CN116862613A - 产品推荐方法、装置、存储介质及电子设备 - Google Patents
产品推荐方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116862613A CN116862613A CN202310832232.2A CN202310832232A CN116862613A CN 116862613 A CN116862613 A CN 116862613A CN 202310832232 A CN202310832232 A CN 202310832232A CN 116862613 A CN116862613 A CN 116862613A
- Authority
- CN
- China
- Prior art keywords
- target
- purchasing power
- financial product
- purchase
- financial
- 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 58
- 238000011156 evaluation Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种产品推荐方法、装置、存储介质及电子设备。涉及人工智能领域,该方法包括:获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户。通过本申请,解决了相关技术中向目标用户推荐的理财产品不精准的问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种产品推荐方法、装置、存储介质及电子设备。
背景技术
相关技术中,神经网络的发展为机器学习和人工智能领域带来了显著突破。复杂的网络结构层出不穷,在计算机视觉和自然语言处理领域获得了极大的进步。机器学习模型除了模型的预测表现,模型透明度和可解释性也是机器学习模型的预测结果是否精确的重要考核标准。
相关技术中,在理财产品推荐方面,采用结构相对简单的推荐模型例如:线性模型、逻辑回归、决策树等,这些模型的解释性较好,但在处理高维数据时预测精度相对较低。而使用结构复杂的模型例如:核方法、随机森林、梯度推进机、深度神经网络等,这些模型的预测精度相对较高,但这些模型如同黑盒一样解释性较差,造成银行客户经理在选择推荐理财产品的目标客户时缺乏充分推荐理由,导致客户购买客户经理推荐的理财产品的成功率较低。
针对相关技术中向目标用户推荐的理财产品不精准的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种产品推荐方法、装置、存储介质及电子设备,以解决相关技术中向目标用户推荐的理财产品不精准的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种产品推荐方法。该方法包括:获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户。
可选地,在确定购买力评估值所属购买力区间之前,该方法还包括:对于每个理财产品,获取预设周期内购买理财产品的所有用户的购买力评估值,得到一组购买力评估值;计算一组购买力评估值的均值,得到理财产品的平均购买力;对所有理财产品的平均购买力按照从大到小的顺序进行排序,得到目标序列;计算目标序列中的最大平均购买力和最小平均购买力的差值,基于差值、最大平均购买力和最小平均购买力确定N个购买力区间,其中,N为正整数;将目标平均购买力对应的理财产品确定为购买力区间关联的理财产品,其中,目标平均购买力是购买力区间包含的平均购买力。
可选地,基于差值、最大平均购买力和最小平均购买力确定N个购买力区间包括:计算差值与N的比值,得到区间长度;将最大平均购买力和最小平均购买力之间的区间每隔区间长度确定为一个购买力区间,得到N个购买力区间。
可选地,计算每个理财产品的购买率包括:确定预设周期内向用户推荐理财产品的第一用户数量,并确定购买理财产品的第二用户数量;计算第二用户数量与第一用户数量的比值,得到理财产品的购买率。
可选地,目标模型由以下方式得到:获取数据库中所有用户的历史用户数据和历史购买力评估值;将每个用户的历史用户数据和与历史用户数据对应的历史购买力评估值确定为一组训练样本,得到多组训练样本;通过多组训练样本训练神经网络模型,得到目标模型。
可选地,在将目标理财产品推荐给目标用户之后,该方法还包括:判断目标用户是否购买目标理财产品;在目标用户购买目标理财产品的情况下,更新目标理财产品的购买率;在目标用户未购买目标理财产品的情况下,将购买力区间关联的其他理财产品推荐给目标用户,其中,其他理财产品是购买力区间关联的多个理财产品中除目标理财产品以外的理财产品;在目标用户购买其他理财产品的情况下,更新目标理财产品和其他理财产品的购买率。
可选地,在新增理财产品的情况下,该方法还包括:确定新增理财产品的出售价值,并确定与出售价值相同的历史理财产品;将历史理财产品关联的购买力区间确定为新增理财产品关联的购买力区间。
