CN116756414A - 项目推荐、投资项目推荐方法以及装置 - Google Patents
项目推荐、投资项目推荐方法以及装置 Download PDFInfo
- Publication number
- CN116756414A CN116756414A CN202310590592.6A CN202310590592A CN116756414A CN 116756414 A CN116756414 A CN 116756414A CN 202310590592 A CN202310590592 A CN 202310590592A CN 116756414 A CN116756414 A CN 116756414A
- Authority
- CN
- China
- Prior art keywords
- item
- recommended
- candidate
- data
- target object
- 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 97
- 238000012545 processing Methods 0.000 claims description 62
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000011156 evaluation Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 206010063659 Aversion Diseases 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000000750 progressive effect Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000000835 fiber Substances 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
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供项目推荐、投资项目推荐方法以及装置,其中所述项目推荐方法包括:获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。基于历史项目数据客观准确地确定目标对象的风险承受能力,通过对象决策信息,提高了项目推荐结果的准确性。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种项目推荐方法。本说明书一个或者多个实施例同时涉及一种投资项目推荐方法,一种项目推荐装置,一种投资项目推荐装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序。
背景技术
随着互联网技术的不断发展,许多推荐平台可以通过数据挖掘向用户提供个性化项目推荐。以理财项目推荐为例,由于用户自身的经历和眼界不同,对不同理财项目的认知及预期也不相同,因此,为用户推荐其适合的理财项目对提升用户粘性,平台资产管理规模(AUM,Asset Under Management)等具体较强的意义。
目前,可以通过用户自己设置的投资偏好和风险偏好等,向用户个性化推荐符合其需求的理财项目。然而,通常情况下,用户自己设置的投资偏好和风险偏好与现实中用户的决策不匹配,导致项目推荐准确性差,因此,亟需一种准确性高的项目推荐方案。
发明内容
有鉴于此,本说明书实施例提供了一种项目推荐方法。本说明书一个或者多个实施例同时涉及一种投资项目推荐方法,一种项目推荐装置,一种投资项目推荐装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种项目推荐方法,包括:
获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;
根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;
根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;
根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。
根据本说明书实施例的第二方面,提供了一种投资项目推荐方法,包括:
获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据;
根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐投资项目为至少一个待推荐投资项目中的任一个,候选项目关联信息反映目标对象对候选待推荐投资项目的风险承受能力;
根据候选项目风险信息和候选项目关联信息,确定候选待推荐投资项目的对象决策信息;
根据至少一个待推荐投资项目的对象决策信息,确定目标对象的投资项目推荐结果。
根据本说明书实施例的第三方面,提供了一种项目推荐装置,包括:
第一获取模块,被配置为获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;
第一确定模块,被配置为根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;
第二确定模块,被配置为根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;
第三确定模块,被配置为根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。
根据本说明书实施例的第四方面,提供了一种投资项目推荐装置,包括:
第二获取模块,被配置为获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据;
第四确定模块,被配置为根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐投资项目为至少一个待推荐投资项目中的任一个,候选项目关联信息反映目标对象对候选待推荐投资项目的风险承受能力;
第五确定模块,被配置为根据候选项目风险信息和候选项目关联信息,确定候选待推荐投资项目的对象决策信息;
第六确定模块,被配置为根据至少一个待推荐投资项目的对象决策信息,确定目标对象的投资项目推荐结果。
根据本说明书实施例的第五方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述第一方面或者第二方面所提供方法的步骤。
根据本说明书实施例的第六方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述第一方面或者第二方面所提供方法的步骤。
根据本说明书实施例的第七方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述第一方面或者第二方面所提供方法的步骤。
本说明书一个实施例提供的项目推荐方法,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
附图说明
图1是本说明书一个实施例提供的一种项目推荐系统的架构图;
图2是本说明书一个实施例提供的另一种项目推荐系统的架构图;
图3是本说明书一个实施例提供的一种项目推荐方法的流程图;
图4是本说明书一个实施例提供的一种项目推荐方法中对象决策信息的概率分布图;
图5是本说明书一个实施例提供的一种投资项目推荐方法的流程图;
图6是本说明书一个实施例提供的一种项目推荐方法的处理过程流程图;
图7是本说明书一个实施例提供的另一种项目推荐方法的处理过程流程图;
图8是本说明书一个实施例提供的一种项目推荐界面的界面示意图;
图9是本说明书一个实施例提供的一种项目推荐装置的结构示意图;
图10是本说明书一个实施例提供的一种投资项目推荐装置的结构示意图;
图11是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,需要说明的是,本说明书一个或多个实施例所涉及的用户信息(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国家和地区的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。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
行为金融学:行为金融学从微观个体行为以及产生这种行为的心理等动因来解释、研究和预测金融市场的发展。这一研究视角通过分析金融市场主体在市场行为中的偏差和反常,来寻求不同市场主体在不同环境下的经营理念及决策行为特征,力求建立一种能正确反映市场主体实际决策行为和市场运行状况的描述性模型。
前景理论:人的决策选择取决于结果与展望(即预期、设想)的差距,而非结果本身。人在决策时会在心里预设一个参考点,然后衡量每个结果是高于还是低于这个参考点。在金融市场中,大量实证研究表明用户具有处置效应,即用户存在过早锁定收益以及规避实际损失的倾向,也就是“出赢保亏”效应。这意味着当投资者处于盈利状态时是风险回避者,而处于亏损状态时是风险偏好者。
