CN116757783A - 产品推荐方法及装置 - Google Patents

产品推荐方法及装置 Download PDF

Info

Publication number
CN116757783A
CN116757783A CN202310780455.9A CN202310780455A CN116757783A CN 116757783 A CN116757783 A CN 116757783A CN 202310780455 A CN202310780455 A CN 202310780455A CN 116757783 A CN116757783 A CN 116757783A
Authority
CN
China
Prior art keywords
information
financial product
user
bearing capacity
recommended
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
CN202310780455.9A
Other languages
English (en)
Inventor
贝飞
辛思盼
王世佳
蒋婷婷
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 CN202310780455.9A priority Critical patent/CN116757783A/zh
Publication of CN116757783A publication Critical patent/CN116757783A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (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)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种产品推荐方法及装置，涉及人工智能技术领域，该方法包括：从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、每一银行交易的交易金额，生成第一特征数据；将第一特征数据输入到风险承受能力预测模型，得到待推荐用户的风险承受能力信息；根据用户的风险承受能力信息、每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；确定与第一理财产品信息相关的第二理财产品信息，得到第二理财产品列表；将第一理财产品推荐列表、第二理财产品列表发送给待推荐用户。本发明可以提高理财产品的推荐效率、推荐准确性。

Description

产品推荐方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及产品推荐方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
银行在为用户推荐理财产品时，需要对用户的风险承受能力进行预测，当前银行用户的风险测评依赖用户填写调查问卷获取，在用户不填写问卷时就无法获知用户的风险承受能力信息，用户风险承受能力信息获取效率低。并且，用户风险承受能力能够更有效地为用户确定适合的理财产品，而目前银行仅能为已有风险承受能力信息的用户匹配对应风险等级的理财产品，推荐的产品信息单一，无法满足用户需求。并且针对无风险承受能力信息的用户，无法做到准确推荐，产品推荐效率低，准确性差。用户体验不佳。
发明内容
本发明实施例提供一种产品推荐方法，用以提高获取用户风险承受能力信息的效率，进而根据用户的风险能力承受信息为用户准确的确定多种多样的理财产品，提高理财产品的推荐效率、以及推荐准确性，该方法包括：
获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
根据第二理财产品信息得到第二理财产品推荐列表；
将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
本发明实施例还提供一种产品推荐装置，用以提高获取用户风险承受能力信息的效率，进而根据用户的风险能力承受信息为用户准确的确定多种多样的理财产品，提高理财产品的推荐效率、以及推荐准确性，该装置包括：
数据获取模块，用于获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
第一处理模块，用于将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
第二处理模块，用于根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
第三处理模块，用于获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
第四处理模块，用于根据第二理财产品信息得到第二理财产品推荐列表；
产品推荐模块，用于将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述产品推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述产品推荐方法。
本发明实施例还提供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，所述计算机程序被处理器执行时实现上述产品推荐方法。
