CN117273950A - 理财产品推送方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种理财产品推送方法，可以应用于大数据技术领域及金融科技领域。该方法包括：获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息；获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品；将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；根据用户等级信息与理财产品等级信息的相似度推送理财产品。本公开还提供了一种理财产品推送装置、设备、介质和程序产品。

Description

理财产品推送方法、装置、设备、介质和程序产品

技术领域

本公开涉及大数据技术领域，更具体地涉及一种理财产品推送方法、装置、设备、介质和程序产品。

背景技术

随着社会的发展，越来越多的人群开始领取社保退休养老金，还有部分人群拥有企业年金或职业年金等补充性养老金，但其中大部分人并不知道该如何规划自己的养老金，导致养老金理财产品无法和用户需求相匹配。

由于养老金理财产品需要准确评估未来的市场走势和风险状况，以便向用户提供最佳的推送建议，然而，现有技术对于理财产品的推送往往是基于群体的统计分析，缺乏个体用户的定制化推送，继而忽略了用户的风险承受能力和投资目标等个体因素，导致推送的信息不够准确。

发明内容

鉴于上述问题，本公开提供了能够实现个性化推送的理财产品推送方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种理财产品推送方法，包括：获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息；获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品；将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；根据用户等级信息与理财产品等级信息的相似度推送理财产品。

根据本公开的实施例，获取用户的画像信息包括：获取用户信息；确定用户信息是否包含用户客编；在用户信息包含用户客编的情况下，根据用户客编生成用户的画像信息；在用户信息未包含用户客编的情况下，创建用户客编；根据创建后的用户客编生成用户的画像信息。

根据本公开的实施例，获取用户的画像信息还包括：对画像信息进行预处理；对预处理后的画像信息进行格式转换，得到归一化画像信息。

根据本公开的实施例，利用第一神经网络模型对数值型画像信息进行特征提取，得到用户等级信息包括：利用第一神经网络模型提取归一化画像信息的资产等级、月养老金收益、消费习惯标识；基于资产等级、月养老金收益和消费习惯标识，计算得到用户等级信息。

根据本公开的实施例，获取用户的风险偏好类型包括：获取用户的市场数据，其中，市场数据包括用户的股票、债券和基金的历史价格与股票、债券和基金的收益率；基于市场数据和用户等级信息，获取用户的风险偏好；对风险偏好进行类型划分，得到风险偏好类型。

根据本公开的实施例，将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息包括：利用第三神经网络模型提取理财产品的风险类型等级、收益类型等级、起购价等级和产品期限标识；基于风险类型等级、收益类型等级、起购价等级和产品期限标识，计算得到理财产品等级信息。

根据本公开的实施例，第一神经网络模型包括长短期记忆神经网络模型。

根据本公开的实施例，第二神经网络模型和第三神经网络模型包括多层感知器、前馈神经网络模型和循环神经网络模型。

根据本公开的实施例，根据用户等级信息与理财产品等级信息的相似度推送理财产品包括：根据用户等级信息与理财产品等级信息的相似度由高到低依次推送理财产品。

根据本公开的实施例，根据用户等级信息与理财产品等级信息的相似度推送理财产品，还包括：对待推送的理财产品做筛选处理，其中，筛选处理包括筛选掉待推送理财产品中已被用户购买过的理财产品。

本公开的第二方面提供了一种理财产品推送装置，包括：第一识别模块，用于获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息；第二识别模块，用于获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品；第三识别模块，用于将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；推送模块，用于根据用户等级信息与理财产品等级信息的相似度推送理财产品。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述理财产品推送方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述理财产品推送方法。

本公开的第五方面还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理财产品推送方法。

本公开提供的理财产品推送方法、装置、设备、介质和程序产品，通过利用多级神经网络模型根据用户多要素信息进行数据分析，计算出与用户最匹配的理财产品，来实现个性化推送，具体的通过第一神经网络模型对用户进行等级划分，通过第二神经网络模型对理财产品进行筛选，通过第三神经网络模型对筛选得到的理财产品进行产品等级划分，最后根据用户等级和产品等级的相似度完成推送。由于用户画像信息和用户风险偏好类型可以充分分析用户的风险承受能力和理财需求，再结合神经网络算法给用户个体和产品进行等级划分，依据等级匹配度推送对应理财产品，充分适应了每个用户的特点和需求，实现了对用户个体的个性化推送，使得推送结果更加准确。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的理财产品推送方法的应用场景图；

