CN117093775A - 项目推荐方法、装置、处理器及电子设备 - Google Patents
项目推荐方法、装置、处理器及电子设备 Download PDFInfo
- Publication number
- CN117093775A CN117093775A CN202311011063.2A CN202311011063A CN117093775A CN 117093775 A CN117093775 A CN 117093775A CN 202311011063 A CN202311011063 A CN 202311011063A CN 117093775 A CN117093775 A CN 117093775A
- Authority
- CN
- China
- Prior art keywords
- node
- determining
- nodes
- cluster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010586 diagram Methods 0.000 claims abstract description 79
- 230000004044 response Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 101
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013439 planning Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000011231 Crohn disease Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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
本发明公开了一种项目推荐方法、装置、处理器及电子设备。涉及金融领域,该方法包括:接收目标对象发送的项目推荐请求;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;依据多个关键点,构建节点结构图;确定节点结构图中多个节点分别所属的节点簇;确定多个节点分别所属的节点簇对应的簇特征;依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。本发明解决了相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
Description
技术领域
本发明涉及金融领域,具体而言,涉及一种项目推荐方法、装置、处理器及电子设备。
背景技术
目前,为了提供更好的金融体验,金融机构需要提供精确的资源和服务,以满足客户的需求。通过对金融服务资源数据集进行分析,可以为金融机构提供全面的客户需求预测和金融服务资源规划支持。但是,采用相关技术中提供的方法,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的问题。
针对所述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种项目推荐方法、装置、处理器及电子设备,以至少解决相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
根据本发明实施例的一个方面,提供了一种项目推荐方法,包括:接收目标对象发送的项目推荐请求,其中,所述项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于所述项目推荐请求,依据所述对象属性数据,所述历史交易数据和所述项目类型数据,确定多个关键点;依据所述多个关键点,构建节点结构图,其中,所述节点结构图中包括多个节点,所述多个节点的数量小于或等于所述多个关键点的数量;确定所述节点结构图中所述多个节点分别所属的节点簇;确定所述多个节点分别所属的节点簇对应的簇特征;依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目。
可选地,所述确定所述节点结构图中所述多个节点分别所属的节点簇,包括:依据差分隐私的条件对所述节点结构图中所述多个节点进行聚类,确定所述多个节点分别所属的节点簇。
可选地,所述确定所述多个节点分别所属的节点簇对应的簇特征,包括:确定多个节点簇分别对应的中心节点;确定所述多个节点簇分别对应的中心节点的中心特征;依据所述多个节点簇分别对应的中心节点的中心特征,确定所述多个节点分别所属的节点簇对应的簇特征。
可选地,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目,包括:确定多个节点簇之间的簇关联数据;依据所述多个节点簇分别对应的簇特征与所述簇关联数据,确定为所述目标对象推荐的所述推荐项目。
可选地,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目,包括:确定所述多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数;依据所述项目类型数据,所述多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定所述多个节点分别所属的节点簇对应的权重;依据所述多个节点分别所属的节点簇对应的簇特征与权重,确定为所述目标对象推荐的所述推荐项目。
可选地,所述依据所述多个关键点,构建节点结构图,包括:确定所述多个关键点中任意一个关键点与其他关键点之间的关联关系;依据所述关联关系,构建所述节点结构图。
可选地,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目之后,还包括:在所述推荐项目包括多个的情况下,接收所述目标对象选择的目标推荐项目;提取所述目标推荐项目与未选择推荐项目之间的区别特征和关联特征;依据所述区别特征和所述关联特征,调整对应的节点簇,得到更新节点簇。