本发明实施例中，获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。这样，能够提高获取用户风险承受能力信息的效率，进而根据用户的风险能力承受信息为用户准确的确定多种多样的理财产品，提高理财产品的推荐效率、以及推荐准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种产品推荐方法的流程图；
图2为发明实施例提供的一种训练得到风险承受能力预测模型的方法流程图；
图3为本发明实施例中提供的一种训练得到关联性确定模型的方法流程图；
图4为本发明实施例中提供的一种产品推荐装置的示意图；
图5为本发明实施例中提供的一种计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本申请技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
经研究发现，银行在为用户推荐理财产品时，需要对用户的风险承受能力进行预测，当前银行用户的风险测评依赖用户填写调查问卷获取，在用户不填写问卷时就无法获知用户的风险承受能力信息，用户风险承受能力信息获取效率低。并且，用户风险承受能力能够更有效地为用户确定适合的理财产品，而目前银行仅能为已有风险承受能力信息的用户匹配对应风险等级的理财产品，推荐的产品信息单一，无法满足用户需求。并且针对无风险承受能力信息的用户，无法做到准确推荐，产品推荐效率低，准确性差。用户体验不佳。
针对上述研究，如图1所示，为本发明实施例提供的一种产品推荐方法，包括：
S101：获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
S102：将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
S103：根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
S104：获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
S105：根据第二理财产品信息得到第二理财产品推荐列表；
S106：将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
本发明实施例中，获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。这样，能够提高获取用户风险承受能力信息的效率，进而根据用户的风险能力承受信息为用户准确的确定多种多样的理财产品，提高理财产品的推荐效率、以及推荐准确性。
下面对上述产品推荐方法加以详细说明：
针对上述S101，待推荐用户在银行可能存在风险承受能力信息，也可能不存在风险承受能力信息。针对存在风险承受能力信息的待推荐用户，为该待推荐用户历史在银行填写风险承受能力调查问卷或通过其他方式存留在该待推荐用户的历史银行数据中。针对不存在风险承受能力信息的待推荐用户，先获取待推荐用户的历史银行数据，以供根据历史银行数据生成第一特征数据，进而根据第一特征数据预测用户的风险承受能力。
其中，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据，例如包括：根据预设的映射规则，将所在地信息、年龄信息、性别信息、银行业务交易次数、以及交易金额，映射为独热编码数值，针对缺失的数据，进行缺失值处理，得到第一特征数据。
其中，针对每种信息可以单独设置映射规则，例如针对所在地，映射规则为将所在地信息直接映射为预先配置的每一所在地对应的独热编码数字串；针对年龄信息，映射规则为将年龄信息转换为对应的二进制数值等。
此外，缺失值处理例如包括：采用预设数据填充、或者采用每种信息中的相邻数据填充、或者采用每种信息中的平均数据进行填充等。
针对上述S102，将待推荐用户的第一特征数据输入到预先训练的风险承受能力预测模型，预测得到待推荐用户的风险承受能力信息。
其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到。
如图2所示，为本发明实施例提供的一种训练得到风险承受能力预测模型的方法流程图，包括：
S201：根据存在风险承受能力信息的历史用户的银行数据，生成训练样本；其中，将风险承受能力作为训练样本的输出，将历史用户的所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额作为样本输入。
S202：利用训练样本训练朴素贝叶斯模型，得到训练好的风险承受能力预测模型。
本发明一实施例中，训练样本中的风险承受能力信息包括训练样本对应历史用户的实际风险承受能力类型；利用训练样本训练朴素贝叶斯模型，得到训练好的风险承受能力预测模型，包括：将训练样本输入到朴素贝叶斯模型中计算每一训练样本被确定为各风险承受能力类型的概率；将每一训练样本对应概率最大的风险承受能力类型确定每一训练样本的预测风险能力承受等级；根据每一训练样本的实际风险承受能力类型、以及预测风险承受能力类型，调整模型参数，得到训练好的风险承受能力预测模型。
其中，风险能力承受信息例如包括：谨慎型、稳健型、平衡型、进取型、激进型等。
例如，假设训练集中的特征个数为n，某特征为ti，则每个历史用户数据由多个特征构成，一个历史用户信息t采用VSM方法构建向量空间模型可以表示为t(t1,t2,...,tn)，一种可能的实施方式中，ti出现则记为1，未出现则记为0；或者，ti为某一数值范围内的数字映射为一个预设特征值。使每个历史用户信息构成一个n维的空间向量t＝{t1,t2,...,tn}，设定每种历史用户风险承受能力类型设为ci，风险分类即计算当前向量t被判定为类别ci的条件概率p(ci|t)，其中最大的概率即可判定为属于类别ci。依赖贝叶斯准则可以得到将向量t展开为独立特征，则p(t|ci)＝p(t1|ci)p(t2|ci)p(t3|ci)...p(tn|ci)。