为了实现上述目的,根据本申请的另一方面,提供了一种产品推荐装置。该装置包括:获取单元,用于获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定单元,用于确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算单元,用于计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;推荐单元,用于将目标理财产品推荐给目标用户。
通过本申请,采用以下步骤:获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户,解决了相关技术中向目标用户推荐的理财产品不精准的问题。通过将目标用户的用户数据输入目标模型得到购买力评估值,基于购买力评估值确定推荐给目标用户的目标理财产品,进而达到了向用户精准推荐理财产品的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的产品推荐方法的流程图;
图2是根据本申请实施例提供的购买力区间的确定方法的流程图;
图3是根据本申请实施例提供的产品推荐装置的示意图;
图4是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的产品推荐方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值。
具体地,目标用户可以为在金融机构购买理财产品的用户,用户数据可以为用户在金融机构的存款余额、用户信用等级、用户的历史理财产品购买记录等,目标模型可以为GAM*NN,GAM*NN是指广义相加模型(Generalized Additive Model,GAM)和神经网络模型(Neural Network,NN)的组合模型,购买力评估值可以为预测目标用户用于购买理财产品的金额,通过训练目标模型来基于目标用户输入的用户数据自动得到目标用户的购买力评估值。
步骤S102,确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品。
具体地,购买力区间是基于金融机构中曾经购买不同的理财产品的用户的购买力评估值设置的。例如,A理财产品的历史购买记录中多个用户的购买力评估值的平均值为10万元,B理财产品的历史购买记录中多个用户的购买力评估值的平均值为15万元,C理财产品的历史购买记录中多个用户的购买力评估值的平均值为20万元。设置购买力区间为5-10万为第一购买力区间,10-20万为第二购买力区间。则与第一购买力区间关联的理财产品为A理财产品,与第二购买力区间关联的理财产品为B理财产品和C理财产品。基于目标模型输出的购买力评估值确定目标用户所属的购买力区间,然后确定购买力区间关联的多个理财产品。
步骤S103,计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品。
具体地,购买率可以为金融机构在推荐理财产品的所有用户中购买理财产品的比例,计算购买力区间关联的多个理财产品中每个理财产品的购买率,得到一组购买率,然后将一组购买率中最大购买率对应的理财产品确定为最适合推荐给目标用户的目标理财产品。
步骤S104,将目标理财产品推荐给目标用户。
具体地,确定目标理财产品后,将目标理财产品推荐给目标用户,例如将目标理财产品通过金融机构的应用程序推送到目标用户的手机页面,目标用户每次打开金融机构的应用程序既可以看到被推荐的目标理财产品。
本申请实施例提供的产品推荐方法,通过获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户,解决了相关技术中向目标用户推荐的理财产品不精准的问题。通过将目标用户的用户数据输入目标模型得到购买力评估值,基于购买力评估值确定推荐给目标用户的目标理财产品,进而达到了向用户精准推荐理财产品的效果。
基于每个理财产品的平均购买力确定购买力区间,图2是根据本申请实施例提供的购买力区间的确定方法的流程图,如图2所示,可选地,在本申请实施例提供的产品推荐方法中,在确定购买力评估值所属购买力区间之前,该方法还包括:步骤S201,对于每个理财产品,获取预设周期内购买理财产品的所有用户的购买力评估值,得到一组购买力评估值;步骤S202,计算一组购买力评估值的均值,得到理财产品的平均购买力;步骤S203,对所有理财产品的平均购买力按照从大到小的顺序进行排序,得到目标序列;步骤S204,计算目标序列中的最大平均购买力和最小平均购买力的差值,基于差值、最大平均购买力和最小平均购买力确定N个购买力区间,其中,N为正整数;步骤S205,将目标平均购买力对应的理财产品确定为购买力区间关联的理财产品,其中,目标平均购买力是购买力区间包含的平均购买力。
