CN117033765A - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117033765A CN117033765A CN202310762223.0A CN202310762223A CN117033765A CN 117033765 A CN117033765 A CN 117033765A CN 202310762223 A CN202310762223 A CN 202310762223A CN 117033765 A CN117033765 A CN 117033765A
- Authority
- CN
- China
- Prior art keywords
- target
- service
- objects
- business
- 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 47
- 238000004590 computer program Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 57
- 238000013145 classification model Methods 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance 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
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种业务推荐方法、装置、计算机设备、存储介质和计算机程序产品。本方法可用于金融领域或其他领域,可用于对银行网点的客户进行业务推荐,方法包括:基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合;对象集合中每个对象的行为信息一致;从各对象集合中确定目标对象所属的目标对象集合;基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐。采用本方法能够提高网点业务推荐的准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种业务推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网技术的发展,银行网点不断推出新的业务产品,为了提升银行网点的绩效,需要针对银行网点的客户进行业务产品的推荐。
传统技术中,通常是根据业务产品的热门程度为客户进行业务产品的推荐。
然而,根据业务产品的热门程度为客户进行业务产品推荐,并不一定符合客户的实际需求,导致网点业务推荐的准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高网点业务推荐的准确度的业务推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种业务推荐方法。所述方法包括:基于多个对象分别针对多个预设银行网点业务的行为信息,对所述多个对象进行分类得到多个对象集合;所述对象集合中每个对象的行为信息一致;从各所述对象集合中确定目标对象所属的目标对象集合;基于所述目标对象集合中的各对象对应的推荐业务产品,向所述目标对象进行业务推荐。
第二方面,本申请还提供了一种业务推荐装置。所述装置包括:对象分类模块,用于基于多个对象分别针对多个预设银行网点业务的行为信息,对所述多个对象进行分类得到多个对象集合;所述对象集合中每个对象的行为信息一致;集合确定模块,用于从各所述对象集合中确定目标对象所属的目标对象集合;推荐模块,用于基于所述目标对象集合中的各对象对应的推荐业务产品,向所述目标对象进行业务推荐。
在一些实施例中,所述对象分类模块还用于:针对所述多个对象中的每个对象,基于所述对象在多个预设银行网点业务上的资源转移量,生成所述对象的行为信息;根据所述多个对象各自的行为信息对所述多个对象进行分类,得到多个对象集合;所述对象集合中每个对象在同一预设银行网点业务上的资源转移量一致。
在一些实施例中,所述集合确定模块还用于:对所述目标对象的对象属性信息进行特征提取,得到所述目标对象的对象特征;针对每个所述对象集合,对所述对象集合中的各对象的对象特征进行统计,得到所述对象集合的集合特征;确定所述目标对象的对象特征与每个所述对象集合的集合特征之间的特征相似度;基于所述特征相似度从各所述对象集合中确定所述目标对象所属的对象集合。
在一些实施例中,所述对象集合对应有对象集合标识,所述目标对象集合是基于已训练的对象分类模型确定的;所述业务推荐装置还包括模型训练模块,所述模型训练模块用于:从所述多个对象中确定样本对象,并确定所述样本对象的对象特征;将所述样本对象的对象特征输入待训练的对象分类模型中,输出所述样本对象的预测集合标识;基于所述预测集合标识与所述样本对象所属的对象集合的对象集合标识,对所述待训练的对象分类预测模型进行调整,得到已训练的对象分类模型。