根据本发明实施例的一个方面,提供了一种项目推荐装置,包括:接收模块,用于接收目标对象发送的项目推荐请求,其中,所述项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;第一确定模块,用于响应于所述项目推荐请求,依据所述对象属性数据,所述历史交易数据和所述项目类型数据,确定多个关键点;构建模块,用于依据所述多个关键点,构建节点结构图,其中,所述节点结构图中包括多个节点,所述多个节点的数量小于或等于所述多个关键点的数量;第二确定模块,用于确定所述节点结构图中所述多个节点分别所属的节点簇;第三确定模块,用于确定所述多个节点分别所属的节点簇对应的簇特征;第四确定模块,用于依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目。
根据本发明实施例的一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任意一项所述的方法。
根据本发明实施例的一个方面,提供了一种电子设备,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上述任意一项所述的方法。
在本发明实施例中,可以实现接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点。依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量。确定节点结构图中多个节点分别所属的节点簇。确定多个节点分别所属的节点簇对应的簇特征,达到依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目的目的,通过确定节点簇和簇特征,可以对大量的节点进行分析和分类,从而更好地理解和组织数据,进而解决了相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
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应用程序的项目推荐方法的流程图;
图2是根据本申请实施例提供的应用程序的项目推荐装置的结构框图;
图3是本发明实施例提供的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本公开所涉及的相关信息(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项目推荐方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;
在该实施例中,上述对象属性数据可以包括目标对象的个人信息、行为偏好、历史交易记录等,这些数据用于了解目标对象的特征和需求,以便更好地进行项目推荐。
上述历史交易数据可以包括目标对象在过去进行的交易记录,包括买卖股票、投资基金、存款等,这些数据可以揭示目标对象的投资偏好、风险承受能力、投资回报等信息,帮助定制更适合的推荐项目。
上述项目类型数据可以包括不同项目的特征、收益率、风险等数据,每个项目可能属于不同的类型,如股票、债券、保险产品等,这些数据可以用于匹配目标对象的需求和风险偏好,从而推荐最合适的项目类型。
需要说明的是,假设在金融应用场景中,目标对象是一位个人投资者,发送了项目推荐请求,请求中包含了这位投资者的基本属性数据(如年龄、性别、收入等)、历史交易数据(包括投资组合构成、投资收益情况等)和项目类型数据(如理财、投资、保险产品等)。
步骤S102,响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;
在该实施例中,上述多个关键点是基于对象属性数据,历史交易数据和项目类型数据所确定的,假设在金融应用场景中,上述对象属性数据可以是包含目标对象的个人信息、经济状况和风险承受能力等,例如,年龄、收入水平、职业等,上述历史交易数据可以是提供了目标对象的历史投资行为、和风险偏好等信息,例如,可能在过去购买了投资、理财或基金,并且可能偏好长期投资或者短期交易,上述项目类型数据可能涉及可以推荐给目标对象的金融项目的不同类型、风险等级和收益预期,例如,基金、理财、投资等都是不同类型的金融项目,它们具有不同的风险和收益特征,即,基于上述对象属性数据,历史交易数据和项目类型数据,即,可以确定风险偏好,投资目标,投资类型等多个关键点,关键点的确定,在此不作限定,可根据具体的场景与应用进行自定义设置。
需要说明的是,依据上述对象属性数据,历史交易数据和项目类型数据,确定多个关键点,在一定程度上,能够较好地理解目标对象的项目推荐请求。
步骤S103,依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量;
在该实施例中,在上述步骤中,可以根据多个关键点来建立节点结构图,其中,节点结构图中包括多个节点,节点的数量小于或等于关键点的数量,上述关键点可以是实体,这些实体可以代表一个人、一个企业、一个账户、一笔交易、一份报表、一个指标等,每个实体都有一些属性(如姓名、地址、身份标识符ID等),可以使用这些属性来描述和区分不同的实体。边可以连接两个实体,并表示它们之间的关联。例如,一个交易节点可以与一个账户节点和一个时间节点相连,表示这个交易发生在这个账户上,发生时间是什么。除了简单的连接关系外,边还可以带有属性,以提供更多的信息。
按照前面上述步骤中的例子,假设关键点可以为风险偏好,投资目标,投资类型以及投资年限等多个关键点,当关键点为风险偏好时,建立节点结构图,其中,节点可以为保守型、稳健型和激进型等;当关键点为投资类型时,建立节点结构图,其中,节点可以为理财,投资和基金等;当关键点为投资期限时,建立节点结构图,其中,节点可以为短期、中期和长期等。
需要说明的是,通过建立的节点结构图,在一定程度上述,能够有效反映可视化关键点之间的联系和层次结构,更好地理解和分析数据,从而对客户推荐更适合的项目产品。
步骤S104,确定节点结构图中多个节点分别所属的节点簇;