图2示意性示出了根据本公开实施例的理财产品推送方法的流程图；

图3示意性示出了根据本公开实施例的理财产品推送方法中获取用户的画像信息的流程图；

图4示意性示出了根据本公开实施例的理财产品推送方法中对画像信息进行格式转换的流程图；

图5示意性示出了根据本公开实施例的理财产品推送方法中利用第一神经网络模型划分用户等级信息的流程图；

图6示意性示出了根据本公开实施例的理财产品推送方法中获取用户风险偏好类型的流程图；

图7示意性示出了根据本公开实施例的理财产品推送方法中利用第三神经网络模型划分理财产品等级信息的流程图；

图8示意性示出了根据本公开实施例的理财产品推送方法中用户信息与第一、第二和第三神经网络模型的交互原理图；

图9示意性示出了根据本公开实施例的理财产品推送装置的结构框图；以及

图10示意性示出了根据本公开实施例的适于实现理财产品推送方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

需要说明的是，本公开中理财产品推送方法和装置可用于金融领域对理财产品推送的情况，也可用于除金融领域之外的任意领域对理财产品推送的情况，本公开理财产品推送方法和装置的应用领域不做限定。

在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)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，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

本公开的实施例提供了一种理财产品推送方法，包括：获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息；获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品；将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；根据用户等级信息与理财产品等级信息的相似度推送理财产品。本公开提供的理财产品推送方法、装置、设备、介质和程序产品，通过利用多级神经网络模型根据用户多要素信息进行数据分析，计算出与用户最匹配的理财产品，来实现个性化推送，具体的通过第一神经网络模型对用户进行等级划分，通过第二神经网络模型对理财产品进行筛选，通过第三神经网络模型对筛选得到的理财产品进行产品等级划分，最后根据用户等级和产品等级的相似度完成推送。由于用户画像信息和用户风险偏好类型可以充分分析用户的风险承受能力和理财需求，再结合神经网络算法给用户个体和产品进行等级划分，依据等级匹配度推送对应理财产品，充分适应了每个用户的特点和需求，实现了对用户个体的个性化推送，使得推送结果更加准确。

图1示意性示出了根据本公开实施例的理财产品推送方法的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的理财产品推送方法一般可以由服务器105执行。相应地，本公开实施例所提供的理财产品推送装置一般可以设置于服务器105中。本公开实施例所提供的理财产品推送方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的理财产品推送装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图8对公开实施例的理财产品推送方法进行详细描述。

在本实施例中，例如用户想基于自己的养老金通过本公开实施例的理财产品推送方法来购买自己所需要的理财产品。

图2示意性示出了根据本公开实施例的理财产品推送方法的流程图。

如图2所示，该实施例的理财产品推送方法包括操作S210～操作S240，该理财产品推送方法可以在服务器中执行。

在操作S210，获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息。

用户的画像信息(persona)是根据用户的人口学特征、网络浏览内容、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型，相当于给用户贴“标签”，而“标签”是能表示用户某一维度特征的标识。

本实施例中，为了给用户提供个性化的理财产品推送方案，需要给用户进行等级划分，而等级划分需要考虑用户的多种因素，例如用户的姓名、年龄、性别、资产，消费金额、贡献度、养老金金额和养老金收益等，此时，借助用户的画像信息则可以对用户进行更准确的等级划分。获取用户的画像信息后，将该画像信息输入第一神经网络模型进行识别，对用户进行等级划分，其中，该第一神经网络模型被预先根据用户的画像信息样本训练而成。

在操作S220，获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品。

用户的风险偏好类型可以充分分析用户的风险承受能力和理财需求，在本实施例中，利用用户的风险偏好类型可以筛选出与对应的理财产品，找到用户的个性化需求。获取用户的风险偏好类型后，将风险偏好类型输入第二神经网络模型进行识别，利用第二神经网络模型筛选出用户的喜好，得到与风险偏好类型匹配的理财产品，其中，该第二神经网络模型被预先根据用户的风险偏好类型样本训练而成。

在操作S230，将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息。

在本实施例中，为了给用户提供个性化的理财产品推送方案，还需要对筛选出的理财产品进行等级划分，将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息，类似于产品类别画像，其中，第三神经网络模型被预先根据理财产品样本训练而成。

在操作S240，根据用户等级信息与理财产品等级信息的相似度推送理财产品。

在本实施例中，在得到用户的等级划分结果与产品的等级划分结果后，将两者的值进行匹配，选择相似度最高的理财产品进行推荐，例如用户等级被划分为3级的用户，优先推荐产品等级为3级的理财产品。