在一些实施例中,所述推荐模块还用于:从所述多个预设银行网点业务中确定目标银行网点业务;针对所述目标对象集合中的每个对象,确定所述对象在所述目标银行网点业务的多个业务产品中选择的推荐业务产品;对所述目标对象集合中的各对象对应的推荐业务产品的出现次数进行统计,根据各所述推荐业务产品的出现次数向所述目标对象进行业务推荐。
在一些实施例中,所述推荐模块还用于:对所述目标对象集合中的各对象对应的推荐业务产品的业务产品信息进行分析,得到所述目标对象集合中的各对象针对所述目标银行网点业务的业务办理风格;从所述目标银行网点业务的多个业务产品中确定与所述业务办理风格匹配的目标业务产品,根据所述目标业务产品向所述目标对象进行业务推荐。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述业务推荐方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述业务推荐方法中的步骤。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现上述业务推荐方法中的步骤。
上述业务推荐方法、装置、计算机设备、存储介质和计算机程序产品,通过基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合,由于对象集合中每个对象的行为信息一致,从各对象集合中确定目标对象所属的目标对象集合,基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐,能够为目标客户精准推荐合适的业务产品,从而提高了网点业务推荐的准确度。
附图说明
图1为一个实施例中业务推荐方法的应用环境图;
图2为一个实施例中业务推荐方法的流程示意图;
图3为另一个实施例中业务推荐方法的流程示意图;
图4为一个实施例中业务推荐装置的结构框图;
图5为一个实施例中计算机设备的内部结构图;
图6为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的业务推荐方法,可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104,终端102可以是目标银行的银行网点的智能柜台终端,服务器104可以是目标银行的后台服务器。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体地,服务器104基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合;对象集合中每个对象的行为信息一致;终端102向服务器104发送针对目标对象的业务推荐请求,服务器104响应于业务推荐请求,从各对象集合中确定目标对象所属的目标对象集合,然后基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐,例如,可以确定目标对象在各预设银行网点业务分别对应的目标业务产品,并将各目标业务产品返回终端102。终端102接收服务器返回的各目标业务产品,展示目标业务产品,从而为目标对象在银行网点办理业务提供参考意见。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分场景,并不构成对本申请方案应用环境的限定。
在一些实施例中,如图2所示,提供了一种业务推荐方法,该方法可以由终端或服务器执行,还可以由终端和服务器共同执行,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合;对象集合中每个对象的行为信息一致。
其中,对象可以是目标银行的客户,多个对象可以是从目标银行的所有客户中确定的。目标银行的银行网点对应有多个预设银行网点业务,预设银行网点业务包括贷款、转账、存款、理财或债券等中的至少一个,每个预设银行网点业务可以包括多个业务产品,比如,存款业务可以包括:存款产品A,期限1年,利息xx;存款产品A,期限3年,利息yy。对象的行为信息是基于对象在目标银行的业务办理记录确定的,业务办理记录是指对象在目标银行办理过的业务产品的相关信息,业务办理记录包括线上业务办理记录和线下业务办理记录,比如,业务产品的名称、业务产品的业务类型,业务产品对应的资源转移量,资源转移量可以是交易金额。例如,对象的行为信息可以表示为:贷款,20万;转账,1万;存款5万;理财,0万;债券0万。每个对象集合中的各对象的行为信息一致,对象集合也可以称为对象簇或对象群体。例如,同一对象结合中的各对象的行为信息中,同一预设银行网点业务的资源转移量属于同一范围,比如:贷款,20-30万;转账,0-10万;存款0-10万;理财,0-10万;债券0-10万。