具体地,预设周期可以为一年,通过计算每种理财产品过去一年的购买记录中所有购买该种理财产品的用户的购买力评估值的均值,作为该种理财产品的平均购买力,用来象征若用户购买该种理财产品其购买力评估值需要与该种理财产品的平均购买力接近,也即用户的购买力评估值在哪个购买力区间,就有可能会购买该购买力区间中包含的平均购买力对应的理财产品。购买力区间通过金融机构的所有理财产品的平均购买力来确定,首先将所有理财产品的平均购买力按照从大到小的顺序进行排序,得到目标序列,然后确定目标序列中的最大平均购买力和最小平均购买力,并将最小平均购买力作为第一个平均购买力的起点,将最大平均购买力作为最后一个购买力区间的终点。购买力区间的个数N可以根据人为意愿随机调整。通过确定购买力区间和每个购买力区间关联的理财产品从而为目标用户提供待推荐理财产品的选择区间。
例如,对购买过理财产品的往期客户的用户数据进行处理,对过去1年内有购买过理财产品的客户数据进行筛分,筛分包括推荐过目标理财产品的客户数量、成功购买理财产品的客户数量、未购买理财产品的客户经济情况(也即购买力评估值)以及购买理财产品客户经济情况,将上述数据做标准化处理,标准化处理包括将推荐过理财产品的客户数量数据确定为A1,成功购买理财产品的客户数量数据确定为B1,未购买理财产品客户经济数额平均值数据(也即平均购买力)确定为C1,购买理财产品客户经济数额平均值数据确定为D1。根据上述步骤可以将金融机构所有的理财产品的数据进行筛分以及标准化处理,假设金融机构的理财产品的数量为m,因此推荐过理财产品的客户数量数据为A1-Am,购买理财产品的客户数量数据为B1-Bm,未购买理财产品客户经济数额平均值数据为C1-Cm,购买理财产品客户经济数额平均值数据为D1-Dm。
可选地,在本申请实施例提供的产品推荐方法中,基于差值、最大平均购买力和最小平均购买力确定N个购买力区间包括:计算差值与N的比值,得到区间长度;将最大平均购买力和最小平均购买力之间的区间每隔区间长度确定为一个购买力区间,得到N个购买力区间。
例如,最大平均购买力为100万,最小平均购买力为10万,区间长度设置为10万,则N为9,设置的购买力区间为【10万-20万】、【20万-30万】、【30万-40万】、【40万-50万】、【50万-60万】、【60万-70万】、【70万-80万】、【80万-90万】和【90万-100万】。通过确定每个购买力区间来对每个购买力区间关联多个理财产品。
理财产品的购买率通过理财产品的用户推荐数量和购买数量来计算,可选地,在本申请实施例提供的产品推荐方法中,计算每个理财产品的购买率包括:确定预设周期内向用户推荐理财产品的第一用户数量,并确定购买理财产品的第二用户数量;计算第二用户数量与第一用户数量的比值,得到理财产品的购买率。
具体地,预设周期可以为一年,每个理财产品的购买率S的计算公式为:购买率S=购买理财产品的客户数量/推荐过理财产品的客户数量,购买理财产品的客户数量也即第一用户数量,推荐过理财产品的客户数量也即第二用户数量,所有理财产品的购买率为S1-Sm。通过计算每个理财产品的购买率来为目标用户推荐目标用户最有可能购买的目标理财产品。
可选地,在本申请实施例提供的产品推荐方法中,目标模型由以下方式得到:获取数据库中所有用户的历史用户数据和历史购买力评估值;将每个用户的历史用户数据和与历史用户数据对应的历史购买力评估值确定为一组训练样本,得到多组训练样本;通过多组训练样本训练神经网络模型,得到目标模型。
具体地,目标模型可以为GAM*NN模型,通过将不同权重系数值,输入GAM*NN模型进行训练,得到理财产品的嵌入模型,根据输入嵌入模型的用户的不同类型的特征值,也即不同类型的用户数据,通过多组训练样本训练神经网络模型,得到基于不同类型的用户数据自动预测出目标用户的购买力评估值的目标模型。通过训练目标模型得到目标用户的购买力评估值。
需要说明的是,GAM是一种非线性回归模型,它通过将预测变量分解为多个非线性组件的总和来建模响应变量。每个非线性组件可以使用不同的函数来建模,例如平滑样条函数或多项式函数。GAM模型可以用于解决回归问题,其中响应变量是连续的。NN是一种基于神经元和神经连接的模型,它模拟了人类神经系统的工作原理。NN模型由多个层次组成,每一层都有多个神经元,并通过学习权重来调整神经元之间的连接强度。NN模型可以用于解决分类问题和回归问题。GAM*NN模型将GAM和NN两种模型结合在一起,以充分利用它们各自的优势。在GAM*NN模型中,GAM用于建模预测变量与响应变量之间的非线性关系,而NN用于建模预测变量之间的复杂交互作用。通过结合GAM和NN,GAM*NN模型可以更好地捕捉到数据中的非线性关系和交互效应,从而提高建模的准确性和预测能力。
理财产品的购买率根据用户的购买情况实时更新,可选地,在本申请实施例提供的产品推荐方法中,在将目标理财产品推荐给目标用户之后,该方法还包括:判断目标用户是否购买目标理财产品;在目标用户购买目标理财产品的情况下,更新目标理财产品的购买率;在目标用户未购买目标理财产品的情况下,将购买力区间关联的其他理财产品推荐给目标用户,其中,其他理财产品是购买力区间关联的多个理财产品中除目标理财产品以外的理财产品;在目标用户购买其他理财产品的情况下,更新目标理财产品和其他理财产品的购买率。