根据本公开的实施例，通过第一神经网络模型对用户进行等级划分，通过第二神经网络模型对理财产品进行筛选，通过第三神经网络模型对筛选得到的理财产品进行产品等级划分，最后根据用户等级和产品等级的相似度完成推送，由于通过用户画像信息和用户风险偏好类型可以充分分析用户的风险承受能力和理财需求，依据等级匹配度推送对应理财产品，充分适应了每个用户的特点和需求，实现了对用户个体的个性化推送，使得推送结果更加准确。

图3示意性示出了根据本公开实施例的理财产品推送方法中获取用户的画像信息的流程图。

如图3所示，该实施例的理财产品推送方法包括操作S310～操作S350。

在操作S310，获取用户信息。

在本实施例中，用户信息例如可以包括用户的姓名、年龄、性别、资产，消费金额、贡献度、养老金金额、养老金收益和用户客编等。

在操作S320，确定用户信息是否包含用户客编。

客编即客户编号，每一个在银行网点注册的用户都有一个对应的客编，由于客编是根据用户的个人信息注册的，一键查询客编便可获取用户的所有个人信息，因此，在创建用户画像时优先判断客户有没有客编。

在操作S330，在用户信息包含用户客编的情况下，根据用户客编生成用户的画像信息。

通常，当客户浏览投资理财产品的时候，银行系统自动获取该客户的客编。

在本实施例中，当客户浏览投资理财产品的时候，若银行系统能够获取到该用户的客编，则直接利用客编通过发数据库查询用户的画像信息。

在操作S340，在用户信息未包含用户客编的情况下，创建用户客编。

在本实施例中，当客户浏览投资理财产品的时候，若银行系统未能够获取到该用户的客编，说明该用户时新用户，这种情况则为用户创建一个新的客编。

在操作S350，根据创建后的用户客编生成用户的画像信息。

在本实施例中，由于客编是根据用户的个人信息注册的，一键查询客编便可获取用户的所有个人信息，因此，在创建用户画像时利用客编来生成画像信息会更加便捷高效。

图4示意性示出了根据本公开实施例的理财产品推送方法中对画像信息进行格式转换的流程图。

如图4所示，该实施例的理财产品推送方法包括操作S410～操作S420。

在操作S410，对画像信息进行预处理。

在本实施例中，获取到用户的画像信息后，需要对画像信息进行预处理，包括数据清洗、填充缺失值和去除异常值等。

在操作S420，对预处理后的画像信息进行格式转换，得到归一化画像信息。

在本实施例中，需要将用户的画像信息输入第一神经网络模型进行等级划分，因此，在对画像信息进行预处理后，还需要将预处理后的画像信息进行转换处理，转换为适合经网络模型处理的格式，例如数值型数据可以进行标准化或者归一化处理，以确保数据的质量和适用性，这样能够使神经网络在识别过程中节约计算资源，使识别过程更加简易。

图5示意性示出了根据本公开实施例的理财产品推送方法中利用第一神经网络模型划分用户等级信息的流程图。

如图5所示，该实施例的理财产品推送方法包括操作S510～操作S520。

在操作S510，利用第一神经网络模型提取归一化画像信息的资产等级、月养老金收益、消费习惯标识。

在本实施例中，将格式转换后的归一化画像信息输入第一神经网络模型，利用特征选择的方法(例如相关性分析、主成分分析等)或者特征提取的方法，提取出归一化画像信息中的资产等级、月养老金收益、消费习惯标识等特征。