在该实施例中,上述多个节点可以通过不同的方式组成多个节点簇,在确定上述步骤中的节点簇的过程中,可以使用聚类算法对预处理后的数据进行节点聚类,聚类是一种将相似样本聚合到一起的技术,用于将数据集中的节点划分为不同的簇,即,这些类别或群组则可能是根据交易行为类型、风险等级、业务类型、地域划分等进行分类。上述节点簇可以是社区,社区划分为社区初始化和社区调整。在社区初始化中,原始节点被随机分成若干分区,相同社区内的节点被合并为一个超节点,进而形成了一个带权重的超节点图;为了保证差分隐私对这些权重采用拉普拉斯机制扰动;然后,使用Louvain算法对扰动的权重图进行社区检测,从而得到初始化的社区划分。在社区调整中,将效用函数设置为节点到每个社区的连边数,采用指数机制对所有节点最终的社区进行选择,以减少一开始节点被随机划分所带来的影响。
需要说明的是,依据前面上述例子,可以形成多个节点分别所属的风险簇,投资类型簇,以及投资期限簇,节点簇的确定,在此不作限定,可以根据具体的场景与应用进行自定义设置。通过确定节点所属的节点簇,可以更好地理解节点之间的关系,有助于快速定位和筛选出与多个关键点相关的节点,从而更好地满足客户的需求。
步骤S105,确定多个节点分别所属的节点簇对应的簇特征;
在该实施例中,上述节点簇对应的簇特征可以通过计算簇中样本的平均值、方差、频率等统计量来获得,也可以使用聚类算法生成的簇中心或代表性样本作为簇特征,按照上述所确定的节点簇,确定每个类别或群组的特征和需求。上述簇特征可以是社区内和社区之间的信息分别进行扰动和提取,对于社区内部的连边,提取节点在该社区内的度信息,采用拉普拉斯机制和后置处理以保证差分隐私。对于不同的社区之间的连边,提取两个社区之间的连边数,并采用拉普拉斯机制和后置处理。
步骤S106,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。
在该实施例中,在确定推荐项目的过程中,对于社区内部,采用克罗内克乘积模型CL模型计算出节点之间的连边概率并重构。对于社区之间,基于提取的信息和两个社区的节点数计算出节点之间的连边概率并重构。通过将社区内部和社区之间的重构连边合并到一起,即可得到最终的合成图数据。即按照上述实现方法的步骤,可以依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。
需要说明的是,通过匹配目标对象所属的节点簇和簇特征,可以选择最符合其特征和需求的推荐项目,提高推荐的精准度和个性化程度,这样的推荐系统可以更好地满足用户的需求,提升用户体验。
通过上述步骤S101-S106,接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点。依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量。确定节点结构图中多个节点分别所属的节点簇。确定多个节点分别所属的节点簇对应的簇特征;达到依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目的目的,通过确定节点簇和簇特征,可以对大量的节点进行分析和分类,从而更好地理解和组织数据,进而解决了相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
下面对该实施例的上述方法进行进一步地介绍。
作为一种可选的实施例,确定节点结构图中多个节点分别所属的节点簇,包括:依据差分隐私的条件对节点结构图中多个节点进行聚类,确定多个节点分别所属的节点簇。
在该实施例中,上述差分隐私可以作为一种隐私保护的公认标准被广泛用于保护图数据,上述差分隐私可以满足以下条件,下述差分隐私需要满足的条件,在此不作限定,可根据具体的场景与应用需求自定义设置和选择。
1)随机化:对每个个体的数据进行随机化或添加随机噪声,以确保无法精确地还原出特定个体的信息。
2)不可区分性:在差分隐私的框架下,任意两个相似的数据集经过处理后,输出的结果应该保持一致,不能揭示个体的具体信息。换句话说,差分隐私保证了个体的隐私信息在数据处理后仍然保持不可区分。
3)敏感性约束:在应用差分隐私时,需要根据数据处理任务的敏感程度来决定噪声的添加量,以平衡数据分析的准确性和个体隐私的保护。为了满足差分隐私的条件,首先需要对节点结构图中的数据进行差分隐私处理,可以使用隐私保护算法(如拉普拉斯机制、指数机制等)对节点属性或关系进行扰动,以保护个体的隐私。
需要说明的是,满足上述条件后,依据差分隐私的条件,对节点结构图中多个节点进行,使用聚类算法来构建节点簇,在聚类过程中需要将节点之间的相似性作为聚类依据,可以使用距离度量或相似度计算来度量节点之间的相似性,对聚类结果进行分析,并确定每个节点所属的节点簇,可以根据节点簇特征、距离度量或其他相似性指标,将每个节点划分到适当的簇中。通过上述步骤,可以在满足差分隐私条件的前提下,确定节点结构图中多个节点分别所属的节点簇,这样同时可以保护节点的隐私和实现节点聚类的目标,并且可以有效平衡数据的应用于个体隐私保护之间的关系。
作为一种可选的实施例,确定多个节点分别所属的节点簇对应的簇特征,包括:确定多个节点簇分别对应的中心节点;确定多个节点簇分别对应的中心节点的中心特征;依据多个节点簇分别对应的中心节点的中心特征,确定多个节点分别所属的节点簇对应的簇特征。
在该实施例中,上述多个节点分别对应的中心节点,可以通过某种方法(如聚类算法)确定一个中心节点作为该簇的代表,中心节点可以是节点簇内部样本的均值、中位数或其他代表性节点,上述中心特征可以根据每个中心节点,确定其对应的中心特征,中心特征可以是所有节点簇内部样本特征的平均值、加权平均值或其他汇总统计量,上述节点簇对应的簇特征可以根据中心节点的中心特征,将该特征应用于节点簇内的其他节点。这样可以将中心节点的中心特征扩展到整个节点簇,成为节点簇的簇特征。
需要说明的是,通过以上步骤,确定中心节点以及中心特征,并依据中心节点对应的中心特征确定节点簇对应的簇特征,可以提供代表性的特征、简化数据表示、减少噪声影响、保护隐私以及保持数据的聚类结构,这些效果使得节点簇的特征更易理解、处理和应用于数据分析、模型构建等任务中。
作为一种可选的实施例,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点簇之间的簇关联数据;依据多个节点簇分别对应的簇特征与簇关联数据,确定为目标对象推荐的推荐项目。
在该实施例中,上述簇关联数据可以包括相似性度量、共享属性、共同出现等,用以衡量节点簇之间的关联程度,根据每个节点簇对应的簇特征和簇关联数据,综合考虑它们的重要性和相似性,根据综合评估结果,确定为目标对象推荐的推荐项目。可以根据某种评分或排序规则,选取得分高或排名靠前的推荐项目作为最终的推荐结果,即,确定为目标对象推荐的推荐项目。
