CN117094828A - 金融产品推荐方法、装置、计算机设备和存储介质 - Google Patents
金融产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117094828A CN117094828A CN202310898029.5A CN202310898029A CN117094828A CN 117094828 A CN117094828 A CN 117094828A CN 202310898029 A CN202310898029 A CN 202310898029A CN 117094828 A CN117094828 A CN 117094828A
- Authority
- CN
- China
- Prior art keywords
- financial product
- information
- preset
- liveness
- target
- 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 40
- 230000000694 effects Effects 0.000 claims abstract description 158
- 230000003993 interaction Effects 0.000 claims abstract description 147
- 230000008859 change Effects 0.000 claims abstract description 117
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 230000002452 interceptive effect Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012545 processing Methods 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
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000012216 screening Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种金融产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，涉及大数据技术领域。所述方法包括：获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据交互信息，预测目标用户对于各预设金融产品类别的点击活跃度；根据当前交互信息和历史交互信息，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势；根据活跃度预测结果和活跃度变化预测结果，确定目标用户对于各预设金融产品类别的目标活跃度评分；根据各目标活跃度评分，在各预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。采用本方法能够提升金融产品推荐准确度。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种金融产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着大数据技术的发展，出现了金融产品推荐技术，利用金融产品推荐技术可以向客户进行个性化地金融产品推荐。
传统技术中，通常是采集客户对于不同金融产品的点击率，然后根据点击率可以确定客户对于不同金融产品的偏好程度，从而根据该偏好程度，向客户推荐对应的金融产品。
然而，目前金融产品推荐仅由不同金融产品的点击率确定，决策因素单一，因此并不能很准确地向客户进行金融产品推荐，即金融产品推荐的准确度不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升金融产品推荐准确度的金融产品推荐方法、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，本申请提供了一种金融产品推荐方法。所述方法包括：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；
根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；
根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；
根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；
根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
在其中一个实施例中，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；所述根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分，包括：
获取各所述预设金融产品类别对应的权重信息；根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
在其中一个实施例中，在所述获取各所述预设金融产品类别对应的权重信息之前，所述方法包括：
获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
在其中一个实施例中，所述根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，包括：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
在其中一个实施例中，所述根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果，包括：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
在其中一个实施例中，在所述获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息之前，所述方法还包括：
获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
第二方面，本申请还提供了一种金融产品推荐装置。所述装置包括：
信息获取模块，用于获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；