在操作S520，基于资产等级、月养老金收益和消费习惯标识，计算得到用户等级信息。

在本实施例中，用户等级信息的计算公式为：

用户等级＝用户资产等级+用户月养老金收益+用户消费习惯标识。

例如，用户资产为5万以下，用户月养老金收益为3000元以下，用户消费习惯判断为低消费人群，之前未购买过相应理财产品，则用户等级可以划分为1级。

用户资产为20万～100万，用户月养老金收益为3000元～10000元，用户消费习惯判断为低消费人群，之前曾购买过相应理财产品，则用户等级可以划分为3级。

用户资产为200万以上，用户月养老金收益为10000元以上，用户消费习惯判断为高消费人群，之前曾购买过相应理财产品，则用户等级可以划分为5级。

需要说明的是，上述用户等级信息只是示例性解释本公开实施例提供的理财产品推送方法，而非限制性的。

根据本公开的实施例，利用用户资产等级、月养老金收益和消费习惯标识来计算得到用户等级，可以清楚的定位用户自身的财务信息。

图6示意性示出了根据本公开实施例的理财产品推送方法中获取用户风险偏好类型的流程图。

如图6所示，该实施例的理财产品推送方法包括操作S610～操作S630。

在操作S610，获取用户的市场数据，其中，市场数据包括用户的股票、债券和基金的历史价格与股票、债券和基金的收益率。

在本实施例中，确定用户风险偏好类型之前，需要准确了解用户的市场数据情况，例如用户的股票、债券和基金的历史价格，以及股票、债券和基金的收益率。

在操作S620，基于市场数据和用户等级信息，获取用户的风险偏好。

在本实施例中，根据用户的股票、债券和基金的历史价格，以及股票、债券和基金的收益率，再结合已经确定的用户等级信息，可以综合确定用户的风险偏好。

在操作S630，对风险偏好进行类型划分，得到风险偏好类型。

在本实施例中，例如可以将用户的风险偏好划分为：保守型、稳健型、平衡型、成长型和进取型等几种类型，每种类型对风险的容忍度和投资回报的期望都有所不同。

需要说明的是，上述用户风险偏好的划分类型只是示例性解释本公开实施例提供的理财产品推送方法，而非限制性的。

根据本公开的实施例，基于用户的股票、债券和基金的历史价格与股票、债券和基金的收益率，来获取用户的风险偏好，可以更好的评估未来的市场趋势和风险状况。

图7示意性示出了根据本公开实施例的理财产品推送方法中利用第三神经网络模型划分理财产品等级信息的流程图。

如图7所示，该实施例的理财产品推送方法包括操作S710～操作S720。

在操作S710，利用第三神经网络模型提取理财产品的风险类型等级、收益类型等级、起购价等级和产品期限标识。

在本实施例中，确定理财产品等级信息之前，需要先获取用户的风险类型等级、收益类型等级、起购价等级和产品期限标识等信息。

在操作S720，基于风险类型等级、收益类型等级、起购价等级和产品期限标识，计算得到理财产品等级信息。

在本实施例中，理财产品等级信息的计算公式为：

理财产品等级信息＝风险类型等级+收益类型等级+起购价等级+产品期限标识

例如，可以根据理财产品的风险类型等级、收益类型等级、起购价等级和产品期限标识，来将理财产品划分为1～5级，如下表1所示：

风险类型	等级	收益类型	等级	起购价	等级	产品期限	标识
								保守型	1	低收益	1	1万以下	1	随时支取	1
稳健型	2	较低收益	2	1-5万	2	三个月至六个月	2
								平衡型	3	中等收益	3	5-10万	3	六个月至一年	3
成长型	4	较高收益	4	10-50万	4	一年至三年	4
								进取型	5	高收益	5	50万以上	5	三年以上	5

表1(理财产品等级信息)

需要说明的是，上述理财产品等级信息的划分方式只是示例性解释本公开实施例提供的理财产品推送方法，而非限制性的。

根据本公开的实施例，利用产品的风险类型等级、收益类型等级、起购价等级和产品期限标识来计算产品类别画像，可以从全方位来描述的产品信息，使产品等级划分更加详细。

在上述实施的基础上，本公开实施例的理财产品推送方法中第一神经网络模型例如可以为长短期记忆神经网络模型。

长短期记忆神经网络模型(Long Short-Term Memory Network)作为一种特殊的循环神经网络，能够有效地处理长序列数据，而用户画像随着用户个人信息也处于不断的动态更新中，因此，使用长短期记忆神经网络模型处理画像信息更够更加精准。

在上述实施的基础上，本公开实施例的理财产品推送方法中第二神经网络模型和第三神经网络模型包括多层感知器、前馈神经网络模型和循环神经网络模型。

不同的神经网络有不同的优缺点，第二神经网络模型和第三神经网络模型涉及对海量用户信息和产品信息的实时处理，需选用计算效率和计算速度方面性能突出的神经网络，而多层感知器(Multi-Layer Perceptron)、前馈神经网络模型(Feedforward NeuralNetwork)和循环神经网络模型(Recurrent Neural Network)具有突出的大数据处理能力，因此，使用多层感知器、前馈神经网络模型和循环神经网络模型则处理海量信息时更够更加高效。