另外，在实际计算过程中，因概率乘积是很多很小的数相乘，容易造成计算溢出，故在乘积计算时采用ln取对数方式进行优化，最后得到p(ci|t)的值。若p(c1|t)>p(c2|t)，则认为t向量对应的类别属于c1，若p(c1|t)<p(c2|t)，则认为t向量对应的类别属于c2。
本发明另一实施例中，使用留存交叉验证法对分类模型进行训练，取出已标记数据的三分之一作为训练集，剩余三分之二作为测试集，迭代训练计算平均错误率，直到错误率达到可接受范围内，错误率默认例如可以取0.3。
针对上述S103，先根据用户的风险承受能力信息，为用户匹配对应风险等级内的第一理财产品。
针对上述S104～S106，进一步的，为了丰富充足的向用户推荐适合的理财产品，还根据理财产品之间的关联性为用户推荐与第一理财产品相关的第二理财产品。
其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；其中，关联性确定模型包括：频繁模式增长FP-Growth模型。
如图3所示，为本发明实施例提供的一种根据历史用户的理财产品购买信息和关联性确定模型得到理财产品关联关系信息的方法流程图，包括：
S301：将每一历史用户购买的理财产品标识作为一个第一集合。
S302：预先配置FP-Growth模型的支持度、置信度。
例如，设置FP-Growth模型的支持度参数n，置信度参数m，用来控制第一集合可以产生的第三集合个数和关联性的准确程度。
本发明一实施例中，设置n＝0.5；m＝0.75。
此外，本发明另一实施例中，FP-Growth模型的支持度参数n，置信度参数m，还可以根据少量历史用户的理财产品购买信息生成训练样本，利用训练样本对FP-Growth模型训练得到。
S303：当任一个第一集合中产品标识的个数大于0时，从各第一集合中筛选出产品标识数量大于预设数量的第二集合。
S304：确定每一第二集合的实际支持度，将实际支持度大于或者等于FP-Growth模型的支持度的第二集合确定为第三集合。
其中，第二集合的实际支持度为根据第二集合中的产品标识在所有第一集合中同时出现的次数除以第一集合的数量得到。
S305：确定每一第三集合的实际置信度；将实际置信度大于或者等于FP-Growth模型的置信度的第三集合确定为第四集合。
本发明一实施例中，第三集合的实际置信度包括：第三集合的每一产品标识对应的置信度；将实际置信度大于或者等于FP-Growth模型的置信度的第三集合确定为第四集合包括：将对应最大实际置信度大于或者等于FP-Growth模型的置信度的第三集合确定为第四集合。
此处，第三集合中的每一产品标识对应的置信度为第三集合的所有产品标识在第一集合中同时出现的次数除以该产品标识在第一集合中出现的次数得到。
例如，第三集合中包含{产品1，产品2，产品3}，则产品1对应的置信度为产品1、产品2、产品3同时在第一集合中出现的次数除以产品1在第一集合中出现的次数。
S306：针对每一第四集合，建立该第四集合中的产品标识的关联关系。
S307：根据每一第四集合中的产品标识的关联关系，得到理财产品关联关系信息。
此外，本发明另一实施例，还包括：在待推荐用户的历史银行数据中包含风险承受能力信息但不包含历史理财产品购买信息时，根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；根据第二理财产品信息得到第二理财产品推荐列表；将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
本发明另一实施例，还包括：在待推荐用户的历史银行数据中包含风险承受能力信息，且包含历史理财产品购买信息时，从历史理财产品购买信息中获取待推进用户的历史购买理财产品信息；根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，将第一理财产品信息输入到预先训练的关联性确定模型，得到与第一理财产品信息相关的第二理财产品信息；根据第二理财产品信息得到第二理财产品推荐列表；根据理财产品关联关系信息，确定与历史购买理财产品信息关联的第三理财产品信息，根据第三理财产品信息得到第三理财产品列表；将第一理财产品推荐列表、第二理财产品列表、以及第三理财产品列表发送给待推荐用户。
本发明实施例中还提供了一种产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与产品推荐方法相似，因此该装置的实施可以参见产品推荐方法的实施，重复之处不再赘述。
如图4所示，本发明实施例提供的一种产品推荐装置的示意图，包括：数据获取模块401、第一处理模块402、第二处理模块403、第三处理模块404、第四处理模块405、以及产品推荐模块406；其中，
数据获取模块401，用于获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
第一处理模块402，用于将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
第二处理模块403，用于根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