需要说明的是,通过确定多个节点簇之间的簇关联数据,可以发现节点簇之间的相似性,相关性,并结合多个节点簇的簇特征和簇关联数据进行推荐,丰富了目标对象的推荐内容,通过综合考虑多个簇的信息,可以更准确地识别目标对象的兴趣和偏好,提高了推荐的准确定,从而为其推荐更相关和符合其需求的项目。
作为一种可选的实施例,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数;依据项目类型数据,多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定多个节点分别所属的节点簇对应的权重;依据多个节点分别所属的节点簇对应的簇特征与权重,确定为目标对象推荐的推荐项目。
在该实施例中,上述确定稳定性指数、重要性指数和收益性指数,对于每个节点所属的节点簇,根据其簇特征数据,可以计算其统计特征,如平均值、方差、最大值、最小值等,这些统计特征能够提供关于簇内节点特征分布和变化范围的信息,进而帮助了节点簇的特点和需求,进而确定对应的稳定性指数,上述不同簇是不同类别的簇,其重要程度也不同,进而可以确定重要性指数,在金融应用场景中,可以用于交易领域,进而可以确定收益性指数,这些指数可以根据簇内样本数据的变化、显著性以及与目标对象需求的匹配程度来确定,指数类型的确定,不作限定,可根据具体的场景与应用进行自定义设置。
按照上述针对多个节点所属的节点簇,确定对应的稳定性指数、重要性指数和收益性指数。可以使用统计分析、机器学习模型或领域知识等方法,为每个节点所属的节点簇赋予相应的权重,权重可以表示节点簇在推荐项目中的重要程度,然后根据多个节点所属的节点簇的簇特征和权重,综合考虑每个节点簇的指标和重要性,确定为目标对象推荐的推荐项目。
需要说明的是,具体的指标和权重确定方法可以根据具体的业务场景和需求进行自定义和调整,因此,确定多个节点分别所属的节点簇对应的稳定性指数、重要性指数和收益性指数,并结合项目类型数据确定权重,可以根据实际情况灵活调整权重,提高推荐的准确性和个性化程度,并灵活适应不同需求,在一定程度上,可以提升推荐系统的效果和用户满意度,并结合其他因素进行综合判断,以提供更准确和有针对性的推荐项目。
作为一种可选的实施例,依据多个关键点,构建节点结构图,包括:确定多个关键点中任意一个关键点与其他关键点之间的关联关系;依据关联关系,构建节点结构图。
在该实施例中,上述关联关系可以表示任意一个关键点与其他关键点之间的关联关系,此关联关系可以是有向关系(箭头表示一种方向)或无向关系(双向连接)。首先,确定多个关键点,这些关键点可以是系统中的实体、节点或具有特定意义的要素。例如,对于一个社交网络系统,关键点可以是用户、帖子、评论等,根据关键点之间的关系,确定任意一个关键点与其他关键点之间的关联关系,根据关联关系,将关键点表示为节点,并使用连接线表示关联关系,每个节点可以包含与之相关的属性或特征。
需要说明的是,依据多个关键点确定关联关系并构建节点结构图,节点结构图可以显示关键点之间的连接方式、方向性等关联属性,可以使得关键点之间的关联关系更加直观和清晰,在一定程度上可以提高关键点之间关系的理解和分析,为客户推荐合适的项目提供更有效的指导。
作为一种可选的实施例,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目之后,还包括:在推荐项目包括多个的情况下,接收目标对象选择的目标推荐项目;提取目标推荐项目与未选择推荐项目之间的区别特征和关联特征;依据区别特征和关联特征,调整对应的节点簇,得到更新节点簇。
在该实施例中,上述区别特征可以是目标推荐项目与其他项目之间的差异或独特性,例如特定的属性、特征或性能指标,上述关联特征可以是目标推荐项目与其他项目之间的相关关系,例如共享的属性、相似的功能或关联的统计数据。
在确定目标对象选择的目标推荐项目之后,根据向目标对象推荐的多个推荐项目,让目标对象选择其中的一个作为目标推荐项目,对于目标推荐项目和其他未选择的推荐项目,可以提取其区别特征和关联特征,然后根据提取的区别特征和关联特征,可以调整对应的节点簇并得到更新后的节点簇。
需要说明的是,通过以上步骤,可以根据目标对象的选择和提取的区别特征、关联特征来调整节点簇,并得到更新后的节点簇,通过更新节点簇的簇特征、重新计算簇关联数据或调整簇之间的权重来实现,调整后的节点簇反映了目标推荐项目与其他未选择项目之间的差异和关联程度,这有助于进一步优化推荐结果,并提供更符合目标对象需求的推荐项目,从而为后续的推荐过程提供更准确和个性化的信息。
基于所述实施例及可选实施例,提供了一种可选实施方式,下面具体说明。
在相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题,举例说明,相关技术中,采用相关方法对用户进行项目推荐时,忽略了数据的隐私安全,可能造成严重的信息损失的问题,导致用户对所推荐项目的感兴趣程度较低。
鉴于此,本发明可选实施方式中提供了一种项目推荐方法,下面对本申请可选实施方式进行详细说明。
S1、接收客户发送的投资项目推荐请求,其中,投资推荐请求中携带有客户属性数据,历史交易数据和投资类型数据;
需要说明的是,上述客户属性数据,历史交易数据和投资类型数据可以来自金融机构的金融数据集。
S2、响应于投资项目推荐请求,依据客户对象属性数据,历史交易数据和投资类型数据,确定多个关键点,并依据多个关键点,构建节点结构图;
需要说明的是,上述关键点可以是实体,一个实体可以代表一个人、一个企业、一个账户、一笔交易、一份报表、一个指标等。每个实体都有一些属性(如姓名、地址、身份标识符ID等),可以使用这些属性来描述和区分不同的实体。边可以连接两个实体,并表示它们之间的关联。
依据上述多个关键点,确定多个关键点中任意一个关键点与其他关键点之间的关联关系,然后依据关联关系,构建节点结构图,其构建过程可以使用一种利用社区信息生成满足差分隐私的图数据的算法(PrivGraph)创建金融数据集的图形模型,将每个数据实体表示为图形中的一个节点,并使用边来表示不同实体之间的关系,其中,PrivGraph是一种利用社区信息生成满足差分隐私的图数据算法。对于从金融数据集中提取出来的图结构数据,能够保护图节点的隐私信息,并且是能够减少信息损失,使得由PrivGraph重构的图数据在保留重要信息的情况下可用于多种下游任务。总结说,使用PrivGraph最根本的益处是在保护隐私的前提下减少数据在差分隐私处理过程中的信息损失,进而将金融数据用于实现更精准的资源需求分析和资源规划的任务中去,具体实现步骤以下:
1)首先PrivGraph将所有节点进行满足查份隐私的社区划分,将所有节点进行满足差分隐私的社区划分,社区划分为社区初始化和社区调整。在社区初始化中,原始节点被随机分成若干分区,相同社区内的节点被合并为一个超节点,进而形成了一个带权重的超节点图;为了保证差分隐私对这些权重采用拉普拉斯机制扰动;然后,使用种社区发现算法Louvain算法对扰动的权重图进行社区检测,从而得到初始化的社区划分。在社区调整中,将效用函数设置为节点到每个社区的连边数,采用指数机制对所有节点最终的社区进行选择,以减少一开始节点被随机划分所带来的影响。
2)对社区内和社区之间的信息分别进行扰动和提取,对于社区内部的连边,提取节点在该社区内的度信息,采用拉普拉斯机制和后置处理以保证差分隐私。对于不同的社区之间的连边,提取两个社区之间的连边数,并采用拉普拉斯机制和后置处理。
3)最后,基于上一步提取的信息在社区内和社区之间分别进行重构对于社区内部,采用克罗内克乘积模型CL模型计算出节点之间的连边概率并重构。对于社区之间,基于提取的信息和两个社区的节点数计算出节点之间的连边概率并重构。通过将社区内部和社区之间的重构连边合并到一起,即可得到最终的合成图数据。通过上述步骤中的方法,可以依据多个关键点,构建节点结构图。
S3、确定节点结构图中多个节点分别所属的节点簇,并确定节点簇对应的簇特征;
需要说明的是,在确定多个节点分别所属的节点簇,以及确定节点簇对应的簇特征的过程中,可以依据差分隐私的条件对节点结构图中多个节点进行聚类确定,具体方式可以为:
对图数据(图形模型)进行聚类意味着将图中的节点(或者边)分为不同的簇群,使得同一簇内的节点具有相似的属性或特征。聚类可以帮助我们发现图中隐藏的模式、结构和群组,并为进一步的分析和应用提供基础。通过对图数据进行聚类,可以使用一种基于密度的聚类算法DBSCAN算法,该算法能够自适应地发现任意大小和形状的簇。我们可以得到以下结果:
1)簇的划分,将图中的节点划分为多个簇,每个簇代表一个聚类群组。同一簇内的节点应该在某种程度上相似,而不同簇节点之间则应该有明显的差异。
2)簇的特征,每个簇通常会有一些代表性的节点或特征,这些节点或特征反映了该簇的特点。
3)图的可视化:聚类结果可以被用于图的可视化。
4)簇的分析:通过对不同簇内节点的分析,可以揭示图中的关系、社区结构,有助于理解数据的内在模式和特征。综上,聚类所得到的是若干个由具有相近特征的节点组成的簇。
进一步地,按照上述方法步骤,其确定簇特征的具体实现过程如下:
1)选择中心节点:在每个簇中找到代表性的中心节点,这个以通过计算簇内节点之间的距离来实现,即一种基于密度的聚类算法DBSCAN算法的核心点。这个中心节点通常具有代表性的特征,并可以作为该簇的标志性特征;
2)上述是对簇外节点属性的分析,也可以对簇内节点属性分析,即,对于每个簇内的节点,可以深入分析其属性或特征。例如,在金融场景中,可以分析每个簇内用户的消费偏好、交易模式等。通过统计和比较簇内节点的属性,可以发现该簇的共性需求或行为模式。
S4、依据多个节点分别所属的节点簇对应的簇特征,确定多个节点簇之间的簇关联数据,并依据簇特征与簇关联数据,确定为目标对象推荐的推荐项目。
需要说明的是,上述簇特征是通过聚类方法得到的,进一步地,可以将聚类结果与其他外部数据源进行关联。例如,可以将金融场景中的报表指标数据与聚类结果进行关联,从而分析每个簇的财务状况、业绩表现等。这有助于进一步挖掘每个簇的特征和需求。通过以上方法,可以更全面地了解每个簇的特征和需求。这些特征可以用于进一步资源和服务规划、定制化推荐、个性化服务等。
上述簇关联数据,除了研究节点本身的特征,还可以探索簇内节点之间的关系网络。可以分析簇内节点的连接模式、关联程度等。这有助于发现簇内节点之间的协作关系、交互影响等,进一步揭示簇内的资源和服务需求。
在上述确定出投资推荐项目之前,还需要确定多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,依据项目类型数据,多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定多个节点分别所属的节点簇对应的权重,最后可以依据多个节点分别所属的节点簇对应的簇特征与权重,确定为客户推荐的投资推荐项目,即,通过分析结果,预测客户等实体的服务和资源需求,并帮助金融机构规划所需的金融服务资源,包括资金和人力等,以确保客户等实体可以得到最优质的金融服务。
在确定出上述投资推荐项目之后,在投资推荐项目包括多个的情况下,接收客户选择的投资推荐项目;提取投资推荐项目与未选择投资推荐项目之间的区别特征和关联特征,依据区别特征和关联特征,调整对应的节点簇,得到更新节点簇。如,某簇中用户存款比例高、所在地区拥有高理财知识普及率等,那么这些用户可能拥有极高的理财意愿,相应的就应该加大理财产品的推荐(资源)和理财服务,其依据区别特征和关联特征,调整对应的节点簇,得到更新节点簇,在此应用场景中,可以执行以下步骤,从主观反馈和客观评估进行优化调整最终决策,为客户推荐最优的投资项目。
主观反馈有以下两个方面:
1)收集下属员工反馈意见,分析人力资源分配情况,是否存在不均衡的情况。
2)收集客户和网点所覆盖社区的意见,了解他们对金融服务资源的需求。
客观评估有以下两个步骤:
1)确定指标和数据集:首先需要明确需要评估的指标,例如客户利用率、产品渗透率、市场份额、成本控制、效益收益等。然后收集相应的数据集,包括历史资源使用情况、规划前的数据以及规划后的数据。
2)建立基准对比:为了确保评估结果的可靠性,需要建立基准对比,即将规划前和规划后的资源利用率进行对比。可以根据历史金融服务资源使用数据来确定基准值,并与规划后的资源利用率进行比较,以确定规划方案的实际效果。
3)将以上两点的数据可视化,以更直观地展现金融服务资源的分配和变化情况。
通过所述可选实施方式,可以达到至少以下几点有益效果:
(1)由于节点结构图是依据对象属性数据,历史交易数据和项目类型数据分别对应的多个关键点,以及关联关系进行确定的,即,依据多个关键点确定关联关系并构建节点结构图,节点结构图可以显示关键点之间的连接方式、方向性等关联属性,可以使得关键点之间的关联关系更加直观和清晰,在一定程度上可以提高关键点之间关系的理解和分析,为客户推荐合适的项目提供更有效的指导;
(2)由于节点簇,簇特征在确定过程中都是基于聚类分析才确定的,即,节点簇的确定,可以保护节点的隐私和实现节点聚类的目标,并且可以有效平衡数据的应用于个体隐私保护之间的关系,簇特征的确定,可以提供代表性的特征、简化数据表示、减少噪声影响、保护隐私以及保持数据的聚类结构,这些效果使得节点簇的特征更易理解、处理和应用于数据分析、模型构建等任务中;
(3)由于权重是基于项目类型数据,多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数确定的,即,在实际项目推荐中,可以结合项目类型数据确定权重,可以根据实际情况灵活调整权重,提高推荐的准确性和个性化程度,并灵活适应不同需求,在一定程度上,可以提升推荐效果和用户满意度,并结合其他因素进行综合判断,以提供更准确和有针对性的推荐项目。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。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是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据所述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
根据本发明实施例,还提供了一种用于实施所述项目推荐方法的装置,图2是根据本申请实施例提供的项目推荐装置的结构框图,如图2所示,该装置包括:接收模块201,第一确定模块202,构建模块203,第二确定模块204,第三确定模块205和第四确定模块206,下面对该装置进行详细说明。
接收模块201,用于接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;
第一确定模块202,连接于上述接收模块201,用于响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;
构建模块203,连接于上述第一确定模块202,用于依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量;
第二确定模块204,连接于上述构建模块203,用于确定节点结构图中多个节点分别所属的节点簇;
第三确定模块205,连接于上述第二确定模块204,用于确定多个节点分别所属的节点簇对应的簇特征;
第四确定模块206,连接于上述第三确定模块205,用于依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。
此处需要说明的是,所述接收模块201,第一确定模块202,构建模块203,第二确定模块204,第三确定模块205和第四确定模块206对应于实施项目推荐方法中的步骤S101至步骤S106,多个模块与对应的步骤所实现的实例和应用场景相同,但不限于所述实施例所公开的内容。
本申请实施例提供的项目推荐装置,可以实现接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量;确定节点结构图中多个节点分别所属的节点簇;确定多个节点分别所属的节点簇对应的簇特征,达到依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目的目的,通过确定节点簇和簇特征,可以对大量的节点进行分析和分类,从而更好地理解和组织数据。进而解决了相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
所述项目推荐装置包括处理器和存储器,所述多个模块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所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解决了相关技术中,对用户进行项目推荐时,用户对推荐项目的感兴趣程度低的技术问题。
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项目推荐方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行项目推荐方法。
图3是本发明实施例提供的电子设备的示意图,如图3所示,本发明实施例提供了一种电子设备,设备包括处理器、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:接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量;确定节点结构图中多个节点分别所属的节点簇;确定多个节点分别所属的节点簇对应的簇特征;依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。
可选地,确定节点结构图中多个节点分别所属的节点簇,包括:依据差分隐私的条件对节点结构图中多个节点进行聚类,确定多个节点分别所属的节点簇。
可选地,确定多个节点分别所属的节点簇对应的簇特征,包括:确定多个节点簇分别对应的中心节点;确定多个节点簇分别对应的中心节点的中心特征;依据多个节点簇分别对应的中心节点的中心特征,确定多个节点分别所属的节点簇对应的簇特征。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点簇之间的簇关联数据;依据多个节点簇分别对应的簇特征与簇关联数据,确定为目标对象推荐的推荐项目。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数;依据项目类型数据,多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定多个节点分别所属的节点簇对应的权重;依据多个节点分别所属的节点簇对应的簇特征与权重,确定为目标对象推荐的推荐项目。