在上述实施的基础上，本公开实施例的理财产品推送方法中根据用户等级信息与理财产品等级信息的相似度推送理财产品包括：

根据用户等级信息与理财产品等级信息的相似度由高到低依次推送理财产品。

按照由高到低的顺序推送可以让用户清晰的知晓与该产品的匹配度，不至于盲目选择。

在上述实施的基础上，本公开实施例的理财产品推送方法中根据用户等级信息与理财产品等级信息的相似度推送理财产品，还包括：

对待推送的理财产品做筛选处理，其中，筛选处理包括筛选掉待推送理财产品中已被用户购买过的理财产品。

在推送产品的过程中筛选掉已经购买过的产品，可以减少用户浏览量，节省用户浏览时间，同时实现待推送产品的动态更新。

图8示意性示出了根据本公开实施例的理财产品推送方法中用户信息与第一、第二和第三神经网络模型的交互原理图。

如图8所示，该实施例的理财产品推送方法中，用户信息与第一、第二和第三神经网络模型的交互原理为：

当客户浏览投资理财产品的时候，银行系统自动获取该客户的用户信息，首先判断该用户信息中是否包含客编，如果包含客编，则直接利用该客编生成用户的画像信息，如果用户信息没有包含客编，则根据用户信息为用户创建一个客编，在利用创建的客编生成用户的画像信息，在获取用户的画像信息后，将该画像信息输入第一神经网络模型进行用户等级的划分。

然后再获取用户的风险偏好类型，在获取用户的风险偏好类型之后，将该风险偏好类型输入第二神经网络模型进行用户喜好的筛选，筛选出对应的理财产品。

再将筛选出的理财产品输入第三神经网络模型进行产品等级的划分。

最后根据划分的用户等级信息与划分的产品等级信息的相似度，由高到低依次推送理财产品。

基于上述理财产品推送方法，本公开还提供了一种理财产品推送装置。以下将结合图9对该装置进行详细描述。

图9示意性示出了根据本公开实施例的理财产品推送装置的结构框图。

如图9所示，该实施例的理财产品推送装置900包括第一识别模块910、第二识别模块920、第三识别模块930和推送模块940。

第一识别模块910用于获取用户的画像信息并将画像信息输入第一神经网络模型进行识别，得到用户等级信息。在一实施例中，第一识别模块910可以用于执行前文描述的操作S210，在此不再赘述。

第二识别模块920用于获取用户的风险偏好类型并将风险偏好类型输入第二神经网络模型进行识别，得到与风险偏好类型匹配的理财产品。在一实施例中，第二识别模块920可以用于执行前文描述的操作S220，在此不再赘述。

第三识别模块930用于将理财产品输入第三神经网络模型进行识别，得到理财产品等级信息。在一实施例中，第三识别模块930可以用于执行前文描述的操作S230，在此不再赘述。

推送模块940用于根据用户等级信息与理财产品等级信息的相似度推送理财产品。在一实施例中，推送模块940可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开的实施例，该实施例的理财产品推送装置900通过利用多级神经网络模型根据用户多要素信息进行数据分析，计算出与用户最匹配的理财产品，来实现个性化推送，具体的通过第一神经网络模型对用户进行等级划分，通过第二神经网络模型对理财产品进行筛选，通过第三神经网络模型对筛选得到的理财产品进行产品等级划分，最后根据用户等级和产品等级的相似度完成推送。由于用户画像信息和用户风险偏好类型可以充分分析用户的风险承受能力和理财需求，再结合神经网络算法给用户个体和产品进行等级划分，依据等级匹配度推送对应理财产品，充分适应了每个用户的特点和需求，实现了对用户个体的个性化推送，使得推送结果更加准确。

根据本公开的实施例，第一识别模块910、第二识别模块920、第三识别模块930和推送模块940中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一识别模块910、第二识别模块920、第三识别模块930和推送模块940中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一识别模块910、第二识别模块920、第三识别模块930和推送模块940中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图10示意性示出了根据本公开实施例的适于实现身份认证方法的电子设备的方框图。