第三处理模块404，用于获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
第四处理模块405，用于根据第二理财产品信息得到第二理财产品推荐列表；
产品推荐模块406，用于将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
在一种可能的实施方式中，数据获取模块，具体用于根据预设的映射规则，将从待推荐用户的历史银行数据中提取的所在地信息、年龄信息、性别信息、银行业务交易次数、以及交易金额，映射为独热编码数值，针对缺失的数据，进行缺失值处理，得到第一特征数据；其中，缺失值处理包括：采用预设数据填充、或者采用每种信息中的相邻数据填充、或者采用每种信息中的平均数据进行填充至少一种。
在一种可能的实施方式中，还包括：第五处理模块，用于在待推荐用户的历史银行数据中包含风险承受能力信息但不包含历史理财产品购买信息时，根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；根据第二理财产品信息得到第二理财产品推荐列表；将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
在一种可能的实施方式中，还包括：第六处理模块，用于在待推荐用户的历史银行数据中包含风险承受能力信息，且包含历史理财产品购买信息时，从历史理财产品购买信息中获取待推进用户的历史购买理财产品信息；根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，将第一理财产品信息输入到预先训练的关联性确定模型，得到与第一理财产品信息相关的第二理财产品信息；根据第二理财产品信息得到第二理财产品推荐列表；根据理财产品关联关系信息，确定与历史购买理财产品信息关联的第三理财产品信息，根据第三理财产品信息得到第三理财产品列表；将第一理财产品推荐列表、第二理财产品列表、以及第三理财产品列表发送给待推荐用户。
在一种可能的实施方式中，还包括：模型训练模块，用于根据存在风险承受能力信息的历史用户的银行数据，生成训练样本；其中，将风险承受能力信息作为训练样本的输出，将历史用户的所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额作为训练样本的样本输入；利用训练样本训练朴素贝叶斯模型，得到训练好的风险承受能力预测模型。
在一种可能的实施方式中，训练样本中的风险承受能力信息包括训练样本对应历史用户的实际风险承受能力类型；模型训练模块，具体用于将训练样本输入到朴素贝叶斯模型中计算每一训练样本被确定为各风险承受能力类型的概率；将每一训练样本对应概率最大的风险承受能力类型确定每一训练样本的预测风险能力承受等级；根据每一训练样本的实际风险承受能力类型、以及预测风险承受能力类型，调整模型参数，得到训练好的风险承受能力预测模型。
在一种可能的实施方式中，关联性确定模型包括：FP-Growth模型；所述装置还包括：第七处理模块，用于将每一历史用户购买的理财产品标识作为一个第一集合；预先配置FP-Growth模型的支持度、置信度；当任一个第一集合中产品标识的个数大于0时，从各第一集合中筛选出产品标识数量大于预设数量的第二集合；确定每一第二集合的实际支持度，将实际支持度大于大于或者等于FP-Growth模型的支持度的第二集合确定为第三集合；确定每一第三集合的实际置信度；将实际置信度大于或者等于FP-Growth模型的置信度的第三集合确定为第四集合；针对每一第四集合，建立该第四集合中的产品标识的关联关系；根据每一第四集合中的产品标识的关联关系，得到理财产品关联关系信息。
本发明实施例还提供一种计算机设备，图5为本发明实施例中计算机设备的示意图，所述计算机设备500包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现上述产品推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述产品推荐方法。
本发明实施例还提供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，所述计算机程序被处理器执行时实现上述产品推荐方法。
本发明实施例中，获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；根据第二理财产品信息得到第二理财产品推荐列表；将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。这样，能够提高获取用户风险承受能力信息的效率，进而根据用户的风险能力承受信息为用户准确的确定多种多样的理财产品，提高理财产品的推荐效率、以及推荐准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：
获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
根据第二理财产品信息得到第二理财产品推荐列表；
将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
2.如权利要求1所述的产品推荐方法，其特征在于，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据，包括：
根据预设的映射规则，将从待推荐用户的历史银行数据中提取的所在地信息、年龄信息、性别信息、银行业务交易次数、以及交易金额，映射为独热编码数值，针对缺失的数据，进行缺失值处理，得到第一特征数据；