活跃度预测模块，用于根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；
活跃度变化预测模块，用于根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；
活跃度评分确定模块，用于根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；
金融产品推荐模块，用于根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
上述金融产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分，这样可以根据目标用户在当前的点击活跃度，以及目标用户在未来的点击活跃度的变化趋势，来决定目标对于各预设金融产品类别的目标活跃度评分，决策因素同时考虑了当前以及未来的点击活跃度，并不限定于点击量，因此可以提升目标活跃度评分的准确度，从而根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品，可以提升金融产品推荐的准确度。
附图说明
图1为一个实施例中金融产品推荐方法的流程示意图；
图2为一个实施例中确定各目标活跃度评分的流程示意图；
图3为一个实施例中设置各权重信息的流程示意图；
图4为一个实施例中进行点击活跃度变化趋势预测的流程示意图；
图5为一个实施例中金融产品推荐装置的结构框图；
图6为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。
在一个实施例中，如图1所示，提供了一种金融产品推荐方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤202，获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息。
其中，预设金融产品类别可以通过对各金融产品进行聚类得到，从而可以将所有的金融产品划分至不同的预设金融产品类别；当前交互信息可以为目标用户在当前时间与各预设金融产品类别之间的交互信息，历史交互信息可以为目标用户在过去时间与各预设金融产品类别之间的交互信息，其中，交互信息可以为目标用户对于预设金融产品类别中的金融产品的行为交互信息，该行为交互信息可以为点击行为信息、浏览行为信息以及购买行为信息等。
在一个实施例中，在获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息之前，方法还包括：
获取各金融产品的产品信息，对各产品信息进行特征提取，得到各产品信息嵌入特征；通过对各产品信息嵌入特征进行聚类，将各金融产品划分为各预设金融产品类别。
具体地，获取各金融产品的产品信息，对各产品信息进行特征提取，得到各产品信息嵌入特征；对各产品信息嵌入特征进行聚类，得到多个聚类簇，将属于同一个聚类簇的金融产品划分至同一金融产品类别，得到各预设金融产品类别。
步骤204，根据当前交互信息，预测目标用户对于各预设金融产品类别的点击活跃度，得到活跃度预测结果。
其中，点击活跃度可以为评估目标用户对于预设金融产品类别的点击意愿的指标值，用于表征目标用户对于预设金融产品类别的点击概率，点击活跃度越高，则点击概率越高，点击活跃度越低，则点击概率越低。
作为一种示例，步骤204包括：对当前交互信息进行特征提取，得到交互信息特征，通过将交互信息特征输入预设活跃度预测模型，预测目标用户对于各预设金融产品类别的点击活跃度，得到活跃度预测结果，其中，预设活跃度预测模型可以为预设训练好的机器学习模型，例如可以为分类模型或者逻辑回归模型等。
作为一种示例，步骤204包括：对当前交互信息进行特征提取，得到交互信息特征；获取各预设金融产品类别对应的聚类中心嵌入特征，根据交互信息特征和各聚类中心嵌入特征之间的第一特征距离，预测目标用户对于各预设金融产品类别的点击活跃度，得到活跃度预测结果，其中，第一特征距离越大，则点击活跃度越低，第一特征距离越小，则点击活跃度越高。
步骤206，根据当前交互信息和历史交互信息，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
其中，点击活跃度变化趋势可以为点击活跃度在未来一段时间内的变化趋势，用于表征目标用户对于预设金融产品类别的点击概率变化趋势。
作为一种示例，步骤206包括：分别对每一预设金融产品类别对应的当前交互信息进行特征提取，得到各交互信息特征；分别对每一预设金融产品类别对应的历史交互信息进行特征提取，得到各历史交互信息特征；按照时间排列顺序，分别将每一预设金融产品类别对应的交互信息特征和历史交互信息特征进行拼接，得到各预设金融产品类别对应的交互信息时序特征；通过分别将各交互信息时序特征输入预设时间序列模型，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
步骤208，根据活跃度预测结果和活跃度变化预测结果，确定目标用户对于各预设金融产品类别的目标活跃度评分。
其中，活跃度预测结果可以为目标用户对于各预设金融产品类别的第一活跃度评分，该第一活跃度评分用于表征目标用户对于预设金融产品类别的点击活跃度的高低，第一活跃度评分越高，则点击活跃度越高，第一活跃度评分越低，则点击活跃度越低；活跃度变化预测结果包括目标用户对于各预设金融产品类别的第二活跃度评分，该第二活跃度评分用于表征目标用户对于预设金融产品类别的点击活跃度变化趋势的方向和强弱，第二活跃度评分越高，则点击活跃度趋势往增大方向变化的趋势越强，往减小方向变化的趋势越弱，第二活跃度评分越低，则点击活跃度趋势往减小方向变化的趋势越强，往增大方向变化的趋势越弱。
作为一种示例，步骤208包括：分别将每一预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行融合，得到目标对于各预设金融产品类别的目标活跃度评分，其中，融合的方式包括求平均以及求和等。
步骤210，根据各目标活跃度评分，在各预设金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品。
作为一种示例，步骤210包括：按照各目标活跃度评分从大到小的顺序，将各预设金融产品类别进行排序；选取预设数量的排在前列的预设金融产品类别作为目标金融产品类别；在各目标金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品。
作为一种示例，步骤210包括：选取目标活跃度评分最高的预设金融产品类别作为目标金融产品类别；在目标金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品。
在一个实施例中，根据各目标活跃度评分，在各预设金融产品类别中选取待推荐金融产品，包括：