理财产品:由商业银行和正规金融机构自行设计并发行的产品,将募集到的资金根据产品合同约定投入相关金融市场及购买相关金融产品,获取投资收益后,根据合同约定分配给投资人的一类产品。
随着项目市场规模越来越大,用户对项目的需求也越来越复杂。由于用户自身的经历和眼界不一样,其对不同项目的认知及预期均不尽相同,为合适的用户推荐其适合的项目,为提升客户黏性,平台资产管理规模等具体较强的意义,同时匹配给用户合适的项目,如合适回撤或者盈利预期的理财产品,可以有效降低客诉率等。
目前,可以通过用户自己设置的项目偏好,通过历史一段时间的项目表现,向用户个性化推荐符合其需求的项目。然而,通常情况下,用户自己设置的投资偏好和风险偏好与现实中用户的决策不匹配,上述推荐方法未考虑到用户更真实的项目偏好,并且需要根据不同市场、不同人群去进行单独的拟合,有一定的随机性,同时上述方法仅考虑盈亏,未考虑到其他影响用户决策的因素。
为了解决上述问题,本说明书实施例提出了基于行为金融学思想,结合用户项目关联信息,通过前景理论对待推荐项目进行评估并推荐的方案。特别地,以理财项目为例,对用户而言,赎回率反映的是用户对现在与未来的权衡。固定未来预期收益,用户现有的收益越高,用户越倾向于赎回;固定现有收益,用户未来预期的收益越低,用户越倾向于赎回。简而言之,用户的赎回率取决于用户现有效用与预期效用之差。由于不确定性,用户对于未来的收益有着不同的预期,因此对不同的理财项目也有着不同的接受度,结合用户在进行投资决策时的心理,可以通过行为金融学有效的评估用户的行为决策,从而向用户推荐待推荐项目。
具体地,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
在本说明书中,提供了一种项目推荐方法,本说明书同时涉及一种投资项目推荐方法,一种项目推荐装置,一种投资项目推荐装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了本说明书一个实施例提供的一种项目推荐系统的架构图,项目推荐系统可以包括客户端100和服务端200;
客户端100,用于向服务端200发送项目推荐请求;
服务端200,用于响应于项目推荐请求,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果;向客户端100发送目标对象的项目推荐结果;
客户端100,还用于接收服务端200发送的目标对象的项目推荐结果。
应用本说明书实施例的方案,通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
参见图2,图2示出了本说明书一个实施例提供的另一种项目推荐系统的架构图,项目推荐系统可以包括多个客户端100以及服务端200。多个客户端100之间通过服务端200可以建立通信连接,在项目推荐场景中,服务端200即用来在多个客户端100之间提供项目推荐服务,多个客户端100可以分别作为发送端或接收端,通过服务端200实现通信。
用户通过客户端100可与服务端200进行交互以接收其它客户端100发送的数据,或将数据发送至其它客户端100等。在项目推荐场景中,可以是用户通过客户端100向服务端200发布数据流,服务端200根据该数据流生成项目推荐结果,并将项目推荐结果推送至其他建立通信的客户端中。
其中,客户端100与服务端200之间通过网络建立连接。网络为客户端100与服务端200之间提供了通信链路的介质。网络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。客户端100所传输的数据可能需要经过编码、转码、压缩等处理之后才发布至服务端200。
客户端100可以为浏览器、APP(Application,应用程序)、或网页应用如H5(HyperText Markup Language5,超文本标记语言第5版)应用、或轻应用(也被称为小程序,一种轻量级应用程序)或云应用等,客户端100可以基于服务端200提供的相应服务的软件开发工具包(SDK,Software Development Kit),如基于实时通信(RTC,Real TimeCommunication)SDK开发获得等。客户端100可以部署在电子设备中,需要依赖设备运行或者设备中的某些APP而运行等。电子设备例如可以具有显示屏并支持信息浏览等,如可以是个人移动终端如手机、平板电脑、个人计算机等。在电子设备中通常还可以配置各种其它类应用,例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
服务端200可以包括提供各种服务的服务器,例如为多个客户端提供通信服务的服务器,又如为客户端上使用的模型提供支持的用于后台训练的服务器,又如对客户端发送的数据进行处理的服务器等。需要说明的是,服务端200可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content DeliveryNetwork)以及大数据和人工智能平台等基础云计算服务的云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
值得说明的是,本说明书实施例中提供的项目推荐方法一般由服务端执行,但是,在本说明书的其它实施例中,客户端也可以与服务端具有相似的功能,从而执行本说明书实施例所提供的项目推荐方法。在其它实施例中,本说明书实施例所提供的项目推荐方法还可以是由客户端与服务端共同执行。
参见图3,图3示出了本说明书一个实施例提供的一种项目推荐方法的流程图,具体包括以下步骤:
步骤302:获取目标对象的历史项目数据和至少一个待推荐项目的项目数据。
本说明书一个或多个实施例中,由于不同目标对象的偏好不同,且通常情况下,待推荐项目的项目数据不是一成不变的,因此,项目推荐过程中可以同时考虑目标对象和待推荐项目的相关信息,从而提高项目推荐的准确性。
具体地,本说明书实施例提供的项目推荐方法可以应用于不同的场景,项目推荐场景包括但不限于投资产品推荐、合作对象推荐。目标对象是指项目推荐的对象。目标对象包括但不限于个人用户、企业。待推荐项目包括但不限于投资产品、合作对象,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。目标对象的历史项目数据是指目标对象在历史时间段内合作或持有项目的项目数据,用于反映目标对象的风险承受能力。项目数据是指项目自身的属性数据,包括但不限于项目名称、项目收益、项目期限等等,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。优选地,目标对象的历史项目数据和各待推荐项目的项目数据一一对应,从而使得对待推荐项目的评估更加全面。
值得说明的是,实际应用中目标对象可能没有对应的历史项目数据,本说明书实施例会遇到冷启动问题(获取不到目标对象的历史项目数据),此时,可以查询与目标对象相似的参考用户,将参考用户的历史项目数据作为目标对象的历史项目数据,从而解决冷启动问题。其中,查询与目标对象相似的参考用户的方式包括但不限于基于风险评测规则进行查询,查询参考对象的方式具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
示例性地,以项目为理财产品为例,参见下表1和下表2。表1为目标对象的历史项目数据示例表,表1中包括多个项目指标,表2为待推荐项目的项目数据示例表:
表1目标对象的历史项目数据示例表
历史项目指标 | 指标含义 |
总收益率 | 目标对象在投资期间的理财产品总收益率 |
实现盈利产品盈利率 | 目标对象投资的实现盈利产品的盈利率 |
实现亏损产品亏损率 | 目标对象投资的实现亏损产品的亏损率 |
总实现盈利率 | 目标对象在投资期间所有理财产品的最大盈利率 |
总实现亏损率 | 目标对象在投资期间所有理财产品的最大亏损率 |
最大实现盈利率 | 目标对象在投资期间所持有的产品实现的最大盈利率 |
最大实现亏损率 | 目标对象在投资期间所持有的产品实现的最大亏损率 |
最大盈利产品盈利金额 | 目标对象在投资期间所持有的产品实现的最大盈利金额 |
最大亏损产品亏损金额 | 目标对象在投资期间所持有的产品实现的最大亏损金额 |
表2待推荐项目的项目数据示例表
产品名称 | XXXXX7天 |
产品期限 | 周开 |
半年最大回撤率 | 近半年累计净值最大回撤率 |
半年最大上涨率 | 近半年累计净值最大上涨率 |
年化收益率 | 近半年产品收益率 |
收益率波动率 | 近半年产品收益率的波动 |
实际应用中,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以接收目标对象发送的目标对象的历史项目数据,在目标对象并未指定待推荐项目的情况下,将当前所有项目作为待推荐项目。在目标对象指定项目的情况下,将目标对象指定的项目作为待推荐项目。
本说明书另一种可选的实现方式中,可以从其他数据存储设备中获取目标对象的历史项目数据和至少一个待推荐项目的项目数据,也即,上述获取目标对象的历史项目数据和至少一个待推荐项目的项目数据,可以包括以下步骤:
获取目标对象的对象标识和各待推荐项目的项目标识;
根据对象标识,查询目标对象对应的历史项目记录;
根据历史项目记录,获取目标对象的历史项目数据,并根据各待推荐项目的项目标识,获取至少一个待推荐项目的项目数据。
具体地,对象标识用于唯一标识目标对象,对象标识包括但不限于对象身份标识号码(ID,Identity Document)、对象二维码。项目标识用于唯一标识待推荐项目,项目标识包括但不限于项目标识号码、项目二维码。历史项目记录是指目标对象在历史时间段内合作或持有项目记录,包括但不限于项目购入、项目赎回。
实际应用中,获取目标对象的对象标识和各待推荐项目的项目标识的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以接收目标对象发送的对象标识和待推荐项目的项目标识。本说明书另一种可能的实现方式中,可以对目标对象和待推荐项目的相关信息进行识别,确定目标对象的对象标识和各待推荐项目的项目标识。
进一步地,获取目标对象的对象标识和各待推荐项目的项目标识之后,可以根据对象标识确定目标对象的历史项目数据,根据项目标识确定各待推荐项目的项目数据。具体地,可以根据对象标识,在项目变动数据库中查找目标对象的历史项目记录,获得历史项目记录之后,可以根据历史项目记录中历史项目的项目标识,获取历史项目数据。
应用本说明书实施例的方案,获取目标对象的对象标识和各待推荐项目的项目标识;根据对象标识,查询目标对象对应的历史项目记录;根据历史项目记录,获取目标对象的历史项目数据,并根据各待推荐项目的项目标识,获取至少一个待推荐项目的项目数据。通过获取目标对象的历史项目记录,可以根据历史项目记录确定目标对象的项目决策偏好,从而保证项目推荐的客观性和准确性。
本说明书一种可选的实施例中,根据各待推荐项目的项目标识,获取至少一个待推荐项目的项目数据时,可以直接获取历史时间段内待推荐项目的历史项目数据,将待推荐项目的历史项目数据作为待推荐项目的项目数据。进一步地,由于待推荐项目的数据是变化的,因此,历史时间段内待推荐项目的历史项目数据存在一定的滞后性,不能反映待推荐项目在未来时间的项目表现,因此,本说明书实施例中,可以通过预测的方式对各待推荐项目的项目表现进行预测,通过历史项目数据和预测项目数据共同确定待推荐项目的项目数据,也即,上述根据各待推荐项目的项目标识,获取至少一个待推荐项目的项目数据,可以包括以下步骤:
根据各待推荐项目的项目标识,获取各待推荐项目的历史项目数据;
根据历史项目数据,生成各待推荐项目的预测项目数据;
根据各待推荐项目的历史项目数据和预测项目数据,获得各待推荐项目的项目数据。
实际应用中,根据历史项目数据,生成各待推荐项目的预测项目数据的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以根据历史时间段内的历史项目数据,确定待推荐项目的项目数据变化规律,并根据项目数据变化规律和历史项目数据,生成各待推荐项目的预测项目数据。
示例性地,假设待推荐项目2020年的盈利率为0.0005,2021年的盈利率为0.001,2022年的盈利率为0.0015,则可以确定待推荐项目每年的盈利率增长0.0005,因此,可以预测待推荐项目2023年的盈利率为0.002。
本说明书另一种可能的实现方式中,由于待推荐项目的项目数据通常不是线性变化的,因此,可以通过因子暴露的方式对各待推荐项目的历史项目数据进行归因分析,将其项目数据拆解到各个因子上,再对各因子进行预测,获得各预测因子,最后根据各预测因子生成各待推荐项目的预测项目数据,其中,因子包括但不限于水平因子、斜率因子、信用因子,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
需要说明的是,根据各待推荐项目的历史项目数据和预测项目数据,获得各待推荐项目的项目数据的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以直接将各待推荐项目的历史项目数据和预测项目数据合并,获得各待推荐项目的项目数据。本说明书另一种可能的实现方式中,可以分别为历史项目数据和预测项目数据设置权重,根据设置的权重获得各待推荐项目的项目数据。
应用本说明书实施例的方案,根据各待推荐项目的项目标识,获取各待推荐项目的历史项目数据;根据历史项目数据,生成各待推荐项目的预测项目数据;根据各待推荐项目的历史项目数据和预测项目数据,获得各待推荐项目的项目数据。在获取各待推荐项目时,充分考虑到未来时间的项目数据,提高了项目推荐的准确性。
步骤304:根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力。
本说明书一个或多个实施例中,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据之后,进一步地,可以根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息。
需要说明的是,目标对象对项目的申购或赎回都有自己的期望值,也可以称为参考点。无论目标对象选择卖出或赎回项目,参考点都反映了目标对象对未来风险的认知和承受能力,而目标对象选择卖出、不持有某一项目意味着其对该项目的风险承受能力达到极限。因此,本说明书实施例中,可以通过目标对象卖出项目时项目的损益比度量目标对象的风险承受能力,也即将目标对象投资损益信息转化为项目关联信息,项目关联信息也可称为对象期望信息。
实际应用中,根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以直接对比目标对象的历史项目数据和各待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息。
本说明书另一种可能的实现方式中,上述根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,可以包括以下步骤:
根据历史项目数据和候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值;
根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息;
根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息。
具体地,第一项目数据参考值可以称为项目数据正参考值,第二项目数据参考值可以称为项目数据负参考值。根据历史项目数据和候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值时,可以对历史项目数据中的各历史项目指标和项目数据中的各项目指标进行大小比较,从而确定第一项目数据参考值和第二项目数据参考值。
需要说明的是,可以通过以下公式(1)计算第一项目数据参考值,利用以下公式(2)计算第二项目数据参考值:
其中,为第一项目数据参考值,/>为第二项目数据参考值,max为最大值,min为最小值,qik为待推荐项目i的第k个项目指标,ejk为目标对象j的第k个历史项目指标,k为第k个指标属性。
实际应用中,根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息时,可以直接根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息。还可以对历史项目数据进行分类,进一步利用不同的处理策略对分类后的历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得目标对象的候选项目关联信息。
根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息时,可以直接根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息。还可以对候选待推荐项目的项目数据进行分类,进一步利用不同的处理策略对分类后的项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得候选待推荐项目的候选项目风险信息。
应用本说明书实施例的方案,根据历史项目数据和候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值;根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息;根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息,保证了候选项目风险信息和候选项目关联信息的准确性。
本说明书一种可选的实施例中,上述根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息,可以包括以下步骤:
对历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据;
利用收益型处理策略对收益型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得目标对象的候选项目关联信息。