具体地,服务器可以获取多个对象在目标银行的业务办理记录,针对多个对象中的每个对象,根据对象的业务办理记录确定对象针对多个预设银行网点业务的行为信息,例如,可以从对象的业务办理记录中获取对象在各预设银行网点业务上的资源转移量,得到对象的行为信息。服务器可以利用多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行聚类处理,得到多个对象集合。
步骤204,从各对象集合中确定目标对象所属的目标对象集合。
其中,目标对象是在银行网点中待进行业务推荐的对象,目标对象集合是从多个对象集合中确定的目标对象所属的对象集合,即目标对象具有目标对象集合中的各对象所具有的共同特征,例如,可以是目标对象的行为信息与目标对象集合中的各对象的行为信息一致,也可以是目标对象的对象属性信息与目标对象集合中的各对象的对象属性信息一致。对象属性信息是表征对象的个人属性的信息,包括对象的年龄、征信信息、银行流水、消费等级等信息。
具体地,服务器响应于针对目标对象的业务推荐请求,可以获取目标对象的行为信息,根据目标对象的行为信息确定目标对象所属的目标对象集合,例如,可以将目标对象的行为信息输入到已训练的决策树中,输出得到目标对象所属的目标对象集合。其中,已训练的决策树是利用多个对象各自的行为信息以及各对象所属的对象集合进行训练得到的,具有根据行为信息进行对象分类的功能。
在一些实施例中,服务器还可以根据目标对象的对象属性信息确定目标对象所属的目标对象集合。服务器可以获取目标对象的对象属性信息,对目标对象的对象属性信息进行特征提取得到目标对象的对象特征,根据目标对象的对象特征于各对象集合的集合特征之间的特征相似度,从多个对象集合中确定目标对象所属的目标对象集合。其中,对象特征是对对象属性信息进行特征提取得到的,集合特征表征对象集合中的各对象所具有的共同特征。
步骤206,基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐
其中,推荐业务产品是在历史时间段内对象从预设银行网点业务的多个业务产品中选择办理的业务产品,不同预设银行网点业务对应有不同的推荐业务产品。由于对象集合中的各对象的行为信息一致,同一对象集合中的各对象在预设银行网点业务的多个业务产品中,更倾向于选择相同或相似的业务产品进行办理。
具体地,针对目标对象集合中的各对象,服务器可以获取对象在各预设银行网点业务的多个业务产品中所选择的推荐业务产品,并对目标对象集合中的各对象的推荐业务产品进行统计,根据统计结果确定目标对象对应的目标业务产品,例如,可以对各推荐业务产品的出现次数进行统计,将出现次数最多的业务产品确定为目标业务产品。
在一些实施例中,针对每个对象,目标银行可以向对象提供各预设银行网点业务的多个业务产品,服务器可以记录对象从各预设银行网点的多个业务产品中选择的业务产品,得到对象对应的推荐业务产品。
上述业务推荐方法中,通过基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合,由于对象集合中每个对象的行为信息一致,从各对象集合中确定目标对象所属的目标对象集合,基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐,能够为目标客户精准推荐合适的业务产品,从而提高了网点业务推荐的准确度。
在一些实施例中,基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合包括:针对多个对象中的每个对象,基于对象在多个预设银行网点业务上的资源转移量,生成对象的行为信息;根据多个对象各自的行为信息对多个对象进行分类,得到多个对象集合;对象集合中每个对象在同一预设银行网点业务上的资源转移量一致。
其中,资源转移量可以是交易金额。
具体地,服务器可以根据多个对象各自的行为信息对多个对象进行聚类处理,得到多个对象集合。服务器可以首先确定对象集合的数量为预设数量,从多个对象中随机选取预设数量的对象作为聚类中心,针对每个对象,计算对象的行为信息与各聚类中心的行为信息之间的相似度,例如,可以根据对象的行为信息与各聚类中心的行为信息之间的欧式距离确定相似度,将相似度最大的聚类中心所在的对象簇确定为对象所属的对象簇,直到遍历所有对象,将每个对象簇的中心确定为新的聚类中心,返回针对每个对象,计算对象的行为信息与各聚类中心的行为信息之间的相似度的步骤,直到满足迭代停止条件,得到预设数量的对象簇即对象集合。其中,预设数量是预先设置的整数,例如,可以根据多个对象针对各预设银行网点业务的资源转移量的最大值和最小值,确定预设数量。
本实施例中,通过基于对象在多个预设银行网点业务上的资源转移量,生成对象的行为信息,从而根据多个对象各自的行为信息对多个对象进行分类后,所得到的对象集合中每个对象在同一预设银行网点业务上的资源转移量一致,实现了根据业务类型和资源转移量对银行客户进行客户群划分。