基于各目标活跃度评分，在各预设金融产品类别中选取各目标金融产品类别；基于目标用户的用户信息，在各目标金融产品类别中选取待推荐金融产品。
具体地，按照各目标活跃度评分从大到小的顺序，将各预设金融产品类别进行排序；选取预设数量的排在前列的预设金融产品类别作为各目标金融产品类别；对目标用户的用户信息进行特征提取，得到用户信息嵌入特征；获取各目标金融产品类别中金融产品的产品信息嵌入特征；根据用户信息嵌入特征和产品信息嵌入特征之间的第二特征距离，在各目标金融产品类别的金融产品中选取到推荐金融产品，其中，产品信息嵌入特征可以为表征金融产品信息的嵌入特征向量，用户信息嵌入特征可以为表征目标用户信息的嵌入特征向量，嵌入特征向量可以为embedding向量。
作为一种示例，若用户信息嵌入特征和产品信息嵌入特征之间的第二距离大于预设距离阈值，则将产品信息嵌入特征对应的金融产品作为待推荐金融产品。
作为一种示例，可以选取第二特征距离最大的产品信息嵌入特征对应的金融产品作为待推荐金融产品。
上述金融产品推荐方法中，通过获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据交互信息，预测目标用户对于各预设金融产品类别的点击活跃度，得到活跃度预测结果；根据当前交互信息和历史交互信息，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据活跃度预测结果和活跃度变化预测结果，确定目标用户对于各预设金融产品类别的目标活跃度评分，这样可以根据目标用户在当前的点击活跃度，以及目标用户在未来的点击活跃度的变化趋势，来决定目标对于各预设金融产品类别的目标活跃度评分，决策因素同时考虑了当前以及未来的点击活跃度，并不限定于点击量，因此可以提升目标活跃度评分的准确度，从而根据各目标活跃度评分，在各预设金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品，可以提升金融产品推荐的准确度。
在一个实施例中，如图2所示，活跃度预测结果包括目标用户对于各预设金融产品类别的第一活跃度评分，活跃度变化预测结果包括目标用户对于各预设金融产品类别的第二活跃度评分；根据活跃度预测结果和活跃度变化预测结果，确定目标用户对于各预设金融产品类别的目标活跃度评分，包括：
步骤302，获取各预设金融产品类别对应的权重信息。
其中，对于不同预设金融产品类别中的金融产品，点击活跃度和点击活跃度的变化趋势的重要程度通常不同，例如金融产品为理财类金融产品，用户可以频繁地进行多次购买，因此应当着重关注点击活跃度的变化趋势，即点击活跃度的变化趋势的重要程度更高，若金融产品为保险类金融产品，用户通常只会购买一次，因此应当着重关注当下的点击活跃度，即点击活跃度的重要程度更高。
本实施例中预先为不同的预设金融产品类别设置了相对应的权重信息，该权重信息可以包括第一活跃度评分的第一权重和第二活跃度评分对应的第二权重。
步骤304，根据各权重信息，分别对各预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
作为一种示例，步骤304包括：根据第一权重对第一活跃度评分进行加权，得到第一加权评分；根据第二权重对第二活跃度评分进行加权，得到第二加权评分；将第一加权评分和第二加权评分进行聚合，得到目标活跃度评分。
本实施例中，通过获取各预设金融产品类别对应的权重信息，这样可以根据预设金融产品类别的不同，分别为各第一活跃度评分和各第二活跃度评分合理适配不同的权重，从而根据各权重信息，分别对各预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，这样可以实现根据预设金融产品类别的不同，将各预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行个性化加权聚合，使得最终得到的各目标活跃度评分与对应的预设金融产品类别更加适配，有助于提升目标活跃度评分的准确度。
在一个实施例中，如图3所示，在获取各预设金融产品类别对应的权重信息之前，方法包括：
步骤402，获取各预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征。
其中，本实施例中预先对所有的金融产品信息进行了聚类处理，从而得到各预设金融产品类别，类别中心嵌入特征为预设金融产品类别对应的聚类中心的嵌入特征向量，用于表征预设金融产品类别的类别特征信息；金融热点信息可以为用户关注热点金融信息，该金融热点信息可以基于金融信息的曝光量、点击量或者浏览量等指标在多条金融信息中进行筛选得到，信息嵌入特征可以为表征金融热点信息的嵌入特征向量，例如上述嵌入特征向量可以为embedding向量。
步骤404，根据各类别中心嵌入特征和各信息嵌入特征之间的距离，对各预设金融产品类别进行热点评分，得到各热点评分结果。
作为一种示例，步骤404包括：分别计算每一类别中心嵌入特征和每一信息嵌入特征之间的距离，得到每一类别中心嵌入特征对应的多个第三特征距离；根据每一类别中心嵌入特征对应的多个第三特征距离，分别对各预设金融产品类别进行热点评分，得到各热点评分结果。
作为一种示例，热点评分结果可以为热点评分值，热点评分值用于表征预设金融产品类别与当下的金融热点之间的关联程度，热点评分值越高，则说明预设金融产品类别与当下的金融热点的关联程度越高，热点评分值越高，则说明预设金融产品类别与当下的金融热点的关联程度越低。
步骤406，根据各热点评分结果，设置各预设金融产品类别对应的权重信息。
其中，由于金融热点是实时发生变化的，且金融热点的变化速度也是较高，对于金融热点信息，但是一天后就不是金融热点信息了，对于非金融热点的金融信息，也可能在一天后变为金融热点信息，因此若预设金融产品类别与当前的金融热点之间的关联程度较高，则更应当关注预设金融产品类别在当下的点击活跃度，若预设金融产品类别与当前的金融热点之间的关联程度较低，则更应当关注预设金融产品类别在未来的点击活跃度变化趋势。
作为一种示例，步骤406包括：根据各热点评分值的大小，分别设置各预设金融产品类别对应的权重信息，其中，权重信息包括第一活跃度评分对应的第一权重和第二活跃度评分的第二权重，预设金融产品类别对应的热点评分值越大，则预设金融产品类别对应的第一权重越大，预设金融产品类别对应的第二权重越小，预设金融产品类别对应的热点评分值越小，则预设金融产品类别对应的第一权重越小，预设金融产品类别对应的第二权重越大。
上述实施例中，通过获取各预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各类别中心嵌入特征和各信息嵌入特征之间的距离，对各预设金融产品类别进行热点评分，得到各热点评分值，其中，热点评分值用于表征预设金融产品类别与当下的金融热点之间的关联程度，这样根据各热点评分值，设置各预设金融产品类别对应的权重信息，可以根据预设金融产品类别与金融热点之间的关联程度，合理设置各预设金融产品类别对应的权重信息，使得权重信息设置地更加准确，为提升目标活跃度评分的准确度奠定基础。