可选地,依据多个关键点,构建节点结构图,包括:确定多个关键点中任意一个关键点与其他关键点之间的关联关系;依据关联关系,构建节点结构图。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目之后,还包括:在推荐项目包括多个的情况下,接收目标对象选择的目标推荐项目;提取目标推荐项目与未选择推荐项目之间的区别特征和关联特征;依据区别特征和关联特征,调整对应的节点簇,得到更新节点簇。
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:接收目标对象发送的项目推荐请求,其中,项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;响应于项目推荐请求,依据对象属性数据,历史交易数据和项目类型数据,确定多个关键点;依据多个关键点,构建节点结构图,其中,节点结构图中包括多个节点,多个节点的数量小于或等于多个关键点的数量;确定节点结构图中多个节点分别所属的节点簇;确定多个节点分别所属的节点簇对应的簇特征;依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目。
可选地,确定节点结构图中多个节点分别所属的节点簇,包括:依据差分隐私的条件对节点结构图中多个节点进行聚类,确定多个节点分别所属的节点簇。
可选地,确定多个节点分别所属的节点簇对应的簇特征,包括:确定多个节点簇分别对应的中心节点;确定多个节点簇分别对应的中心节点的中心特征;依据多个节点簇分别对应的中心节点的中心特征,确定多个节点分别所属的节点簇对应的簇特征。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点簇之间的簇关联数据;依据多个节点簇分别对应的簇特征与簇关联数据,确定为目标对象推荐的推荐项目。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目,包括:确定多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数;依据项目类型数据,多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定多个节点分别所属的节点簇对应的权重;依据多个节点分别所属的节点簇对应的簇特征与权重,确定为目标对象推荐的推荐项目。
可选地,依据多个关键点,构建节点结构图,包括:确定多个关键点中任意一个关键点与其他关键点之间的关联关系;依据关联关系,构建节点结构图。
可选地,依据多个节点分别所属的节点簇对应的簇特征,确定为目标对象推荐的推荐项目之后,还包括:在推荐项目包括多个的情况下,接收目标对象选择的目标推荐项目;提取目标推荐项目与未选择推荐项目之间的区别特征和关联特征;依据区别特征和关联特征,调整对应的节点簇,得到更新节点簇。
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)
1.一种项目推荐方法,其特征在于,包括:
接收目标对象发送的项目推荐请求,其中,所述项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;
响应于所述项目推荐请求,依据所述对象属性数据,所述历史交易数据和所述项目类型数据,确定多个关键点;
依据所述多个关键点,构建节点结构图,其中,所述节点结构图中包括多个节点,所述多个节点的数量小于或等于所述多个关键点的数量;
确定所述节点结构图中所述多个节点分别所属的节点簇;
确定所述多个节点分别所属的节点簇对应的簇特征;
依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目。
2.根据权利要求1所述的方法,其特征在于,所述确定所述节点结构图中所述多个节点分别所属的节点簇,包括:
依据差分隐私的条件对所述节点结构图中所述多个节点进行聚类,确定所述多个节点分别所属的节点簇。
3.根据权利要求1所述的方法,其特征在于,所述确定所述多个节点分别所属的节点簇对应的簇特征,包括:
确定多个节点簇分别对应的中心节点;
确定所述多个节点簇分别对应的中心节点的中心特征;
依据所述多个节点簇分别对应的中心节点的中心特征,确定所述多个节点分别所属的节点簇对应的簇特征。
4.根据权利要求1所述的方法,其特征在于,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目,包括:
确定多个节点簇之间的簇关联数据;
依据所述多个节点簇分别对应的簇特征与所述簇关联数据,确定为所述目标对象推荐的所述推荐项目。
5.根据权利要求1所述的方法,其特征在于,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目,包括:
确定所述多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数;
依据所述项目类型数据,所述多个节点分别所属的节点簇对应的稳定性指数、重要性指数以及收益性指数,确定所述多个节点分别所属的节点簇对应的权重;
依据所述多个节点分别所属的节点簇对应的簇特征与权重,确定为所述目标对象推荐的所述推荐项目。
6.根据权利要求1所述的方法,其特征在于,所述依据所述多个关键点,构建节点结构图,包括:
确定所述多个关键点中任意一个关键点与其他关键点之间的关联关系;
依据所述关联关系,构建所述节点结构图。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目之后,还包括:
在所述推荐项目包括多个的情况下,接收所述目标对象选择的目标推荐项目;
提取所述目标推荐项目与未选择推荐项目之间的区别特征和关联特征;
依据所述区别特征和所述关联特征,调整对应的节点簇,得到更新节点簇。
8.一种项目推荐装置,其特征在于,包括:
接收模块,用于接收目标对象发送的项目推荐请求,其中,所述项目推荐请求中携带有对象属性数据,历史交易数据和项目类型数据;
第一确定模块,用于响应于所述项目推荐请求,依据所述对象属性数据,所述历史交易数据和所述项目类型数据,确定多个关键点;
构建模块,用于依据所述多个关键点,构建节点结构图,其中,所述节点结构图中包括多个节点,所述多个节点的数量小于或等于所述多个关键点的数量;