其中，缺失值处理包括：采用预设数据填充、或者采用每种信息中的相邻数据填充、或者采用每种信息中的平均数据进行填充至少一种。
3.如权利要求1所述的产品推荐方法，其特征在于，还包括：
在待推荐用户的历史银行数据中包含风险承受能力信息但不包含历史理财产品购买信息时，根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；
根据第二理财产品信息得到第二理财产品推荐列表；
将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
4.如权利要求1所述的产品推荐方法，其特征在于，还包括：
在待推荐用户的历史银行数据中包含风险承受能力信息，且包含历史理财产品购买信息时，从历史理财产品购买信息中获取待推进用户的历史购买理财产品信息；
根据待推荐用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
获取第一理财产品推荐列表中的第一理财产品信息，将第一理财产品信息输入到预先训练的关联性确定模型，得到与第一理财产品信息相关的第二理财产品信息；
根据第二理财产品信息得到第二理财产品推荐列表；
根据理财产品关联关系信息，确定与历史购买理财产品信息关联的第三理财产品信息，根据第三理财产品信息得到第三理财产品列表；
将第一理财产品推荐列表、第二理财产品列表、以及第三理财产品列表发送给待推荐用户。
5.如权利要求1所述的产品推荐方法，其特征在于，还包括：
根据存在风险承受能力信息的历史用户的银行数据，生成训练样本；其中，将风险承受能力信息作为训练样本的输出，将历史用户的所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额作为训练样本的样本输入；
利用训练样本训练朴素贝叶斯模型，得到训练好的风险承受能力预测模型。
6.如权利要求5所述的产品推荐方法，其特征在于，训练样本中的风险承受能力信息包括训练样本对应历史用户的实际风险承受能力类型；
利用训练样本训练朴素贝叶斯模型，得到训练好的风险承受能力预测模型，包括：
将训练样本输入到朴素贝叶斯模型中计算每一训练样本被确定为各风险承受能力类型的概率；
将每一训练样本对应概率最大的风险承受能力类型确定每一训练样本的预测风险能力承受等级；
根据每一训练样本的实际风险承受能力类型、以及预测风险承受能力类型，调整模型参数，得到训练好的风险承受能力预测模型。
7.如权利要求1所述的产品推荐方法，其特征在于，关联性确定模型包括：FP-Growth模型；
所述方法还包括：
将每一历史用户购买的理财产品标识作为一个第一集合；
预先配置FP-Growth模型的支持度、置信度；
当任一个第一集合中产品标识的个数大于0时，从各第一集合中筛选出产品标识数量大于预设数量的第二集合；
确定每一第二集合的实际支持度，将实际支持度大于大于或者等于FP-Growth模型的支持度的第二集合确定为第三集合；
确定每一第三集合的实际置信度；将实际置信度大于或者等于FP-Growth模型的置信度的第三集合确定为第四集合；
针对每一第四集合，建立该第四集合中的产品标识的关联关系；
根据每一第四集合中的产品标识的关联关系，得到理财产品关联关系信息。
8.一种产品推荐装置，其特征在于，包括：
数据获取模块，用于获取待推荐用户的历史银行数据，在待推荐用户的历史银行数据中不包含风险承受能力信息时，从待推荐用户的历史银行数据中提取所在地信息、年龄信息、性别信息、职业信息、银行业务交易次数、以及每一银行交易的交易金额，生成第一特征数据；
第一处理模块，用于将第一特征数据输入到预先训练的风险承受能力预测模型，得到待推荐用户的风险承受能力信息；其中，风险承受能力预测模型为根据历史用户的风险承受能力信息、以及历史用户的第一特征数据训练得到；
第二处理模块，用于根据用户的风险承受能力信息、以及每一风险等级对应的理财产品，为待推荐用户确定第一理财产品推荐列表；
第三处理模块，用于获取第一理财产品推荐列表中的第一理财产品信息，根据理财产品关联关系信息，确定与第一理财产品信息相关的第二理财产品信息；其中，理财产品关联关系信息为预先根据历史用户的理财产品购买信息和关联性确定模型得到；
第四处理模块，用于根据第二理财产品信息得到第二理财产品推荐列表；
产品推荐模块，用于将第一理财产品推荐列表、以及第二理财产品列表发送给待推荐用户。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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7任一所述方法。
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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
CN202310780455.9A 2023-06-28 2023-06-28 产品推荐方法及装置 Pending CN116757783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310780455.9A CN116757783A (zh) 2023-06-28 2023-06-28 产品推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310780455.9A CN116757783A (zh) 2023-06-28 2023-06-28 产品推荐方法及装置