具体地,收益型历史项目数据是指与对象决策信息正相关的历史项目数据,如年化收益率、半年最大上涨率。成本型历史项目数据是指与对象决策信息负相关的历史项目数据,如最大回撤率、波动率。收益型历史项目数据越大越好,成本型历史项目数据越小越好。收益型处理策略用于指示利用收益型数据减去第二项目数据参考值。成本型处理策略用于指示利用第二项目数据参考值减去收益型数据。
实际应用中,可以通过以下公式(3)进行标准化操作,计算候选项目关联信息:
其中,e'jk为目标对象j的候选项目关联信息,ejk为目标对象j的第k个历史项目指标,为第一项目数据参考值,/>为第二项目数据参考值,k为第k个指标属性。
需要说明的是,目标对象的历史项目数据可以是矩阵的形式,也即历史项目数据可以是用户投资损益矩阵,那么,历史项目指标就可以是投资损益向量,投资损益向量也可以称为项目投资期望向量。
应用本说明书实施例的方案,对历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据,利用收益型处理策略对收益型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得目标对象的候选项目关联信息。通过对数据进行分类,并利用不同的处理策略处理对应类型的数据,提高了候选项目关联信息的准确性。
本说明书一种可选的实施例中,上述根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息,可以包括以下步骤:
对候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据;
利用收益型处理策略对收益型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得候选待推荐项目的候选项目风险信息。
具体地,收益型项目数据是指与对象决策信息正相关的项目数据。成本型项目数据是指与对象决策信息负相关的项目数据。收益型项目数据越大越好,成本型项目数据越小越好。收益型处理策略用于指示利用收益型数据减去第二项目数据参考值。成本型处理策略用于指示利用第二项目数据参考值减去收益型数据。
实际应用中,可以通过以下公式(4)进行标准化操作,计算候选项目风险信息:
其中,q'ik为项目i的候选项目风险信息,qik为项目i的第k个项目指标,为第一项目数据参考值,/>为第二项目数据参考值,k为第k个指标属性。
需要说明的是,候选待推荐项目的项目数据可以是矩阵的形式,也即项目数据可以是项目损益矩阵,那么,项目指标就可以是项目损益向量。
应用本说明书实施例的方案,对候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据;利用收益型处理策略对收益型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得候选待推荐项目的候选项目风险信息。通过对数据进行分类,并利用不同的处理策略处理对应类型的数据,提高了候选项目关联信息的准确性。
本说明书一种可选的实施例中,除了项目的盈亏之外,目标对象个人的偏好可能会影响目标对象对项目的决策,因此,可以获取目标对象的决策影响因子,对待推荐项目进行筛选更新,从而根据目标对象的历史项目数据和更新后的至少一个待推荐项目中候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,也即,上述根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息之前,还可以包括以下步骤:
获取目标对象对应的决策影响因子,其中,决策影响因子包括项目规模、项目所属对象、项目推荐对象中的至少一种;
根据决策影响因子对至少一个待推荐项目进行更新,获得更新后的至少一个待推荐项目。
具体地,决策影响因子是指影响目标对象的因子。以理财产品为例,项目规模是指理财产品的市场规模,项目所属对象是指理财产品的发售公司,项目推荐对象是指理财产品推荐员,实际应用中,决策影响因子还可以包括项目市场地位、项目所属市场行情等等,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
实际应用中,获取目标对象对应的决策影响因子的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以直接获取目标对象设置的决策影响因子。本说明书另一种可能的实现方式中,可以利用机器学习模型对目标对象历史项目数据进行数据挖掘,确定目标对象对应的决策影响因子。
进一步地,获取目标对象对应的决策影响因子之后,可以运用机器学习模型对至少一个待推荐项目进行排序,删除排序靠后的待推荐项目。还可以通过规则筛选其可能购买的待推荐项目,删除其不可能购买的待推荐项目。
示例性地,假设目标对象对应的决策影响因子为“不购买XX公司的项目”,待推荐项目包括待推荐项目A、待推荐项目B和待推荐项目C,待推荐项目A的所属对象为XX公司,待推荐项目B和待推荐项目C的所属对象均为YY公司,则根据目标对象对应的决策影响因子删除待推荐项目A,获得更新后的至少一个待推荐项目为待推荐项目B和待推荐项目C。
应用本说明书实施例的方案,获取目标对象对应的决策影响因子,其中,决策影响因子包括项目规模、项目所属对象、项目推荐对象中的至少一种;根据决策影响因子对至少一个待推荐项目进行更新,获得更新后的至少一个待推荐项目,通过决策影响因子对至少一个待推荐项目进行筛选更新,减少了项目推荐过程中数据处理量,提高了项目推荐效率。
步骤306:根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息。
本说明书一个或多个实施例中,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据,根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息之后,进一步地,可以根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息。
具体地,候选待推荐项目的对象决策信息表征了目标对象对候选待推荐项目的接受度,有效评估了目标对象对候选待推荐项目的行为决策。
实际应用中,根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以直接对比候选项目风险信息和候选关联信息,确定候选待推荐项目的对象决策信息。本说明书另一种可能的实现方式中,可以结合预设效用函数,根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息。
参见图4,图4示出了本说明书一个实施例提供的一种项目推荐方法中对象决策信息的概率分布图。如图4所示,以金融市场为例,当目标对象处于盈利状态时是风险回避者,而处于亏损状态时是风险偏好者,这一现象在效用函数上的体现则是该函数在正时为凹,负时为凸,如图4中的左图所示,左图中横轴代表目标对象决策的结果分布x,x的取值可以是-2、-1、0、1、2,纵轴即为目标对象对该决策结果的效用评估值v(x),v(x)的取值可以是-4、-2、0、2、4。同时,目标对象更倾向于在做决策时的概率分布相比实际概率会有所偏差,主要表现在目标对象会高估小概率事件,而对确定性较强的事件有所低估,如图4中的右图所示。右图中横轴代表决策结果的客观概率P,P的取值可以是0、0.2、0.4、0.6、0.8、1,纵轴代表目标对象的决策权重w(P),w(P)的取值可以是0、0.2、0.4、0.6、0.8、1。
结合前景理论,目标对象的效用是相对参考点,其具有损失厌恶的特性,预设效用函数如以下公式(5)所示:
其中,v(x)为预设效用函数,x为目标对象决策的结果分布,α、β为风险态度系数(risk attitude coefficient),通常情况下,α和β均为0~1之间,λ为损失厌恶系数(lossaversion coefficient),目标对象的风险态度系数和损失厌恶系数具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可选的实施例中,可以通过候选项目风险信息和候选项目关联信息,确定目标对象的期望与候选待推荐项目的项目表现之间的差距,也即初始决策信息,进一步利用初始决策信息和预设效用函数确定对象决策信息,也即,上述根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息,可以包括以下步骤:
根据候选项目风险信息和候选项目关联信息,确定初始决策信息;
利用目标对象对应的目标决策参数和初始决策信息,确定候选待推荐项目的对象决策信息。
具体地,初始决策信息可以反映前景理论中关注关于参考点相对变化的特点,初始决策信息可以称为损益决策矩阵,用于表征目标对象的期望与候选待推荐项目的项目所表现的差距。对象决策信息也可以称为前景信息、前景值。目标决策参数表征目标对象的风险偏好,包括但不限于风险态度系数、损失厌恶系数。不同目标对象对应的目标决策参数可以相同,也可以不同,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