需要说明的是，由于金融产品在不断地更新迭代，金融产品的产品信息通常也是随着时间而不断更新，因此在预测目标用户对于预设金融产品类别的点击活跃度变化趋势时，还要考虑到金融产品在不断地更新迭代所带来的影响。
在一个实施例中，如图4所示，根据当前交互信息和历史交互信息，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；
步骤502，在当前交互信息和历史交互信息中提取各预设金融产品类别对应的交互信息时序特征。
作为一种示例，步骤502包括：分别对每一预设金融产品类别对应的当前交互信息进行特征提取，得到各交互信息特征；分别对每一预设金融产品类别对应的历史交互信息进行特征提取，得到各历史交互信息特征；按照时间排列顺序，分别将每一预设金融产品类别对应的交互信息特征和历史交互信息特征进行拼接，得到各预设金融产品类别对应的交互信息时序特征。
步骤504，获取各预设金融产品类别对应的产品信息时序特征，分别将各预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征。
作为一种示例，步骤504包括：获取各预设金融产品类别在过去一段时间内的历史金融产品信息；分别对各历史金融产品信息进行时序特征提取，得到各预设金融产品类别对应的产品信息时序特征；分别将各预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征，其中，融合的方式可以为拼接或者求平均等。
作为一种示例，分别对各历史金融产品信息进行时序特征提取，得到各预设金融产品类别对应的产品信息时序特征，包括：
分别对各个历史时间点采集的历史金融产品信息进行特征提取，得到历史产品信息特征；按照时间顺序，将各历史产品信息特征进行拼接，得到产品信息时序特征。
步骤506，根据各融合时序特征，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
作为一种示例，步骤506包括：通过分别将各融合时序特征输入预设时间序列模型，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
上述实施例中，通过在当前交互信息和历史交互信息中提取各预设金融产品类别对应的交互信息时序特征；获取各预设金融产品类别对应的产品信息时序特征，分别将各预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各融合时序特征，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果，这样可以实现根据预设金融产品类别的交互时序信息以及产品时序信息，来预测目标用户对预设金融产品类别的点击活跃度变化趋势，同时考虑到了交互信息变化以及产品信息变化对于点击活跃度变化趋势的影响，决策特征更加丰富，因此可以提升点击活跃度变化趋势预测的准确度。
在一个实施例中，通过获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；对当前交互信息进行特征提取，得到交互信息特征，通过将交互信息特征输入预设活跃度预测模型，预测目标用户对于各预设金融产品类别的点击活跃度，得到活跃度预测结果，这样可以实现根据目标用户与预设金融产品类别之间的交互信息，准确预测目标用户对于预设金融产品类别的点击活跃度。
在预测得到活跃度预测结果之后，分别对每一预设金融产品类别对应的当前交互信息进行特征提取，得到各交互信息特征；分别对每一预设金融产品类别对应的历史交互信息进行特征提取，得到各历史交互信息特征；按照时间排列顺序，分别将每一预设金融产品类别对应的交互信息特征和历史交互信息特征进行拼接，得到各预设金融产品类别对应的交互信息时序特征；获取各预设金融产品类别在过去一段时间内的历史金融产品信息；分别对各历史金融产品信息进行时序特征提取，得到各预设金融产品类别对应的产品信息时序特征；分别将各预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；通过分别将各融合时序特征输入预设时间序列模型，预测目标用户对于各预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果，这样可以实现根据预设金融产品类别的交互时序信息以及产品时序信息，来预测目标用户对预设金融产品类别的点击活跃度变化趋势，同时考虑到了交互信息变化以及产品信息变化对于点击活跃度变化趋势的影响，决策特征更加丰富，因此可以提升点击活跃度变化趋势预测的准确度。
在预测得到活跃度变化预测结果之后，获取各预设金融产品类别对应的权重信息，该权重信息可以包括第一活跃度评分的第一权重和第二活跃度评分对应的第二权重；根据第一权重对第一活跃度评分进行加权，得到第一加权评分；根据第二权重对第二活跃度评分进行加权，得到第二加权评分；将第一加权评分和第二加权评分进行聚合，得到目标活跃度评分，这样可以实现根据预设金融产品类别的不同，将各预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行个性化加权聚合，使得最终得到的各目标活跃度评分与对应的预设金融产品类别更加适配，有助于提升目标活跃度评分的准确度。
在得到目标活跃度评分之后，按照各目标活跃度评分从大到小的顺序，将各预设金融产品类别进行排序；选取预设数量的排在前列的预设金融产品类别作为目标金融产品类别；在各目标金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品，这样可以根据目标用户在当前的点击活跃度，以及目标用户在未来的点击活跃度的变化趋势，来决定目标对于各预设金融产品类别的目标活跃度评分，决策因素同时考虑了当前以及未来的点击活跃度，并不限定于点击量，因此可以提升目标活跃度评分的准确度，从而根据各目标活跃度评分，在各预设金融产品类别中选取待推荐金融产品，向目标用户推荐待推荐金融产品，可以提升金融产品推荐的准确度。
应该理解的是，虽然如上所述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，如上所述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金融产品推荐方法的金融产品推荐装置。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金融产品推荐装置实施例中的具体限定可以参见上文中对于金融产品推荐方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种金融产品推荐装置，包括：信息获取模块、活跃度预测模块、活跃度变化预测模块、活跃度评分确定模块和金融产品推荐模块，其中：