具体地,在将目标理财产品推荐给目标用户后,若目标用户购买了目标理财产品,则需要更新目标理财产品的购买率,若目标用户未购买目标理财产品,则将目标用户的购买力评估值所在购买力区间关联的其他理财产品推荐给目标用户,若购买力区间中不存在其他理财产品则仅更新目标理财产品的购买率,若购买力区间中存在其他理财产品且目标用户购买其他理财产品,则更新目标理财产品和其他理财产品的购买率。通过更新理财产品的购买率保障推荐给目标用户的目标理财产品的准确性。
可选地,在本申请实施例提供的产品推荐方法中,在新增理财产品的情况下,该方法还包括:确定新增理财产品的出售价值,并确定与出售价值相同的历史理财产品;将历史理财产品关联的购买力区间确定为新增理财产品关联的购买力区间。
具体地,若金融机构存在新增的理财产品,则根据新增理财产品的出售价值从相同售价的历史理财产品关联的购买力区间确定新增理财产品关联的购买力区间。在新增理财产品存在购买记录的情况下,通过新增的购买记录来确定新增理财产品的购买率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种产品推荐装置,需要说明的是,本申请实施例的产品推荐装置可以用于执行本申请实施例所提供的用于产品推荐方法。以下对本申请实施例提供的产品推荐装置进行介绍。
图3是根据本申请实施例提供的产品推荐装置的示意图。如图3所示,该装置包括:
第一获取单元10,用于获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;
第一确定单元20,用于确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;
第一计算单元30,用于计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;
推荐单元40,用于将目标理财产品推荐给目标用户。
本申请实施例提供的产品推荐装置,通过第一获取单元10,获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;第一确定单元20,确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;第一计算单元30,计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;推荐单元40,将目标理财产品推荐给目标用户,解决了相关技术中向目标用户推荐的理财产品不精准的问题,通过将目标用户的用户数据输入目标模型得到购买力评估值,基于购买力评估值确定推荐给目标用户的目标理财产品,进而达到了向用户精准推荐理财产品的效果。
可选地,在本申请实施例提供的产品推荐装置中,该装置还包括:第二获取单元,用于对于每个理财产品,获取预设周期内购买理财产品的所有用户的购买力评估值,得到一组购买力评估值;第二计算单元,用于计算一组购买力评估值的均值,得到理财产品的平均购买力;排序单元,用于对所有理财产品的平均购买力按照从大到小的顺序进行排序,得到目标序列;第三计算单元,用于计算目标序列中的最大平均购买力和最小平均购买力的差值,基于差值、最大平均购买力和最小平均购买力确定N个购买力区间,其中,N为正整数;第二确定单元,用于将目标平均购买力对应的理财产品确定为购买力区间关联的理财产品,其中,目标平均购买力是购买力区间包含的平均购买力。
可选地,在本申请实施例提供的产品推荐装置中,第三计算单元包括:第一计算模块,用于计算差值与N的比值,得到区间长度;第一确定模块,用于将最大平均购买力和最小平均购买力之间的区间每隔区间长度确定为一个购买力区间,得到N个购买力区间。
可选地,在本申请实施例提供的产品推荐装置中,第一计算单元30包括:第二确定模块,用于确定预设周期内向用户推荐理财产品的第一用户数量,并确定购买理财产品的第二用户数量;第二计算模块,用于计算第二用户数量与第一用户数量的比值,得到理财产品的购买率。
可选地,在本申请实施例提供的产品推荐装置中,目标模型由以下方式得到:获取数据库中所有用户的历史用户数据和历史购买力评估值;将每个用户的历史用户数据和与历史用户数据对应的历史购买力评估值确定为一组训练样本,得到多组训练样本;通过多组训练样本训练神经网络模型,得到目标模型。
可选地,在本申请实施例提供的产品推荐装置中,该装置还包括:判断单元,用于判断目标用户是否购买目标理财产品;第一更新单元,用于在目标用户购买目标理财产品的情况下,更新目标理财产品的购买率;产品推荐单元,用于在目标用户未购买目标理财产品的情况下,将购买力区间关联的其他理财产品推荐给目标用户,其中,其他理财产品是购买力区间关联的多个理财产品中除目标理财产品以外的理财产品;第二更新单元,用于在目标用户购买其他理财产品的情况下,更新目标理财产品和其他理财产品的购买率。
可选地,在本申请实施例提供的产品推荐装置中,该装置还包括:第三确定单元,用于确定新增理财产品的出售价值,并确定与出售价值相同的历史理财产品;第四确定单元,用于将历史理财产品关联的购买力区间确定为新增理财产品关联的购买力区间。