实际应用中,可以比较候选项目风险信息和候选项目关联信息,根据比较结果,确定初始决策信息,也即通过以下公式(6)计算初始决策信息:
其中,dik为初始决策信息,q'ik为项目i的候选项目风险信息,e'jk为目标对象j的候选项目关联信息,k为第k个指标属性。
进一步地,可以将初始决策信息代入预设效用函数中,确定候选待推荐项目的对象决策信息,也即通过以下公式(7)计算对象决策信息:
其中,v(dik)为项目i的对象决策信息,dik为初始决策信息,α、β为风险态度系数,λ为损失厌恶系数,目标对象的风险态度系数和损失厌恶系数具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
应用本说明书实施例的方案,根据候选项目风险信息和候选项目关联信息,确定初始决策信息;利用目标对象对应的目标决策参数和初始决策信息,确定候选待推荐项目的对象决策信息,通过预设效用函数及概率评估函数的引入有效的评估目标对象的行为决策,提高了对象决策信息的准确性。
本说明书一种可选的实施例中,由于不同目标对象的风险承受能力不同,因此,可以根据目标对象的对象类型,确定目标对象对应的目标决策参数,也即,上述利用目标对象对应的目标决策参数和初始决策信息,确定候选待推荐项目的对象决策信息之前,还可以包括以下步骤:
对目标对象进行类型识别,确定目标对象的对象类型;
根据对象类型,确定目标对象对应的目标决策参数,其中,目标决策参数根据多个样本对象的历史项目数据拟合得到,样本对象与目标对象的对象类型相同。
需要说明的是,对目标对象进行类型识别,确定目标对象的对象类型的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以利用对象-类型数据库识别目标对象的对象类型。本说明书另一种可能的实现方式中,可以利用类型识别模型识别目标对象的对象类型。
实际应用中,可以根据多个样本对象的历史项目数据拟合出符合当前市场效用函数的决策参数。具体地,可以根据大量不同类型样本对象的历史赎回点所对应的收益率等,通过最小二乘估计或者贝叶斯估计等参数估计方法拟合效用函数,得到该部分样本对象群体的风险偏好系数及损失厌恶系数。然后将各类型群体的决策参数用于特定客品的匹配推荐。
应用本说明书实施例的方案,对目标对象进行类型识别,确定目标对象的对象类型,根据对象类型,确定目标对象对应的目标决策参数。通过对不同投资能力的对象群体分别进行参数拟合估计,得到不同投资能力偏好下的对象损益偏好,从而降低目标决策参数的随机性。
步骤308:根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。
本说明书一个或多个实施例中,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据,根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息之后,进一步地,可以根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。
具体地,目标对象的项目推荐结果可以是存在可以向目标对象推荐的目标推荐项目,还可以是不存在可以向目标对象推荐的目标推荐项目。在存在可以向目标对象推荐的目标推荐项目的情况下,项目推荐结果中还可以包括具体推荐的目标推荐项目,以及目标推荐项目下目标对象的对象决策信息。
应用本说明书实施例的方案,通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
实际应用中,根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以根据各待推荐项目的对象决策信息,确定各待推荐项目的评估指标,获取预设评估指标阈值,对比各待推荐项目的评估指标和预设评估指标阈值,在存在大于等于预设评估指标阈值的评估指标的情况下,确定项目推荐结果为存在可以向目标对象推荐的目标推荐项目,并将大于等于预设评估指标阈值的评估指标所对应的待推荐项目作为目标推荐项目。
本说明书另一种可能的实现方式中,可以对各待推荐项目进行排序,根据排序结果确定目标对象的项目推荐结果,也即,上述根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果,可以包括以下步骤:
根据至少一个待推荐项目的对象决策信息,对至少一个待推荐项目进行排序,获得排序后的至少一个待推荐项目;
根据排序后的至少一个待推荐项目,确定目标对象的项目推荐结果。
需要说明的是,获得各待推荐项目的对象决策信息之后,可以根据各待推荐项目的对象决策信息,确定各待推荐项目的评估指标,并利用各待推荐项目的评估指标对各待推荐项目进行排序,最后将排序前N个待推荐项目作为目标推荐项目,其中,N的具体值根据实际情况进行选择,本说明书实施例对此不作任何限定。
实际应用中,可以通过下述公式(8)确定各待推荐项目的评估指标:
其中,Ui为待推荐项目i的评估指标,评估指标表征待推荐项目对目标对象的价值,待推荐项目的评估指标越大,说明待推荐项目越适合目标对象。v(dik)为对象决策信息,wk为第k个指标属性对应的权重,wk具体根据实际情况进行设置,本说明书实施例对此不作任何限定。
示例性地,假设待推荐项目A的评估指标为66,待推荐项目B的评估指标为88,待推荐项目C的评估指标为44,根据各待推荐项目的评估指标,对各待推荐项目进行排序,确定待推荐项目B在待推荐项目A之前,待推荐项目A在待推荐项目C之前。获取N为1,则将排序第一的待推荐项目B作为目标推荐项目,确定目标对象的项目推荐结果为存在可以向目标对象推荐的目标推荐项目,且目标推荐项目为待推荐项目B。
应用本说明书实施例的方案,根据至少一个待推荐项目的对象决策信息,对至少一个待推荐项目进行排序,获得排序后的至少一个待推荐项目;根据排序后的至少一个待推荐项目,确定目标对象的项目推荐结果,提高了目标对象的项目推荐结果的准确性。
参见图5,图5示出了本说明书一个实施例提供的一种投资项目推荐方法的流程图,具体包括以下步骤:
步骤502:获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据。
步骤504:根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐投资项目为至少一个待推荐投资项目中的任一个,候选项目关联信息反映目标对象对候选待推荐投资项目的风险承受能力。
步骤506:根据候选项目风险信息和候选项目关联信息,确定候选待推荐投资项目的对象决策信息。
步骤508:根据至少一个待推荐投资项目的对象决策信息,确定目标对象的投资项目推荐结果。
具体地,投资项目包括但不限于基金、股票、理财等等。步骤502至步骤508的具体实现方式与上述步骤302至步骤308的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,通过根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐投资项目的对象决策信息,在投资项目推荐过程中融入了前景理论知识,提高了投资项目推荐结果的准确性。
下述结合附图6,以本说明书提供的项目推荐方法在金融场景的应用为例,对所述项目推荐方法进行进一步说明。其中,图6示出了本说明书一个实施例提供的一种项目推荐方法的处理过程流程图,具体包括以下步骤:
步骤602:获取目标对象的历史项目数据和至少一个待推荐项目的项目数据。
步骤604:根据历史项目数据和候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值。
步骤606:对历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据。
步骤608:利用收益型处理策略对收益型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得目标对象的候选项目关联信息。
步骤610:对候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据。
步骤612:利用收益型处理策略对收益型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得候选待推荐项目的候选项目风险信息。
步骤614:根据候选项目风险信息和候选项目关联信息,确定初始决策信息。
步骤616:利用目标对象对应的目标决策参数和初始决策信息,确定候选待推荐项目的对象决策信息。
步骤618:根据至少一个待推荐项目的对象决策信息,对至少一个待推荐项目进行排序,获得排序后的至少一个待推荐项目。
步骤620:根据排序后的至少一个待推荐项目,确定目标对象的项目推荐结果。
需要说明的是,步骤602至步骤620的具体实现方式与上述步骤302至步骤308的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