信息获取模块，用于获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息。
活跃度预测模块，用于根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果。
活跃度变化预测模块，用于根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
活跃度评分确定模块，用于根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分。
金融产品推荐模块，用于根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
在一个实施例中，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；所述活跃度评分确定模块还用于：
获取各所述预设金融产品类别对应的权重信息；根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
在一个实施例中，所述金融产品推荐装置还包括：
权重信息设置模块，用于获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
在一个实施例中，所述金融产品推荐模块还用于：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
在一个实施例中，所述活跃度变化预测模块还用于：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
在一个实施例中，所述金融产品推荐装置还包括：
聚类模块，用于获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
上述金融产品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。
在一个实施例中，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6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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金融产品数据。该计算机设备的网络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金融产品推荐方法。
本领域技术人员可以理解，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。
在一个实施例中，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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
在一个实施例中，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；处理器执行计算机程序时还实现以下步骤：
获取各所述预设金融产品类别对应的权重信息；根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
在一个实施例中，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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
在一个实施例中，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；计算机程序被处理器执行时还实现以下步骤：
获取各所述预设金融产品类别对应的权重信息；根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
在一个实施例中，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以下步骤：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
在一个实施例中，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；计算机程序被处理器执行时还实现以下步骤：
获取各所述预设金融产品类别对应的权重信息；根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
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。
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)
1.一种金融产品推荐方法，其特征在于，所述方法包括：
获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；
根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；
根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；
根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；
根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
2.根据权利要求1所述的方法，其特征在于，所述活跃度预测结果包括所述目标用户对于各所述预设金融产品类别的第一活跃度评分，所述活跃度变化预测结果包括所述目标用户对于各所述预设金融产品类别的第二活跃度评分；所述根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分，包括：
获取各所述预设金融产品类别对应的权重信息；
根据各所述权重信息，分别对各所述预设金融产品类别对应的第一活跃度评分和第二活跃度评分进行加权聚合，得到各目标活跃度评分。
3.根据权利要求2所述的方法，其特征在于，在所述获取各所述预设金融产品类别对应的权重信息之前，所述方法包括：
获取各所述预设金融产品类别对应的类别中心嵌入特征以及各金融热点信息对应的信息嵌入特征；
根据各所述类别中心嵌入特征和各所述信息嵌入特征之间的距离，对各所述预设金融产品类别进行热点评分，得到各热点评分结果；
