CN117372113A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117372113A CN117372113A CN202311236811.7A CN202311236811A CN117372113A CN 117372113 A CN117372113 A CN 117372113A CN 202311236811 A CN202311236811 A CN 202311236811A CN 117372113 A CN117372113 A CN 117372113A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- recommended
- information
- purchased
- 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
- 238000004590 computer program Methods 0.000 claims abstract description 37
- 230000008901 benefit Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process 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
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。采用本方法能够提高产品推荐的准确性。
Description
技术领域
本申请涉及金融科技技术领域,特别是涉及一种产品推荐方法、装置、计算机设备和存储介质。
背景技术
理财市场中存在多种多样的理财产品,且这些理财产品庞大、品种丰富,因此,如何有效地选择理财产品成为用户的一个理财难点。
传统技术中,金融行业的业务部门为了满足广大用户需求,往往会根据自己产品的特色,向用户统一推荐产品相关资讯。
然而,但现有推荐产品相关资讯的方式存在智能化水平较低,难以适应各不同客户多样化需求的缺陷,在应对客户多样化需求时的推荐准确度较低,故,亟需改进。
发明内容
基于此,有必要针对上述技术问题,提供一种能够为各用户准确推荐理财产品的产品推荐方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种产品推荐方法,包括:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
在其中一个实施例中,构建推荐模型,包括:
获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,样本产品组合包含至少一个类别的产品;将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
在其中一个实施例中,该方法还包括:
将候选产品的产品信息对输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
在其中一个实施例中,根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品,包括:
根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分;根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
在其中一个实施例中,根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品,包括:
根据目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
在其中一个实施例中,用户信息还包括历史产品持有信息;获取目标用户对应的用户信息和已购产品集,包括:
根据历史产品持有信息,确定目标用户对应的平均持有时长;
根据平均持有时长,确定推荐更新频率;
在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
第二方面,本申请还提供了一种产品推荐装置,包括:
获取模块,用于获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
推荐模块,用于将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
选择模块,用于根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
第四方面,本申请还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:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
第五方面,本申请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以下步骤:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
上述产品推荐方法、装置、计算机设备和存储介质,获取目标用户在多个维度下的用户信息,并将该用户信息输入至推荐模型中,得到推荐模型针对于该用户生成的推荐产品集,实现了对不同用户进行针对化地推荐,提高了产品推荐的准确性;且根据已购产品集和推荐产品集的产品指标,对客户已持有产品和新推荐产品进行评价比对,选择符合目标用户的目标产品,提高了推荐准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中产品推荐方法的应用环境图;
图2为一个实施例中产品推荐方法的流程示意图;
图3为一个实施例中获取用户信息和已购产品集的流程示意图;
图4为一个实施例中构建推荐模型的流程示意图;
图5为一个实施例中选择目标产品的流程示意图;
图6为另一个实施例中产品推荐方法的流程示意图;
图7为一个实施例中产品推荐装置的结构框图;
图8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。
本申请实施例提供了一种产品推荐方法,以该方法由图1中的计算机设备执行为例进行说明。如图2所示,该产品推荐方法包括以下步骤:
步骤201,获取目标用户对应的用户信息和已购产品集。
其中,用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息。
可选的,用户个人信息可以包括用户名称、性别、职业、年龄、用户标识、用户风险等级等。具体的,用户资产信息可以包括存款金额、存款方式、存款时间等;用户偏好信息可以根据用户浏览次数大于相应阈值的产品信息生成;用户在历史时段内的交易信息是指在当前时刻之前的历史时段内用户交易的次数、交易的类型和交易的时间。
可以理解的是,理财产品是指即由商业银行和正规金融机构自行设计并发行的产品,其一般具有一定周期。具体可以包括一定期限内的货币基金、银行理财、债券、混合型基金以及股票型基金等;本实施例中的已购产品集可以包括用户所购买的产品标识、产品类型、产品预期收益以及产品风险、产品所属机构等信息。
步骤202,将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集。
可选的,本实施例中的推荐模型是基于理财样本数据训练神经网络模型得到。具体训练过程为:获取每一样本用户的用户信息和该用户对应的产品集作为一条训练样本,将多条训练样本输入预设的GA-BP神经网络模型,结合遗传算法训练GA-BP神经网络模型直至收敛,得到推荐模型。
进一步的,在应用该推荐模型时,将目标用户的用户信息输入至推荐模型中,即可得到推荐模型输出的推荐产品集。
步骤203,根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
可选的,对于不同的产品类型,产品收益维度指标也是不同的;示例性的,货基型对应的收益指标是万份收益,净值类对应的收益指标是累计净值或复权单位净值,预期类对应的收益指标是预期收益。
进一步的,理财风险主要包括本金风险和收益风险两个方面。理财产品的风险包括本金风险和收益风险,其中,本金风险是指投资理财产品的本金可能出现亏损的风险,收益风险是指投资不能达到预期收益的风险,因此,产品风险维度指标可以包括本金风险指标和收益风险指标。
进一步的,产品资金规模维度指标是指产品对应的资金规模。