参见图7,图7示出了本说明书一个实施例提供的另一种项目推荐方法的处理过程流程图,本说明书实施例提供的项目推荐方法,基于行为金融学思想,结合用户历史投资损益所对应的参考点,通过前景理论效用函数对待推荐理财产品进行评估:
获取用户历史半年或一年投资赎回记录,如与稳健理财产品类似的债券基金投资产品;根据用户历史半年或一年投资赎回记录计算用户偏好期限和用户投资损益矩阵;获取待推荐理财产品历史半年或一年累计净值;根据待推荐理财产品历史半年或一年累计净值计算待推荐理财产品损益矩阵;对用户偏好期限、用户投资损益矩阵和待推荐理财产品损益矩阵标准化计算获得用户损益决策矩阵;基于用户损益决策矩阵计算前景值,并基于前景值对待推荐理财产品进行排序,根据排序结果向用户推荐理财产品。
需要说明的是,确定用户偏好期限的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以根据的用户历史时间段内(如半年或一年)申购记录所对应产品的期限,得到其购买最多产品的期限,作为其潜在的偏好期限。本说明书另一种可能的实现方式中,可以根据用户历史时间段内申购金额或当前持仓加权计算得到平均期限,作为其潜在的偏好期限。
参见图8,图8示出了本说明书一个实施例提供的一种项目推荐界面的界面示意图。项目推荐界面分为项目推荐请求输入界面和项目推荐结果展示界面。项目推荐请求输入界面中包括项目推荐请求输入框、“确定”控件以及“取消”控件。项目推荐结果展示界面中包括项目推荐结果展示框。
用户通过客户端显示的项目推荐请求输入框输入项目推荐请求,点选“确定”控件,服务端响应于客户端发送的项目推荐请求,获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果,并将目标对象的项目推荐结果发送至客户端。客户端在项目推荐结果展示框中显示目标对象的项目推荐结果。
实际应用中,用户对控件进行操作的方式包括点击、双击、触控、鼠标悬停、滑动、长按、语音控制或摇一摇等任一方式,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
与上述方法实施例相对应,本说明书还提供了项目推荐装置实施例,图9示出了本说明书一个实施例提供的一种项目推荐装置的结构示意图。如图9所示,该装置包括:
第一获取模块902,被配置为获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;
第一确定模块904,被配置为根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐项目为至少一个待推荐项目中的任一个,候选项目关联信息反映目标对象对候选待推荐项目的风险承受能力;
第二确定模块906,被配置为根据候选项目风险信息和候选项目关联信息,确定候选待推荐项目的对象决策信息;
第三确定模块908,被配置为根据至少一个待推荐项目的对象决策信息,确定目标对象的项目推荐结果。
可选地,第一确定模块904,进一步被配置为根据历史项目数据和候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值;根据历史项目数据、第一项目数据参考值和第二项目数据参考值,确定目标对象的候选项目关联信息;根据候选待推荐项目的项目数据、第一项目数据参考值和第二项目数据参考值,确定候选待推荐项目的候选项目风险信息。
可选地,第一确定模块904,进一步被配置为对历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据;利用收益型处理策略对收益型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型历史项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得目标对象的候选项目关联信息。
可选地,第一确定模块904,进一步被配置为对候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据;利用收益型处理策略对收益型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,并利用成本型处理策略对成本型项目数据、第一项目数据参考值和第二项目数据参考值进行处理,获得候选待推荐项目的候选项目风险信息。
可选地,该装置还包括:更新模块,被配置为获取目标对象对应的决策影响因子,其中,决策影响因子包括项目规模、项目所属对象、项目推荐对象中的至少一种;根据决策影响因子对至少一个待推荐项目进行更新,获得更新后的至少一个待推荐项目。
可选地,第二确定模块906,进一步被配置为根据候选项目风险信息和候选项目关联信息,确定初始决策信息;利用目标对象对应的目标决策参数和初始决策信息,确定候选待推荐项目的对象决策信息。
可选地,该装置还包括:识别模块,被配置为:对目标对象进行类型识别,确定目标对象的对象类型;根据对象类型,确定目标对象对应的目标决策参数,其中,目标决策参数根据多个样本对象的历史项目数据拟合得到,样本对象与目标对象的对象类型相同。
可选地,第一获取模块902,进一步被配置为获取目标对象的对象标识和各待推荐项目的项目标识;根据对象标识,查询目标对象对应的历史项目记录;根据历史项目记录,获取目标对象的历史项目数据,并根据各待推荐项目的项目标识,获取至少一个待推荐项目的项目数据。
可选地,第一获取模块902,进一步被配置为根据各待推荐项目的项目标识,获取各待推荐项目的历史项目数据;根据历史项目数据,生成各待推荐项目的预测项目数据;根据各待推荐项目的历史项目数据和预测项目数据,获得各待推荐项目的项目数据。
可选地,第三确定模块908,进一步被配置为根据至少一个待推荐项目的对象决策信息,对至少一个待推荐项目进行排序,获得排序后的至少一个待推荐项目;根据排序后的至少一个待推荐项目,确定目标对象的项目推荐结果。
应用本说明书实施例的方案,通过根据历史项目数据和候选待推荐项目的项目数据,确定候选待推荐项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐项目的对象决策信息,在项目推荐过程中融入了前景理论知识,提高了项目推荐结果的准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于项目推荐装置而言,由于其基本相似于项目推荐方法实施例,所以描述的比较简单,相关之处参见项目推荐方法实施例的部分说明即可。
与上述方法实施例相对应,本说明书还提供了投资项目推荐装置实施例,图10示出了本说明书一个实施例提供的一种投资项目推荐装置的结构示意图。如图10所示,该装置包括:
第二获取模块1002,被配置为获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据;
第四确定模块1004,被配置为根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,其中,候选待推荐投资项目为至少一个待推荐投资项目中的任一个,候选项目关联信息反映目标对象对候选待推荐投资项目的风险承受能力;
第五确定模块1006,被配置为根据候选项目风险信息和候选项目关联信息,确定候选待推荐投资项目的对象决策信息;
第六确定模块1008,被配置为根据至少一个待推荐投资项目的对象决策信息,确定目标对象的投资项目推荐结果。
应用本说明书实施例的方案,通过根据历史投资项目数据和候选待推荐投资项目的项目数据,确定候选待推荐投资项目的候选项目风险信息和目标对象的候选项目关联信息,客观准确地确定了目标对象的风险承受能力。并且,通过确定各待推荐投资项目的对象决策信息,在投资项目推荐过程中融入了前景理论知识,提高了投资项目推荐结果的准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于投资项目推荐装置而言,由于其基本相似于投资项目推荐方法实施例,所以描述的比较简单,相关之处参见投资项目推荐方法实施例的部分说明即可。
图11示出了根据本说明书一个实施例提供的一种计算设备的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接,数据库1150用于保存数据。
计算设备1100还包括接入设备1140,接入设备1140使得计算设备1100能够经由一个或多个网络1160通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,networkinterface controller))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX,WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near FieldCommunication)。
在本说明书的一个实施例中,计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图11所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1100可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或个人计算机(PC,Personal Computer)的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