在一些实施例中,从各对象集合中确定目标对象所属的目标对象集合包括:对目标对象的对象属性信息进行特征提取,得到目标对象的对象特征;针对每个对象集合,对对象集合中的各对象的对象特征进行统计,得到对象集合的集合特征;确定目标对象的对象特征与每个对象集合的集合特征之间的特征相似度;基于特征相似度从各对象集合中确定目标对象所属的对象集合。
其中,特征相似度表征目标对象的对象特征与对象集合的集合特征之间的相似程度。
具体地,针对每个对象集合,服务器可以确定对象集合中各对象的对象特征,对对象集合中各对象的对象特征进行统计,得到对象集合的集合特征。然后服务器可以确定目标对象的对象特征与各对象集合的集合特征之间的特征相似度,将特征相似度最大的对象集合确定为目标对象所属的目标对象集合。
本实施例中,通过确定目标对象的对象特征与每个对象集合的集合特征之间的特征相似度,基于特征相似度从各对象集合中确定目标对象所属的对象集合,能够准确的确定目标对象所属的目标对象集合,从而根据目标对象集合为目标对象进行业务推荐,提高了网点业务推荐的准确度。
在一些实施例中,对象集合对应有对象集合标识,目标对象集合是基于已训练的对象分类模型确定的;得到已训练的对象分类模型的步骤包括:从多个对象中确定样本对象,并确定样本对象的对象特征;将样本对象的对象特征输入待训练的对象分类模型中,输出样本对象的预测集合标识;基于预测集合标识与样本对象所属的对象集合的对象集合标识,对待训练的对象分类预测模型进行调整,得到已训练的对象分类模型。
其中,对象集合标识用于唯一标识对象集合,可以是汉字、数字或字母中的至少一种组成的字符串,每个对象集合的对象集合标识均不同。对象分类模型可以是深度学习模型,例如,可以是卷积神经网络。样本对象是从多个对象中确定的,用于训练待训练的对象分类模型。预测集合标识是对象分类模型根据输入的对象特征进行预测所输出的。
具体地,服务器还可以将目标对象的对象特征输入到已训练的对象分类模型中,得到目标对象所属的目标对象集合的集合标识。为了得到已训练的对象分类模型,服务器可以从多个对象中随机抽取得到样本对象,对样本对象的对象属性信息进行特征提取,得到样本对象的对象特征,然后将样本对象的对象特征输入到待训练的对象分类模型,输出得到样本对象的预测集合标识,根据预测集合标识与样本对象所属的对象集合的集合标识之间的差异,调整待训练的对象分类模型的模型参数,直到模型收敛,得到已训练的对象分类模型。
本实施例中,通过利用样本对象的对象特征对待训练的对象分类模型进行训练,得到已训练的对象分类模型,从而可以利用已训练的对象分类模型快速的确定目标对象所属的目标对象集合,提高了网点业务推荐的效率。
在一些实施例中,基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐包括:从多个预设银行网点业务中确定目标银行网点业务;针对目标对象集合中的每个对象,确定对象在目标银行网点业务的多个业务产品中选择的推荐业务产品;对目标对象集合中的各对象对应的推荐业务产品的出现次数进行统计,根据各推荐业务产品的出现次数向目标对象进行业务推荐。
其中,目标银行网点业务可以是多个预设银行网点业务中的任意一个或任意多个,例如,在向目标对象推荐理财业务的业务产品的情况下,目标银行网点业务也可是理财业务。
具体地,业务推荐请求中携带有目标银行网点业务标识,服务器可以响应于针对目标对象的业务推荐请求,从业务推荐请求中获取目标银行网点业务标识,根据目标银行网点业务标识从多个预设银行网点业务中确定目标银行网点业务。服务器中存储有多个对象针对各预设银行网点业务的推荐业务产品,可以对目标对象集合中的各对象针对目标银行网点业务的推荐业务产品进行统计,得到各推荐业务产品的出现次数,根据出现次数确定针对目标对象的目标业务产品,例如,可以将出现次数最多的推荐业务产品确定为针对目标对象的目标业务产品,并将目标业务产品返回至发送业务推荐请求的终端。
本实施例中,由于对象集合中的各对象的行为信息一致,因此,属于同一对象集合的各对象倾向于选择相同或相似的业务产品,通过对目标对象集合中的各对象对应的推荐业务产品的出现次数进行统计,根据各推荐业务产品的出现次数,能够更准确的向目标对象进行业务推荐,提高了网点业务推荐的准确度。
在一些实施例中,针对目标对象集合中的每个对象,确定对象在目标银行网点业务的多个业务产品中选择的推荐业务产品的步骤之后,方法还包括:对目标对象集合中的各对象对应的推荐业务产品的业务产品信息进行分析,得到目标对象集合中的各对象针对目标银行网点业务的业务办理风格;从目标银行网点业务的多个业务产品中确定与业务办理风格匹配的目标业务产品,根据目标业务产品向目标对象进行业务推荐。
其中,业务产品信息包括业务产品的产品名称、产品期限、产品收益、风险等级中的至少一个,例如,理财产品的业务产品信息可以包括:理财产品A、持有3个月以上、年化收益为zz、低风险。业务办理风格表征对象针对预设银行网点业务的各业务产品的选择倾向,例如,某个对象集合中的对象针对理财业务的业务办理风格为:持有期限为一年以内、低收益、低风险。