上述产品推荐方法中,获取目标用户在多个维度下的用户信息,并将该用户信息输入至推荐模型中,得到推荐模型针对于该用户生成的推荐产品集,实现了对不同用户进行针对化地推荐,提高了产品推荐的准确性;且根据已购产品集和推荐产品集的产品指标,对用户已持有产品和新推荐产品进行评价比对,选择符合目标用户的目标产品,提高了推荐准确性。
为了按照一定周期自动地为用户推荐产品,在一个示例性的实施例中,用户信息还包括历史产品持有信息,如图3所示,获取目标用户对应的用户信息和已购产品集,包括:
步骤301,根据历史产品持有信息,确定目标用户对应的平均持有时长。
可选的,分别统计每个用户持有各历史产品的持有时长(持有时间长度),确定目标用户对应的平均持有时长。
步骤302,根据平均持有时长,确定推荐更新频率。
可选的,将平均持有时长作为一个推荐周期的长度,根据推荐周期即可确定推荐更新频率。
步骤303,在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
可选的,将每个推荐周期的时间起点作为各更新时刻,在各更新时刻,获取目标用户对应的用户信息和已购产品集,根据已购产品集和推荐产品集为目标用户设计新的推荐方案(即目标产品)。
本实施例中,根据目标用户对应的平均持有时长,在每个推荐周期内自动地为用户进行产品推荐,实现了对产品进行自动化推荐的目的。
在一个示例性的实施例中,如图4所示,构建推荐模型,包括:
步骤401,获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合。
其中,样本产品组合包含至少一个类别的产品。
可选的,候选产品集的构建方式如下:将候选产品的产品信息对输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
可以理解的是,产品信息可以包括产品标识、产品类型、产品预期收益以及产品风险、产品所属机构等信息;可选的,一个有效产品组合是指一个包含各类别产品的产品组合。
可选的,本实施例采用均方差模型生成各有效产品组合。其中,均值方差模型是基于马克维茨投资组合理论以及理财产品信息构建。
具体的,根据各候选产品的产品信息,绘制基于马克维茨均值方差模型的有效前沿曲线,根据有效前沿曲线,得到均方差模型输出的各有效产品组合。
可以理解的是,该马克维茨均值方差模型的意义是,在给定预期收益的条件下,通过上式可确定每个投资项目(如产品)上的权重,即投资比例(项目资金分配),使该组合的总投资风险(方差)最小。该模型以方差刻画风险,在不同的预期收益水平下,得到相应的使方差最小的资产组合解,这些解构成了最小方差组合,也就是有效组合,有效组合的收益率期望和相应的最小方差组合之间所形成的曲线,就是有效前沿曲线,有效前沿曲线中包括多个点,每一个点都代表在给定的预期收益率的情况下最优的产品组合,即有效投资组合,有效前沿曲线即为有效投资组合的集合,采集位于有效前沿曲线中的组合,得到组合集,将组合集确定为有效产品组合。
步骤402,将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
可以理解的是,样本用户对应的用户信息和样本产品组合作为训练样本即为上述步骤202中的一条训练样本。因此,推荐模型输出的推荐产品集也包括至少一个产品组合。
本实施例中,将样本产品组合作为训练样本,使得推荐模型输出的推荐产品也为一个产品组合,实现了为用户进行组合产品推荐的效果。
在一个示例性的实施例中,如图5所示,根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品,包括:
步骤501,根据产品指标中各维度的指标以各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分。
其中,产品指标中各维度的指标分别对应有不同的权重值。
可选的,对于任一产品来说,根据该产品在各维度上的指标和预设的打分策略,确定该产品在各维度上的初始评分,根据各初始评分和各维度指标对应的权重值进行加权,得到该产品的产品评分。
步骤502,根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
可选的,选择目标用户对应的目标产品,可以包括以下方式:根据目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
可以理解的是,目标用户类别对应的偏好产品集是指目标用户所属客户类别的对应的偏好产品集。
可选的,根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,将各产品进行评分,将满足预设评分值的产品推送给目标用户。
本实施例中,通过确定目标用户类别对应的偏好产品集,扩大了目标用户对应的产品可选范围,进一步提高了推荐的针对性。
进一步的,本实施例还包括客户管理模块,该模块基于客户号、姓名、风险等级、客户等级进行联合查询,获取该客户所持有的理财产品组合,客户可以选择理财产品组合展示组合累计收益曲线。
在上述实施例的基础上,本实施例提供了一种产品推荐方法的可选实例。
如图6所示,具体实现过程如下:
步骤601,将各候选产品的产品信息输入至均方差模型中,得到均方差模型输出的各有效产品组合。
步骤602,根据各有效产品组合,构建候选产品集。
步骤603,获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合。
步骤604,将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
步骤605,根据目标用户对历史产品的持有时长,确定目标用户对应的平均持有时长。
步骤606,根据平均持有时长,确定推荐更新频率。
步骤607,在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
步骤608,将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集。
步骤609,根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分。
步骤610,根据目标用户的用户信息,确定目标用户对应的目标用户类别。
步骤611,获取目标用户类别对应的偏好产品集。
步骤612,根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
上述步骤601-步骤612的具体过程可以参考上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
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产品推荐方法的产品推荐装置。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产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种产品推荐装置1,包括:获取模块10、推荐模块20和选择模块30,其中:
获取模块10,用于获取目标用户对应的用户信息和已购产品集;
推荐模块20,用于将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集,用户信息至少包括用户身份信息、用户资产信息、用户交易信息和用户偏好信息;
选择模块30,用于根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
在一个示例性的实施例中,该装置还包括构建模块,该构建模块用于:获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,样本产品组合包含至少一个类别的产品;将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
在一个示例性的实施例中,该装置还包括集合选择模块,该集合选择模块用于:将各候选产品的产品信息输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
在一个示例性的实施例中,该装置还包括产品评分模块,该产品评分模块用于根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分;根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
在一个示例性的实施例中,该装置还包括产品选择模块,该产品选择模块用于根据目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