其中,处理器1120用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述项目推荐方法或者投资项目推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算设备实施例而言,由于其基本相似于项目推荐方法和投资项目推荐方法实施例,所以描述的比较简单,相关之处参见项目推荐方法或者投资项目推荐方法实施例的部分说明即可。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述项目推荐方法或者投资项目推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算机可读存储介质实施例而言,由于其基本相似于项目推荐方法和投资项目推荐方法实施例,所以描述的比较简单,相关之处参见项目推荐方法或者投资项目推荐方法实施例的部分说明即可。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述项目推荐方法或者投资项目推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算机程序实施例而言,由于其基本相似于项目推荐方法和投资项目推荐方法实施例,所以描述的比较简单,相关之处参见项目推荐方法或者投资项目推荐方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (24)
1.一种项目推荐方法,包括:
获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;
根据所述历史项目数据和候选待推荐项目的项目数据,确定所述候选待推荐项目的候选项目风险信息和所述目标对象的候选项目关联信息,其中,所述候选待推荐项目为所述至少一个待推荐项目中的任一个,所述候选项目关联信息反映所述目标对象对所述候选待推荐项目的风险承受能力;
根据所述候选项目风险信息和所述候选项目关联信息,确定所述候选待推荐项目的对象决策信息;
根据所述至少一个待推荐项目的对象决策信息,确定所述目标对象的项目推荐结果。
2.根据权利要求1所述的方法,所述根据所述历史项目数据和候选待推荐项目的项目数据,确定所述候选待推荐项目的候选项目风险信息和所述目标对象的候选项目关联信息,包括:
根据所述历史项目数据和所述候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值;
根据所述历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述目标对象的候选项目关联信息;
根据所述候选待推荐项目的项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述候选待推荐项目的候选项目风险信息。
3.根据权利要求2所述的方法,所述根据所述历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述目标对象的候选项目关联信息,包括:
对所述历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据;
利用收益型处理策略对所述收益型历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,并利用成本型处理策略对所述成本型历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,获得所述目标对象的候选项目关联信息。
4.根据权利要求2所述的方法,所述根据所述候选待推荐项目的项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述候选待推荐项目的候选项目风险信息,包括:
对所述候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据;
利用收益型处理策略对所述收益型项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,并利用成本型处理策略对所述成本型项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,获得所述候选待推荐项目的候选项目风险信息。
5.根据权利要求1所述的方法,所述根据所述历史项目数据和候选待推荐项目的项目数据,确定所述候选待推荐项目的候选项目风险信息和所述目标对象的候选项目关联信息之前,还包括:
获取所述目标对象对应的决策影响因子,其中,所述决策影响因子包括项目规模、项目所属对象、项目推荐对象中的至少一种;
根据所述决策影响因子对所述至少一个待推荐项目进行更新,获得更新后的至少一个待推荐项目。
6.根据权利要求1所述的方法,所述根据所述候选项目风险信息和所述候选项目关联信息,确定所述候选待推荐项目的对象决策信息,包括:
根据所述候选项目风险信息和所述候选项目关联信息,确定初始决策信息;
利用所述目标对象对应的目标决策参数和所述初始决策信息,确定所述候选待推荐项目的对象决策信息。
7.根据权利要求6所述的方法,所述利用所述目标对象对应的目标决策参数和所述初始决策信息,确定所述候选待推荐项目的对象决策信息之前,还包括:
对所述目标对象进行类型识别,确定所述目标对象的对象类型;
根据所述对象类型,确定所述目标对象对应的目标决策参数,其中,所述目标决策参数根据多个样本对象的历史项目数据拟合得到,所述样本对象与所述目标对象的对象类型相同。
8.根据权利要求1所述的方法,所述获取目标对象的历史项目数据和至少一个待推荐项目的项目数据,包括:
获取所述目标对象的对象标识和各待推荐项目的项目标识;
根据所述对象标识,查询所述目标对象对应的历史项目记录;
根据所述历史项目记录,获取所述目标对象的历史项目数据,并根据所述各待推荐项目的项目标识,获取所述至少一个待推荐项目的项目数据。
9.根据权利要求8所述的方法,所述根据所述各待推荐项目的项目标识,获取所述至少一个待推荐项目的项目数据,包括:
根据所述各待推荐项目的项目标识,获取所述各待推荐项目的历史项目数据;
根据所述历史项目数据,生成所述各待推荐项目的预测项目数据;
根据所述各待推荐项目的历史项目数据和所述预测项目数据,获得所述各待推荐项目的项目数据。
10.根据权利要求1所述的方法,所述根据所述至少一个待推荐项目的对象决策信息,确定所述目标对象的项目推荐结果,包括:
根据所述至少一个待推荐项目的对象决策信息,对所述至少一个待推荐项目进行排序,获得排序后的所述至少一个待推荐项目;
根据所述排序后的所述至少一个待推荐项目,确定所述目标对象的项目推荐结果。
11.一种投资项目推荐方法,包括:
获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据;
根据所述历史投资项目数据和候选待推荐投资项目的项目数据,确定所述候选待推荐投资项目的候选项目风险信息和所述目标对象的候选项目关联信息,其中,所述候选待推荐投资项目为所述至少一个待推荐投资项目中的任一个,所述候选项目关联信息反映所述目标对象对所述候选待推荐投资项目的风险承受能力;
根据所述候选项目风险信息和所述候选项目关联信息,确定所述候选待推荐投资项目的对象决策信息;
根据所述至少一个待推荐投资项目的对象决策信息,确定所述目标对象的投资项目推荐结果。
12.一种项目推荐装置,包括:
第一获取模块,被配置为获取目标对象的历史项目数据和至少一个待推荐项目的项目数据;
第一确定模块,被配置为根据所述历史项目数据和候选待推荐项目的项目数据,确定所述候选待推荐项目的候选项目风险信息和所述目标对象的候选项目关联信息,其中,所述候选待推荐项目为所述至少一个待推荐项目中的任一个,所述候选项目关联信息反映所述目标对象对所述候选待推荐项目的风险承受能力;
第二确定模块,被配置为根据所述候选项目风险信息和所述候选项目关联信息,确定所述候选待推荐项目的对象决策信息;
第三确定模块,被配置为根据所述至少一个待推荐项目的对象决策信息,确定所述目标对象的项目推荐结果。
13.根据权利要求12所述的装置,所述第一确定模块,进一步被配置为:
根据所述历史项目数据和所述候选待推荐项目的项目数据,确定第一项目数据参考值和第二项目数据参考值;
根据所述历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述目标对象的候选项目关联信息;
根据所述候选待推荐项目的项目数据、所述第一项目数据参考值和所述第二项目数据参考值,确定所述候选待推荐项目的候选项目风险信息。
14.根据权利要求13所述的装置,所述第一确定模块,进一步被配置为:
对所述历史项目数据进行分类,获得收益型历史项目数据和成本型历史项目数据;