具体地,由于服务器中存储的各对象的推荐业务产品可能不包括目标银行最新推出的业务产品,为了能够向目标对象推荐最新推出的业务产品,服务器还可以获取目标对象集合中的各对象对应的推荐业务产品的业务产品信息,对各推荐业务产品的业务产品信息进行分析,得到目标对象集合中的各对象针对目标银行网点业务的业务办理风格,根据业务办理风格与目标银行网点业务的各业务产品的业务产品信息之间的匹配程度,确定与业务办理风格匹配的目标业务产品,例如,可以是匹配程度大于匹配阈值的业务产品,然后将目标业务产品返回至发送业务推荐请求的终端。
本实施例中,通过确定目标对象集合中的各对象针对目标银行网点业务的业务办理风格,从目标银行网点业务的多个业务产品中确定与业务办理风格匹配的目标业务产品,能够向目标对象推荐目标银行最新推出的、且符合目标对象的实际需求的业务产品,从而提高了网点业务推荐的准确度。
在一些实施例中,如图3所示,提供了一种业务推荐方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤302,基于多个对象中的每个对象,基于对象在多个预设银行网点业务上的资源转移量,生成对象的行为信息。
步骤304,根据多个对象各自的行为信息对多个对象进行聚类处理,得到多个对象集合;对象集合中每个对象在同一预设银行网点业务上的资源转移量一致。
步骤306,对目标对象的对象属性信息进行特征提取,得到目标对象的对象特征。
步骤308,针对每个对象集合,对对象集合中的各对象的对象特征进行统计,得到对象集合的集合特征。
步骤310,确定目标对象的对象特征与每个对象集合的集合特征之间的特征相似度,基于特征相似度从各对象集合中确定目标对象所属的目标对象集合。
步骤312,从多个预设银行网点业务中确定目标银行网点业务,针对目标对象集合中的每个对象,确定对象在目标银行网点业务的多个业务产品中选择的推荐业务产品。
步骤314,对目标对象集合中的各对象对应的推荐业务产品的业务产品信息进行分析,得到目标对象集合中的各对象针对目标银行网点业务的业务办理风格。
步骤316,从目标银行网点业务的多个业务产品中确定与业务办理风格匹配的目标业务产品,根据目标业务产品向目标对象进行业务推荐。
本实施例中,基于对象在多个预设银行网点业务上的资源转移量,生成对象的行为信息,从而根据多个对象各自的行为信息对多个对象进行分类,使得对象集合中每个对象在同一预设银行网点业务上的资源转移量一致,因此,属于同一对象集合的各对象倾向于选择相同或相似的业务产品,通过确定目标对象集合中的各对象针对目标银行网点业务的业务办理风格,从目标银行网点业务的多个业务产品中确定与业务办理风格匹配的目标业务产品,能够向目标对象推荐目标银行最新推出的、且符合目标对象的实际需求的业务产品,从而提高了网点业务推荐的准确度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的业务推荐方法的业务推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个业务推荐装置实施例中的具体限定可以参见上文中对于业务推荐方法的限定,在此不再赘述。
在一些实施例中,如图4所示,提供了一种业务推荐装置,包括:对象分类模块402、集合确定模块404和推荐模块406,其中:
对象分类模块402,用于基于多个对象分别针对多个预设银行网点业务的行为信息,对多个对象进行分类得到多个对象集合;对象集合中每个对象的行为信息一致。
集合确定模块404,用于从各对象集合中确定目标对象所属的目标对象集合。
推荐模块406,用于基于目标对象集合中的各对象对应的推荐业务产品,向目标对象进行业务推荐。
在一些实施例中,对象分类模块402还用于:针对多个对象中的每个对象,基于对象在多个预设银行网点业务上的资源转移量,生成对象的行为信息;根据多个对象各自的行为信息对多个对象进行分类,得到多个对象集合;对象集合中每个对象在同一预设银行网点业务上的资源转移量一致。
在一些实施例中,集合确定模块404还用于:对目标对象的对象属性信息进行特征提取,得到目标对象的对象特征;针对每个对象集合,对对象集合中的各对象的对象特征进行统计,得到对象集合的集合特征;确定目标对象的对象特征与每个对象集合的集合特征之间的特征相似度;基于特征相似度从各对象集合中确定目标对象所属的对象集合。
在一些实施例中,对象集合对应有对象集合标识,目标对象集合是基于已训练的对象分类模型确定的;业务推荐装置还包括模型训练模块,模型训练模块用于:从多个对象中确定样本对象,并确定样本对象的对象特征;将样本对象的对象特征输入待训练的对象分类模型中,输出样本对象的预测集合标识;基于预测集合标识与样本对象所属的对象集合的对象集合标识,对待训练的对象分类预测模型进行调整,得到已训练的对象分类模型。