Publications (1)

Publication Number Publication Date
CN116757783A true CN116757783A (zh) 2023-09-15

Family

ID=87951223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310780455.9A Pending CN116757783A (zh) 2023-06-28 2023-06-28 产品推荐方法及装置

Country Status (1)

Country Link
CN (1) CN116757783A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952619A (zh) * 2024-03-26 2024-04-30 南京赛融信息技术有限公司 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952619A (zh) * 2024-03-26 2024-04-30 南京赛融信息技术有限公司 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质
CN117952619B (zh) * 2024-03-26 2024-06-07 南京赛融信息技术有限公司 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质

Similar Documents

Publication Publication Date Title
CN108833458B (zh) 一种应用推荐方法、装置、介质及设备
CN111275491B (zh) 一种数据处理方法及装置
JP6937330B2 (ja) 機械学習モデル圧縮システム、機械学習モデル圧縮方法及びプログラム
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
WO2012145616A2 (en) Predictive modeling
CN106407364B (zh) 一种基于人工智能的信息推荐方法和装置
CN114898156B (zh) 基于跨模态语义表征学习和融合的图像分类方法及系统
CN116757783A (zh) 产品推荐方法及装置
CN112149699A (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
US20220207304A1 (en) Robustness setting device, robustness setting method, storage medium storing robustness setting program, robustness evaluation device, robustness evaluation method, storage medium storing robustness evaluation program, computation device, and storage medium storing program
CN113256335A (zh) 数据筛选方法、多媒体数据的投放效果预测方法及装置
CN114090401B (zh) 处理用户行为序列的方法及装置
CN114782201A (zh) 股票推荐方法、装置、计算机设备和存储介质
CN110717537B (zh) 训练用户分类模型、执行用户分类预测的方法及装置
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN116862078A (zh) 一种换电套餐用户逾期的预测方法、系统、装置及介质
CN116933077A (zh) 装备制胜机理挖掘方法、装置、电子设备及存储介质
JP2005222445A (ja) データマイニングにおける情報処理方法及び解析装置
CN116257885A (zh) 基于联邦学习的隐私数据通信方法、系统和计算机设备
CN113902303B (zh) 基于用户满意度的隐私模型自动推荐系统、算法、设备及存储介质
CN115186179A (zh) 保险产品推送方法和装置
CN117194966A (zh) 对象分类模型的训练方法和相关装置
CN114170000A (zh) 信用卡用户风险类别识别方法、装置、计算机设备和介质
CN111400512A (zh) 一种筛选多媒体资源的方法及装置
CN110866195A (zh) 文本描述的生成方法、装置、电子设备及存储介质

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