利用收益型处理策略对所述收益型历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,并利用成本型处理策略对所述成本型历史项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,获得所述目标对象的候选项目关联信息。
15.根据权利要求13所述的装置,所述第一确定模块,进一步被配置为:
对所述候选待推荐项目的项目数据进行分类,获得收益型项目数据和成本型项目数据;
利用收益型处理策略对所述收益型项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,并利用成本型处理策略对所述成本型项目数据、所述第一项目数据参考值和所述第二项目数据参考值进行处理,获得所述候选待推荐项目的候选项目风险信息。
16.根据权利要求12所述的装置,还包括:更新模块,被配置为:
获取所述目标对象对应的决策影响因子,其中,所述决策影响因子包括项目规模、项目所属对象、项目推荐对象中的至少一种;
根据所述决策影响因子对所述至少一个待推荐项目进行更新,获得更新后的至少一个待推荐项目。
17.根据权利要求12所述的装置,所述第二确定模块,进一步被配置为:
根据所述候选项目风险信息和所述候选项目关联信息,确定初始决策信息;
利用所述目标对象对应的目标决策参数和所述初始决策信息,确定所述候选待推荐项目的对象决策信息。
18.根据权利要求17所述的装置,还包括:识别模块,被配置为:
对所述目标对象进行类型识别,确定所述目标对象的对象类型;
根据所述对象类型,确定所述目标对象对应的目标决策参数,其中,所述目标决策参数根据多个样本对象的历史项目数据拟合得到,所述样本对象与所述目标对象的对象类型相同。
19.根据权利要求12所述的装置,所述第一获取模块,进一步被配置为:
获取所述目标对象的对象标识和各待推荐项目的项目标识;
根据所述对象标识,查询所述目标对象对应的历史项目记录;
根据所述历史项目记录,获取所述目标对象的历史项目数据,并根据所述各待推荐项目的项目标识,获取所述至少一个待推荐项目的项目数据。
20.根据权利要求19所述的装置,所述第一获取模块,进一步被配置为:
根据所述各待推荐项目的项目标识,获取所述各待推荐项目的历史项目数据;
根据所述历史项目数据,生成所述各待推荐项目的预测项目数据;
根据所述各待推荐项目的历史项目数据和所述预测项目数据,获得所述各待推荐项目的项目数据。
21.根据权利要求12所述的装置,所述第三确定模块,进一步被配置为:
根据所述至少一个待推荐项目的对象决策信息,对所述至少一个待推荐项目进行排序,获得排序后的所述至少一个待推荐项目;
根据所述排序后的所述至少一个待推荐项目,确定所述目标对象的项目推荐结果。
22.一种投资项目推荐装置,包括:
第二获取模块,被配置为获取目标对象的历史投资项目数据和至少一个待推荐投资项目的项目数据;
第四确定模块,被配置为根据所述历史投资项目数据和候选待推荐投资项目的项目数据,确定所述候选待推荐投资项目的候选项目风险信息和所述目标对象的候选项目关联信息,其中,所述候选待推荐投资项目为所述至少一个待推荐投资项目中的任一个,所述候选项目关联信息反映所述目标对象对所述候选待推荐投资项目的风险承受能力;
第五确定模块,被配置为根据所述候选项目风险信息和所述候选项目关联信息,确定所述候选待推荐投资项目的对象决策信息;
第六确定模块,被配置为根据所述至少一个待推荐投资项目的对象决策信息,确定所述目标对象的投资项目推荐结果。
23.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至10任意一项或者权利要求11所述方法的步骤。
24.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至10任意一项或者权利要求11所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310590592.6A CN116756414A (zh) | 2023-05-22 | 2023-05-22 | 项目推荐、投资项目推荐方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310590592.6A CN116756414A (zh) | 2023-05-22 | 2023-05-22 | 项目推荐、投资项目推荐方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756414A true CN116756414A (zh) | 2023-09-15 |
Family
ID=87952365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310590592.6A Pending CN116756414A (zh) | 2023-05-22 | 2023-05-22 | 项目推荐、投资项目推荐方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756414A (zh) |
-
2023
- 2023-05-22 CN CN202310590592.6A patent/CN116756414A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220005125A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
US20210383308A1 (en) | Machine learning systems for remote role evaluation and methods for using same | |
Cheung et al. | A multi-perspective knowledge-based system for customer service management | |
US20180053092A1 (en) | Method and System for Innovation Management and Optimization Under Uncertainty | |
US9792653B2 (en) | Recommender engine for collections treatment selection | |
JP5960887B1 (ja) | 算出装置、算出方法及び算出プログラム | |
CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
EP4162420A1 (en) | Machine learning systems for collaboration prediction and methods for using same | |
CN109784848B (zh) | 酒店订单处理方法和相关产品 | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
CN112116103A (zh) | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 | |
US20240028979A1 (en) | Systems and Methods for Enhancing and Facilitating Access to Specialized Data | |
Napitu et al. | Twitter opinion mining predicts broadband internet's customer churn rate | |
WO2019144035A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
CN115082203A (zh) | 生息方案推送方法、装置、电子设备及存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
US20210287284A1 (en) | Method, system and computer program product for processing social data | |
KR101853555B1 (ko) | Sw 시장 정보 서비스 시스템 | |
CN116756414A (zh) | 项目推荐、投资项目推荐方法以及装置 | |
JP6152215B2 (ja) | 算出装置、算出方法及び算出プログラム | |
JP6067169B2 (ja) | 算出装置、算出方法及び算出プログラム | |
KR20200104015A (ko) | 자산관리 서비스 시스템의 상품추천방법 | |
US20220114518A1 (en) | Computer system and computer implemented method | |
KR102574061B1 (ko) | 맞춤형 보험 추천을 위한 정보 추출 시스템 및 정보 추출 방법 |
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 |