产品推荐装置包括处理器和存储器,上述第一获取单元10、第一确定单元20、第一计算单元30和推荐单元40等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来向用户精准推荐理财产品。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现产品推荐方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行产品推荐方法。
图4是根据本申请实施例提供的电子设备的示意图。如图4所示,电子设备401包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标用户的用户数据,并将用户数据输入目标模型,得到目标用户的购买力评估值,其中,目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与历史用户数据对应的历史购买力评估值;确定购买力评估值所属购买力区间,并确定与购买力区间关联的多个理财产品;计算每个理财产品的购买率,得到一组购买率,并将一组购买率中的最大购买率对应的理财产品确定为目标理财产品;将目标理财产品推荐给目标用户。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
获取目标用户的用户数据,并将所述用户数据输入目标模型,得到所述目标用户的购买力评估值,其中,所述目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与所述历史用户数据对应的历史购买力评估值;
确定所述购买力评估值所属购买力区间,并确定与所述购买力区间关联的多个理财产品;
计算每个理财产品的购买率,得到一组购买率,并将所述一组购买率中的最大购买率对应的理财产品确定为目标理财产品;
将所述目标理财产品推荐给所述目标用户。
2.根据权利要求1所述的方法,其特征在于,在确定所述购买力评估值所属购买力区间之前,所述方法还包括:
对于每个理财产品,获取预设周期内购买所述理财产品的所有用户的购买力评估值,得到一组购买力评估值;
计算所述一组购买力评估值的均值,得到所述理财产品的平均购买力;
对所有理财产品的平均购买力按照从大到小的顺序进行排序,得到目标序列;
计算所述目标序列中的最大平均购买力和最小平均购买力的差值,基于所述差值、所述最大平均购买力和所述最小平均购买力确定N个购买力区间,其中,N为正整数;
将目标平均购买力对应的理财产品确定为购买力区间关联的理财产品,其中,所述目标平均购买力是所述购买力区间包含的平均购买力。
3.根据权利要求2所述的方法,其特征在于,基于所述差值、所述最大平均购买力和所述最小平均购买力确定N个购买力区间包括:
计算所述差值与N的比值,得到区间长度;
将所述最大平均购买力和所述最小平均购买力之间的区间每隔所述区间长度确定为一个购买力区间,得到N个购买力区间。
4.根据权利要求1所述的方法,其特征在于,计算每个理财产品的购买率包括:
确定预设周期内向用户推荐理财产品的第一用户数量,并确定购买所述理财产品的第二用户数量;
计算所述第二用户数量与所述第一用户数量的比值,得到所述理财产品的购买率。
5.根据权利要求1所述的方法,其特征在于,所述目标模型由以下方式得到:
获取数据库中所有用户的历史用户数据和历史购买力评估值;
将每个用户的所述历史用户数据和与所述历史用户数据对应的历史购买力评估值确定为一组训练样本,得到多组训练样本;
通过所述多组训练样本训练神经网络模型,得到所述目标模型。
6.根据权利要求1所述的方法,其特征在于,在将所述目标理财产品推荐给所述目标用户之后,所述方法还包括:
判断所述目标用户是否购买所述目标理财产品;
在所述目标用户购买所述目标理财产品的情况下,更新所述目标理财产品的购买率;
在所述目标用户未购买所述目标理财产品的情况下,将所述购买力区间关联的其他理财产品推荐给所述目标用户,其中,所述其他理财产品是所述购买力区间关联的多个理财产品中除所述目标理财产品以外的理财产品;
在所述目标用户购买所述其他理财产品的情况下,更新所述目标理财产品和所述其他理财产品的购买率。
7.根据权利要求1所述的方法,其特征在于,在新增理财产品的情况下,所述方法还包括:
确定新增理财产品的出售价值,并确定与所述出售价值相同的历史理财产品;
将所述历史理财产品关联的购买力区间确定为所述新增理财产品关联的购买力区间。
8.一种产品推荐装置,其特征在于,包括:
获取单元,用于获取目标用户的用户数据,并将所述用户数据输入目标模型,得到所述目标用户的购买力评估值,其中,所述目标模型由多组训练样本训练得到,每组训练样本中包括历史用户数据和与所述历史用户数据对应的历史购买力评估值;
确定单元,用于确定所述购买力评估值所属购买力区间,并确定与所述购买力区间关联的多个理财产品;
计算单元,用于计算每个理财产品的购买率,得到一组购买率,并将所述一组购买率中的最大购买率对应的理财产品确定为目标理财产品;