在一些实施例中,推荐模块406还用于:从多个预设银行网点业务中确定目标银行网点业务;针对目标对象集合中的每个对象,确定对象在目标银行网点业务的多个业务产品中选择的推荐业务产品;对目标对象集合中的各对象对应的推荐业务产品的出现次数进行统计,根据各推荐业务产品的出现次数向目标对象进行业务推荐。
在一些实施例中,推荐模块406还用于:对目标对象集合中的各对象对应的推荐业务产品的业务产品信息进行分析,得到目标对象集合中的各对象针对目标银行网点业务的业务办理风格;从目标银行网点业务的多个业务产品中确定与业务办理风格匹配的目标业务产品,根据目标业务产品向目标对象进行业务推荐。
上述业务推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务推荐方法所涉及的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务推荐方法。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种业务推荐方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5和图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述业务推荐方法中的步骤。
在一些实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述业务推荐方法中的步骤。
在一些实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述业务推荐方法中的步骤。
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,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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务推荐方法,其特征在于,所述方法包括:
基于多个对象分别针对多个预设银行网点业务的行为信息,对所述多个对象进行分类得到多个对象集合;所述对象集合中每个对象的行为信息一致;
从各所述对象集合中确定目标对象所属的目标对象集合;
基于所述目标对象集合中的各对象对应的推荐业务产品,向所述目标对象进行业务推荐。
2.根据权利要求1所述的方法,其特征在于,所述基于多个对象分别针对多个预设银行网点业务的行为信息,对所述多个对象进行分类得到多个对象集合包括:
针对所述多个对象中的每个对象,基于所述对象在多个预设银行网点业务上的资源转移量,生成所述对象的行为信息;
根据所述多个对象各自的行为信息对所述多个对象进行分类,得到多个对象集合;所述对象集合中每个对象在同一预设银行网点业务上的资源转移量一致。
3.根据权利要求1所述的方法,其特征在于,所述从各所述对象集合中确定目标对象所属的目标对象集合包括:
对所述目标对象的对象属性信息进行特征提取,得到所述目标对象的对象特征;
针对每个所述对象集合,对所述对象集合中的各对象的对象特征进行统计,得到所述对象集合的集合特征;
确定所述目标对象的对象特征与每个所述对象集合的集合特征之间的特征相似度;
基于所述特征相似度从各所述对象集合中确定所述目标对象所属的对象集合。
4.根据权利要求1所述的方法,其特征在于,所述对象集合对应有对象集合标识,所述目标对象集合是基于已训练的对象分类模型确定的;得到所述已训练的对象分类模型的步骤包括:
从所述多个对象中确定样本对象,并确定所述样本对象的对象特征;
将所述样本对象的对象特征输入待训练的对象分类模型中,输出所述样本对象的预测集合标识;
基于所述预测集合标识与所述样本对象所属的对象集合的对象集合标识,对所述待训练的对象分类预测模型进行调整,得到已训练的对象分类模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象集合中的各对象对应的推荐业务产品,向所述目标对象进行业务推荐包括:
从所述多个预设银行网点业务中确定目标银行网点业务;
针对所述目标对象集合中的每个对象,确定所述对象在所述目标银行网点业务的多个业务产品中选择的推荐业务产品;
对所述目标对象集合中的各对象对应的推荐业务产品的出现次数进行统计,根据各所述推荐业务产品的出现次数向所述目标对象进行业务推荐。
6.根据权利要求5所述的方法,其特征在于,所述针对所述目标对象集合中的每个对象,确定所述对象在所述目标银行网点业务的多个业务产品中选择的推荐业务产品的步骤之后,所述方法还包括:
对所述目标对象集合中的各对象对应的推荐业务产品的业务产品信息进行分析,得到所述目标对象集合中的各对象针对所述目标银行网点业务的业务办理风格;
从所述目标银行网点业务的多个业务产品中确定与所述业务办理风格匹配的目标业务产品,根据所述目标业务产品向所述目标对象进行业务推荐。
7.一种业务推荐装置,其特征在于,所述装置包括:
对象分类模块,用于基于多个对象分别针对多个预设银行网点业务的行为信息,对所述多个对象进行分类得到多个对象集合;所述对象集合中每个对象的行为信息一致;
集合确定模块,用于从各所述对象集合中确定目标对象所属的目标对象集合;
推荐模块,用于基于所述目标对象集合中的各对象对应的推荐业务产品,向所述目标对象进行业务推荐。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762223.0A CN117033765A (zh) | 2023-06-26 | 2023-06-26 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762223.0A CN117033765A (zh) | 2023-06-26 | 2023-06-26 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033765A true CN117033765A (zh) | 2023-11-10 |
Family
ID=88640157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310762223.0A Pending CN117033765A (zh) | 2023-06-26 | 2023-06-26 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033765A (zh) |
-
2023
- 2023-06-26 CN CN202310762223.0A patent/CN117033765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230031926A1 (en) | Method, medium, and system for surfacing recommendations | |
US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
WO2015135321A1 (zh) | 基于金融数据的社会关系挖掘的方法及装置 | |
WO2019128311A1 (zh) | 广告的相似度处理方法和装置、计算设备及存储介质 | |
US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
CN114579584B (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
CN105389714B (zh) | 一种从行为数据识别用户特性的方法 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
US11977565B2 (en) | Automated data set enrichment, analysis, and visualization | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
US20220172271A1 (en) | Method, device and system for recommending information, and storage medium | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN117033765A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
CN117786204A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN117333255A (zh) | 产品推荐方法、装置、计算机设备、存储介质和程序产品 | |
CN117312660A (zh) | 项目推送方法、装置、计算机设备和存储介质 | |
CN117312999A (zh) | 对象分类方法、装置、计算机设备和存储介质 | |
CN117350801A (zh) | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 | |
CN115204984A (zh) | 业务产品推送方法、装置、计算机设备和存储介质 | |
CN116976994A (zh) | 对象推送的方法、装置、计算机设备和存储介质 | |
CN117094828A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
CN114881723A (zh) | 金融产品推荐方法、装置及计算机设备 | |
CN116467337A (zh) | 页面的显示方法、装置和计算机设备 |
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 |