如图10所示，根据本公开实施例的电子设备110包括处理器111，其可以根据存储在只读存储器(ROM)112中的程序或者从存储部分118加载到随机访问存储器(RAM)113中的程序而执行各种适当的动作和处理。处理器111例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器111还可以包括用于缓存用途的板载存储器。处理器111可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 113中，存储有电子设备110操作所需的各种程序和数据。处理器111、ROM112以及RAM 113通过总线114彼此相连。处理器111通过执行ROM 112和/或RAM 113中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM112和RAM 113以外的一个或多个存储器中。处理器111也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备110还可以包括输入/输出(I/O)接口115，输入/输出(I/O)接口115也连接至总线114。电子设备110还可以包括连接至I/O接口115的以下部件中的一项或多项：包括键盘、鼠标等的输入部分116；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分117；包括硬盘等的存储部分118；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分119。通信部分119经由诸如因特网的网络执行通信处理。驱动器120也根据需要连接至I/O接口115。可拆卸介质121，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器120上，以便于从其上读出的计算机程序根据需要被安装入存储部分118。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 112和/或RAM 113和/或ROM 112和RAM 113以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的身份认证方法。

在该计算机程序被处理器111执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分119被下载和安装，和/或从可拆卸介质121被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分119从网络上被下载和安装，和/或从可拆卸介质121被安装。在该计算机程序被处理器111执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种理财产品推送方法，包括：

获取用户的画像信息并将所述画像信息输入第一神经网络模型进行识别，得到用户等级信息；

获取用户的风险偏好类型并将所述风险偏好类型输入第二神经网络模型进行识别，得到与所述风险偏好类型匹配的理财产品；

将所述理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；

根据所述用户等级信息与所述理财产品等级信息的相似度推送理财产品。

2.根据权利要求1所述的理财产品推送方法，所述获取用户的画像信息包括：

获取用户信息；

确定所述用户信息是否包含用户客编；

在所述用户信息包含所述用户客编的情况下，根据所述用户客编生成用户的画像信息；

在所述用户信息未包含所述用户客编的情况下，创建用户客编；

根据创建后的用户客编生成用户的画像信息。

3.根据权利要求1所述的理财产品推送方法，所述获取用户的画像信息还包括：

对所述画像信息进行预处理；

对预处理后的画像信息进行格式转换，得到归一化画像信息。

4.根据权利要求3所述的理财产品推送方法，所述将所述画像信息输入第一神经网络模型进行识别，得到用户等级信息包括：

利用第一神经网络模型提取所述归一化画像信息的资产等级、月养老金收益、消费习惯标识；

基于所述资产等级、所述月养老金收益和所述消费习惯标识，计算得到用户等级信息。

5.根据权利要求1所述的理财产品推送方法，所述获取用户的风险偏好类型包括：

获取用户的市场数据，其中，所述市场数据包括用户的股票、债券和基金的历史价格与股票、债券和基金的收益率；

基于所述市场数据和所述用户等级信息，获取用户的风险偏好；

对所述风险偏好进行类型划分，得到风险偏好类型。

6.根据权利要求1所述的理财产品推送方法，所述将所述理财产品输入第三神经网络模型进行识别，得到理财产品等级信息包括：

利用第三神经网络模型提取所述理财产品的风险类型等级、收益类型等级、起购价等级和产品期限标识；

基于所述风险类型等级、所述收益类型等级、所述起购价等级和所述产品期限标识，计算得到理财产品等级信息。

7.根据权利要求1～6任一项所述的理财产品推送方法，所述第一神经网络模型包括长短期记忆神经网络模型。

8.根据权利要求1～6任一项所述的理财产品推送方法，所述第二神经网络模型和所述第三神经网络模型包括多层感知器、前馈神经网络模型和循环神经网络模型。

9.根据权利要求1所述的理财产品推送方法，所述根据所述用户等级信息与所述理财产品等级信息的相似度推送理财产品包括：

根据所述用户等级信息与所述理财产品等级信息的相似度由高到低依次推送理财产品。

10.根据权利要求1所述的理财产品推送方法，所述根据所述用户等级信息与所述理财产品等级信息的相似度推送理财产品，还包括：

对待推送的理财产品做筛选处理，其中，所述筛选处理包括筛选掉待推送理财产品中已被用户购买过的理财产品。

11.一种理财产品推送装置，包括：

第一识别模块，用于获取用户的画像信息并将所述画像信息输入第一神经网络模型进行识别，得到用户等级信息；

第二识别模块，用于获取用户的风险偏好类型并将所述风险偏好类型输入第二神经网络模型进行识别，得到与所述风险偏好类型匹配的理财产品；

第三识别模块，用于将所述理财产品输入第三神经网络模型进行识别，得到理财产品等级信息；

推送模块，用于根据所述用户等级信息与所述理财产品等级信息的相似度推送理财产品。

12.一种电子设备，包括：

一个或多个处理器；

存储装置，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执行根据权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。