在一个示例性的实施例中,该装置还包括周期确定模块,该周期确定模块用于:根据历史产品持有信息,确定目标用户对应的平均持有时长;根据平均持有时长,确定推荐更新频率;在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
上述产品推荐方法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。
在一个示例性的实施例中,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8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产品推荐方法。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8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。
在一个示例性的实施例中,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:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
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:获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,样本产品组合包含至少一个类别的产品;将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
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:将各候选产品的产品信息输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
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:根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分;根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
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:根据目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
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:根据历史产品持有信息,确定目标用户对应的平均持有时长;根据平均持有时长,确定推荐更新频率;在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
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:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
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:获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,样本产品组合包含至少一个类别的产品;将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
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:将各候选产品的产品信息输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
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:根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分;根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
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:目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
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:根据历史产品持有信息,确定目标用户对应的平均持有时长;根据平均持有时长,确定推荐更新频率;在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
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:
获取目标用户对应的用户信息和已购产品集,用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将目标用户的用户信息输入至推荐模型中,得到推荐模型输出的推荐产品集;
根据已购产品集对应的产品指标和推荐产品集对应的产品指标,从已购产品集和推荐产品集中,选择目标用户对应的目标产品;
其中,产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
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:获取样本用户的用户信息,以及样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,样本产品组合包含至少一个类别的产品;将样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到推荐模型。
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:将各候选产品的产品信息输入至均方差模型中,得到均方差模型输出的各有效产品组合;根据各有效产品组合,构建候选产品集。
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:根据产品指标中各维度的指标以及各维度的指标对应的权重,确定已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分;根据已购产品集中各已购产品的产品评分和推荐产品集中各推荐产品的产品评分,从已购产品集和推荐产品集中,选择目标用户对应的目标产品。
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:根据目标用户的用户信息,确定目标用户对应的目标用户类别;获取目标用户类别对应的偏好产品集;根据已购产品集中各已购产品的产品评分、推荐产品集中各推荐产品的产品评分以及目标用户类别对应的偏好产品集中各偏好产品的产品评分,从已购产品集、推荐产品集和偏好产品集中,选择目标用户对应的目标产品。
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:根据历史产品持有信息,确定目标用户对应的平均持有时长;根据平均持有时长,确定推荐更新频率;在推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
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、使用和处理需要符合相关规定。
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)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取目标用户对应的用户信息和已购产品集,所述用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
将所述目标用户的用户信息输入至推荐模型中,得到所述推荐模型输出的推荐产品集;
根据所述已购产品集对应的产品指标和所述推荐产品集对应的产品指标,从所述已购产品集和所述推荐产品集中,选择所述目标用户对应的目标产品;
其中,所述产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
2.根据权利要求1所述的方法,其特征在于,构建所述推荐模型,包括:
获取样本用户的用户信息,以及所述样本用户从候选产品集包含的各有效产品组合中选择的样本产品组合,其中,所述样本产品组合包含至少一个类别的产品;
将所述样本用户对应的用户信息和样本产品组合作为训练样本,对初始模型进行训练,得到所述推荐模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将各候选产品的产品信息输入至均方差模型中,得到所述均方差模型输出的各有效产品组合;
根据各有效产品组合,构建所述候选产品集。
4.根据权利要求1所述的方法,其特征在于,所述根据所述已购产品集对应的产品指标和所述推荐产品集对应的产品指标,从所述已购产品集和所述推荐产品集中,选择所述目标用户对应的目标产品,包括:
根据产品指标中各维度的指标以及各维度的指标对应的权重,确定所述已购产品集中各已购产品的产品评分和所述推荐产品集中各推荐产品的产品评分;
根据所述已购产品集中各已购产品的产品评分和所述推荐产品集中各推荐产品的产品评分,从所述已购产品集和所述推荐产品集中,选择所述目标用户对应的目标产品。
5.根据权利要求4所述的方法,其特征在于,所述根据所述已购产品集中各已购产品的产品评分和所述推荐产品集中各推荐产品的产品评分,从所述已购产品集和所述推荐产品集中,选择所述目标用户对应的目标产品,包括:
根据所述目标用户的用户信息,确定所述目标用户对应的目标用户类别;
获取所述目标用户类别对应的偏好产品集;
根据所述已购产品集中各已购产品的产品评分、所述推荐产品集中各推荐产品的产品评分以及所述目标用户类别对应的偏好产品集中各偏好产品的产品评分,从所述已购产品集、所述推荐产品集和所述偏好产品集中,选择所述目标用户对应的目标产品。
6.根据权利要求1所述的方法,其特征在于,所述用户信息还包括历史产品持有信息;所述获取目标用户对应的用户信息和已购产品集,包括:
根据所述历史产品持有信息,确定所述目标用户对应的平均持有时长;
根据所述平均持有时长,确定推荐更新频率;
在所述推荐更新频率对应的更新时刻,获取目标用户对应的用户信息和已购产品集。
7.一种产品推荐装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户对应的用户信息和已购产品集,所述用户信息至少包括用户信息至少包括用户身份信息、用户资产信息、用户偏好信息和用户在历史时段内的交易信息;
推荐模块,用于将所述目标用户的用户信息输入至推荐模型中,得到所述推荐模型输出的推荐产品集;
选择模块,用于根据所述已购产品集对应的产品指标和所述推荐产品集对应的产品指标,从所述已购产品集和所述推荐产品集中,选择所述目标用户对应的目标产品;
其中,所述产品指标至少包括收益维度指标、风险维度指标和资金规模维度指标。
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 |
---|---|---|---|
CN202311236811.7A CN117372113A (zh) | 2023-09-22 | 2023-09-22 | 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 |
---|---|---|---|
CN202311236811.7A CN117372113A (zh) | 2023-09-22 | 2023-09-22 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372113A true CN117372113A (zh) | 2024-01-09 |
Family
ID=89395482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311236811.7A Pending CN117372113A (zh) | 2023-09-22 | 2023-09-22 | 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) | CN117372113A (zh) |
-
2023
- 2023-09-22 CN CN202311236811.7A patent/CN117372113A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jones et al. | Predicting corporate bankruptcy: An evaluation of alternative statistical frameworks | |
CN108776922A (zh) | 基于大数据的理财产品推荐方法及装置 | |
JP5484968B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Podobnik et al. | Asymmetric Lévy flight in financial ratios | |
CN110599336B (zh) | 一种金融产品购买预测方法及系统 | |
Bijak et al. | Modelling LGD for unsecured retail loans using Bayesian methods | |
Vossmeyer | Sample selection and treatment effect estimation of lender of last resort policies | |
Koumba et al. | Does uncertainty predict cryptocurrency returns? A copula-based approach | |
CN109800363A (zh) | 构建资信关系网络的方法、装置、设备及存储介质 | |
Chou et al. | Modeling behavior sequence for personalized fund recommendation with graphical deep collaborative filtering | |
Bae et al. | A personal credit rating prediction model using data mining in smart ubiquitous environments | |
Alley et al. | Pricing for heterogeneous products: Analytics for ticket reselling | |
CN111242356A (zh) | 一种财富走势预测方法、装置、设备及存储介质 | |
CN114266640A (zh) | 审计方法、装置、计算机设备及存储介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
Hilliard et al. | Option pricing under short-lived arbitrage: theory and tests | |
CN117372113A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Sindik et al. | Simulation of disequilibrium and chaos in aggregates of disposable income, wealth, and consumption in EU macroeconomics using nonlinear dynamic analysis | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
Götz et al. | Closed-form pricing of two-asset barrier options with stochastic covariance | |
US11983162B2 (en) | Change management process for identifying potential regulatory violations for improved processing efficiency | |
US11989777B2 (en) | Pairing and grouping user profiles accessed from pre-current systems |
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 |