第二确定模块,用于确定所述节点结构图中所述多个节点分别所属的节点簇;
第三确定模块,用于确定所述多个节点分别所属的节点簇对应的簇特征;
第四确定模块,用于依据所述多个节点分别所属的节点簇对应的簇特征,确定为所述目标对象推荐的推荐项目。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的方法。
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中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011063.2A CN117093775A (zh) | 2023-08-10 | 2023-08-10 | 项目推荐方法、装置、处理器及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011063.2A CN117093775A (zh) | 2023-08-10 | 2023-08-10 | 项目推荐方法、装置、处理器及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117093775A true CN117093775A (zh) | 2023-11-21 |
Family
ID=88782306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311011063.2A Pending CN117093775A (zh) | 2023-08-10 | 2023-08-10 | 项目推荐方法、装置、处理器及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093775A (zh) |
-
2023
- 2023-08-10 CN CN202311011063.2A patent/CN117093775A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488225B2 (en) | Method, medium, and system for surfacing recommendations | |
McCarthy et al. | Applying predictive analytics | |
CN109063966B (zh) | 风险账户的识别方法和装置 | |
US10430727B1 (en) | Systems and methods for privacy-preserving generation of models for estimating consumer behavior | |
Satish et al. | A review: big data analytics for enhanced customer experiences with crowd sourcing | |
CA3111752A1 (en) | Systems and methods for secure prediction using an encrypted query executed based on encrypted data | |
WO2015148159A1 (en) | Determining a temporary transaction limit | |
US11188678B2 (en) | Detection and prevention of privacy violation due to database release | |
US20200320548A1 (en) | Systems and Methods for Estimating Future Behavior of a Consumer | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
US20230214677A1 (en) | Techniques for evaluating an effect of changes to machine learning models | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
JP2009289172A (ja) | 行動履歴分析システムおよびその方法 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
US20220291840A1 (en) | Value-based replication of streaming data | |
WO2020204812A1 (en) | Privacy separated credit scoring mechanism | |
US20190147543A1 (en) | Composite account structure | |
CN111708945A (zh) | 产品的推荐方法及装置、电子设备、计算机存储介质 | |
US20230113118A1 (en) | Data compression techniques for machine learning models | |
CN117093775A (zh) | 项目推荐方法、装置、处理器及电子设备 | |
US20210056437A1 (en) | Systems and methods for matching users and entities | |
US20160042091A1 (en) | System And Method Of Forming An Index | |
CN112785197B (zh) | 信息推荐方法、装置、计算设备、介质和程序产品 | |
US20210240789A1 (en) | Systems and methods for intelligence delivery | |
CN116228370A (zh) | 产品推荐方法、装置及电子设备 |
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 |