产品;
获取所述目标用户的消费记录,并根据所述消费记录获取第二推荐列表,所述第二推荐列表包括候选理财产品;
根据所述第一推荐列表和所述第二推荐列表,获取目标理财产品,并向所述目标用户推荐所述目标理财产品。
2.根据权利要求1所述的方法,其特征在于,所述根据每个用户的行为信息,获取每个用户对理财产品的评分,包括:
根据每个行为对应的权重系数和行为次数以及所述行为对应的常量参数,获取每个行为对应的子评分;
根据每个行为对应的子评分以及所述理财产品对应的常量参数,获取所述用户对理财产品的评分。
3.根据权利要求1所述的方法,其特征在于,所述根据每个用户的特征信息,获取与目标用户相似程度最大的K个近邻用户,包括:
根据所述目标用户的每个用户特征,获取所述目标用户与其他用户的每个用户特征的特征相似度;
根据每个用户特征的特征相似度和和各用户特征对应的权重值,获取用户相似度;
根据所述目标用户的每个用户特征和其他用户的每个用户特征,获取余弦相似度;
根据所述目标用户针对同一其他用户的用户相似度和余弦相似度,获取综合相似度;
根据所述目标用户与其他用户的综合相似度,获取与所述目标用户相似程度最大的K个近邻用户。
4.根据权利要求3所述的方法,其特征在于,所述根据每个所述近邻用户对理财产品的评分,确定目标用户对不同理财产品的预测评分,包括:
针对每个理财产品,获取每个近邻用户对所述理财产品的评分;
根据所述综合相似度和每个近邻用户对同一理财产品的评分,得到所述目标用户对所述理财产品的预测评分。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户对不同理财产品的预测评分,得到第一推荐列表,包括:
根据所述目标用户对不同理财产品的预测评分,按照所述预测评分从高到低的顺序,获取排序前N个的理财产品;
根据所述前N个理财产品,得到所述第一推荐列表。
6.根据权利要求1所述的方法,其特征在于,所述根据所述消费记录获取第二推荐列表,包括:
将所述消费记录与关联规则进行匹配,得到相互关联的理财产品组合,其中,所述关联规则中记录有相互关联的理财产品组合;
获取所述消费记录中的已消费理财产品;
在所述相互关联的理财产品组合中,去除已消费理财产品,获得所述第二推荐列表。
7.根据权利要求6所述的方法,其特征在于,在将所述消费记录与关联规则进行匹配,得到相互关联的理财产品组合之前,所述方法还包括:
获取每个用户的消费记录,并根据每个用户的消费记录,获取不同用户消费同一理财产品的次数;
根据不同用户消费同一理财产品的次数,得到超过预设次数的理财产品集合Ai,i=1,2,……,n;
将所述理财产品集合Ai中的理财产品按照i+1的个数进行组合,得到候选理财产品集合Bi;
获取每个用户同时消费所述候选理财产品集合Bi中理财产品组合的次数,得到超过预设次数的理财产品集合Ai+1;
当每个用户同时消费所述候选理财产品集合Bn中的理财产品组合的次数低于预设次数时,获取所述理财产品集合An中理财产品组合之间的关联规则。
8.根据权利要求1所述的方法,其特征在于,所述根据所述第一推荐列表和所述第二推荐列表,获取目标理财产品,包括:
对所述第一推荐列表和所述第二推荐列表进行合并,得到合并后的第三推荐列表;
去除所述第三推荐列表中的重复理财产品,得到所述目标理财产品。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610700.1A CN116630054A (zh) | 2023-05-26 | 2023-05-26 | 理财产品推荐方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610700.1A CN116630054A (zh) | 2023-05-26 | 2023-05-26 | 理财产品推荐方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630054A true CN116630054A (zh) | 2023-08-22 |
Family
ID=87613020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310610700.1A Pending CN116630054A (zh) | 2023-05-26 | 2023-05-26 | 理财产品推荐方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151819A (zh) * | 2023-09-04 | 2023-12-01 | 杭州易靓好车互联网科技有限公司 | 基于数据分析的交易用户风险推荐方法 |
-
2023
- 2023-05-26 CN CN202310610700.1A patent/CN116630054A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151819A (zh) * | 2023-09-04 | 2023-12-01 | 杭州易靓好车互联网科技有限公司 | 基于数据分析的交易用户风险推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
CN102609422A (zh) | 类目错放识别方法和装置 | |
JP7210958B2 (ja) | 商品推薦装置及びプログラム | |
CN111144941A (zh) | 商户评分的生成方法、装置、设备及可读存储介质 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN116630054A (zh) | 理财产品推荐方法、设备和介质 | |
CN112488863A (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
CN113076484A (zh) | 基于深度学习的产品推荐方法、装置、设备和存储介质 | |
CN107885754B (zh) | 基于lda模型从交易数据中提取信用变量的方法和装置 | |
CN111915409A (zh) | 基于物品的物品推荐方法、装置、设备及存储介质 | |
JP7043453B2 (ja) | 情報処理装置、システム、情報処理方法、およびプログラム | |
WO2019184480A1 (zh) | 物品推荐 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
CN112950328A (zh) | 一种组合对象推荐方法、装置、系统和存储介质 | |
CN116911985A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN109190013B (zh) | 用户偏好的确定方法、系统、可读存储介质及电子设备 | |
CN115936841A (zh) | 一种构建信贷风险评估模型的方法及装置 | |
CN115271870A (zh) | 一种基于大数据的市场营销信息处理系统 | |
CN114610859A (zh) | 基于内容与协同过滤的产品推荐方法、装置及设备 | |
CN114493361A (zh) | 一种商品推荐算法的有效性评估方法和装置 | |
JP6505755B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN111753179B (zh) | 一种数据提取方法及装置 | |
CN111598256B (zh) | 目标客户的默搭购买行为的处理方法和装置 | |
CN112801744B (zh) | 一种活动推荐方法、装置、电子设备和存储介质 | |
US20240104119A1 (en) | Information processing apparatus, classification method, and storage medium |
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 |