推荐单元,用于将所述目标理财产品推荐给所述目标用户。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制所述非易失性存储介质所在的设备执行权利要求1至7中任意一项所述的产品推荐方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述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,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832232.2A CN116862613A (zh) | 2023-07-06 | 2023-07-06 | 产品推荐方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832232.2A CN116862613A (zh) | 2023-07-06 | 2023-07-06 | 产品推荐方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862613A true CN116862613A (zh) | 2023-10-10 |
Family
ID=88218695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310832232.2A Pending CN116862613A (zh) | 2023-07-06 | 2023-07-06 | 产品推荐方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862613A (zh) |
-
2023
- 2023-07-06 CN CN202310832232.2A patent/CN116862613A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及系统 | |
CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
CN118154326A (zh) | 目标金融产品的筛选方法、装置、存储介质和电子设备 | |
Jiang et al. | Market effects on forecasting construction prices using vector error correction models | |
CN116883179A (zh) | 金融产品投资策略的确定方法、装置、处理器及电子设备 | |
Ferencek et al. | Deep learning predictive models for terminal call rate prediction during the warranty period | |
CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
CN116862613A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
CN108241643A (zh) | 关键词的指标数据分析方法及装置 | |
CN114049202A (zh) | 操作风险识别方法、装置、存储介质及电子设备 | |
CN112150276A (zh) | 一种机器学习模型的训练方法、使用方法、装置和设备 | |
CN116800831B (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
Canela et al. | Out-of-sample validation | |
Hardjono et al. | Implementation of Data Mining for Churn Prediction in Music Streaming Company Using 2020 Dataset | |
CN116485446A (zh) | 业务数据的处理方法、装置、处理器以及电子设备 | |
CN116485537A (zh) | 金融产品的选择方法、装置、处理器以及电子设备 | |
Meenakshisundaram et al. | Forecasting: Bayesian Inference Using Markov Chain Monte Carlo Simulation | |
CN117726403A (zh) | 产品的推荐方法及装置、存储介质和电子设备 | |
CN118297736A (zh) | 资金信息的处理方法及装置、存储介质和电子设备 | |
CN115797077A (zh) | 理财产品的处理方法及装置、处理器和电子设备 | |
CN118365387A (zh) | 广告投放效果的评估方法、装置、存储介质及电子设备 | |
CN116226740A (zh) | 客户维护方法、装置、处理器及电子设备 |
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 |