根据各所述热点评分结果，设置各所述预设金融产品类别对应的权重信息。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，包括：
基于各所述目标活跃度评分，在各所述预设金融产品类别中选取各目标金融产品类别；
基于所述目标用户的用户信息，在各所述目标金融产品类别中选取待推荐金融产品。
5.根据权利要求1所述的方法，其特征在于，所述根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果，包括：
在所述当前交互信息和所述历史交互信息中提取各所述预设金融产品类别对应的交互信息时序特征；
获取各所述预设金融产品类别对应的产品信息时序特征，分别将各所述预设金融产品类别对应的交互信息时序特征和产品信息时序特征进行融合，得到各融合时序特征；
根据各所述融合时序特征，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果。
6.根据权利要求1-5任一项所述的方法，其特征在于，在所述获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息之前，所述方法还包括：
获取各金融产品的产品信息，对各所述产品信息进行特征提取，得到各产品信息嵌入特征；
通过对各所述产品信息嵌入特征进行聚类，将各所述金融产品划分为各所述预设金融产品类别。
7.一种金融产品推荐装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标用户与各预设金融产品类别之间的当前交互信息以及历史交互信息；
活跃度预测模块，用于根据所述当前交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度，得到活跃度预测结果；
活跃度变化预测模块，用于根据所述当前交互信息和所述历史交互信息，预测所述目标用户对于各所述预设金融产品类别的点击活跃度变化趋势，得到活跃度变化预测结果；
活跃度评分确定模块，用于根据所述活跃度预测结果和所述活跃度变化预测结果，确定所述目标用户对于各所述预设金融产品类别的目标活跃度评分；
金融产品推荐模块，用于根据各所述目标活跃度评分，在各所述预设金融产品类别中选取待推荐金融产品，向所述目标用户推荐所述待推荐金融产品。
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 |
|---|---|---|---|
| CN202310898029.5A CN117094828A (zh) | 2023-07-20 | 2023-07-20 | 金融产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310898029.5A CN117094828A (zh) | 2023-07-20 | 2023-07-20 | 金融产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094828A true CN117094828A (zh) | 2023-11-21 |
Family
ID=88770739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310898029.5A Pending CN117094828A (zh) | 2023-07-20 | 2023-07-20 | 金融产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094828A (zh) |
-
2023
- 2023-07-20 CN CN202310898029.5A patent/CN117094828A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461225B (zh) | 客户聚类系统及其方法 | |
| CN112559900A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN118013120A (zh) | 基于聚类标签优化推荐给用户的产品的方法、介质和设备 | |
| CN117195061A (zh) | 事件响应预测模型处理方法、装置和计算机设备 | |
| CN117435130A (zh) | 金融数据存储方法、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 | |
| CN116861070A (zh) | 推荐模型的处理方法、装置、计算机设备和存储介质 | |
| CN114529399A (zh) | 用户数据处理方法、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 | |
| CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN113469819A (zh) | 基金产品的推荐方法、相关装置及计算机存储介质 | |
| CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
| CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
| CN117891811B (zh) | 一种客户数据采集分析方法、装置及云服务器 | |
| KR102587477B1 (ko) | 데이터 이코노미를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 | |
| CN118364317A (zh) | 样本扩充方法、装置、计算机设备和可读存储介质 | |
| CN116910604A (zh) | 用户分类方法、装置、计算机设备、存储介质和程序产品 | |
| Cheng | Machine Learning Application in Car Insurance Direct Marketing | |
| CN116484280A (zh) | 对象分类模型的训练方法、对象分类方法及装置 | |
| CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
| CN114881723A (zh) | 金融产品推荐方法、装置及计算机设备 | |
| Guo et al. | Customer Churn Prediction in the Broadband Service on Machine Learning | |
| CN117390252A (zh) | 一种推荐方法及装置、计算机可读存储介质 |
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 |