CN117455687A - 金融产品的推荐方法、装置、存储介质及电子设备 - Google Patents

金融产品的推荐方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN117455687A
CN117455687A CN202311589799.8A CN202311589799A CN117455687A CN 117455687 A CN117455687 A CN 117455687A CN 202311589799 A CN202311589799 A CN 202311589799A CN 117455687 A CN117455687 A CN 117455687A
Authority
CN
China
Prior art keywords
vector
historical time
product
target
time range
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
Application number
CN202311589799.8A
Other languages
English (en)
Inventor
吴家明
朱胜男
杨树超
黄秀雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202311589799.8A priority Critical patent/CN117455687A/zh
Publication of CN117455687A publication Critical patent/CN117455687A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种金融产品的推荐方法、装置、存储介质及电子设备。涉及人工智能、金融科技领域或其他相关领域，该方法包括：获取目标对象在不同历史时间范围内的产品购买信息；根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量；通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量；从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。本发明解决了相关技术中向用户推荐金融产品时存在的推荐准确度低的技术问题。

Description

金融产品的推荐方法、装置、存储介质及电子设备
技术领域
本发明涉及人工智能、金融科技领域或其他相关领域，具体而言，涉及一种金融产品的推荐方法、装置、存储介质及电子设备。
背景技术
随着社会信息化程度的不断提高，以及虚拟网络的快速发展，如何快速抓住用户的兴趣偏好并为其推荐优质的金融产品成为了各家金融机构越来越关注的问题。目前，在相关技术中，通常利用金融机构的客户的历史行为数据(如定期存款、购买理财、基金等显式行为以及在手机银行中浏览、点击等隐式行为)和银行金融产品信息来深度挖掘用户的兴趣偏好，生成该用户的推荐列表或者预测该用户对某个金融产品的喜好程度，从而使金融机构能够及时为有需求的用户提供合适的金融产品与服务。然而，这种方式仍然存在推荐准确度低的技术问题。
针对上述的问题，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金融产品的推荐方法、装置、存储介质及电子设备，以至少解决相关技术中向用户推荐金融产品时存在的推荐准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种金融产品的推荐方法，包括：获取目标对象在不同历史时间范围内的产品购买信息，其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的；对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量；通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好；从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。
进一步地，金融产品的推荐方法还包括：对于历史时间范围内的每个金融产品，计算金融产品的产品向量与目标对象的对象向量之间的相似度，得到目标相似度，其中，对象向量为根据对象信息确定的；根据历史时间范围内的金融产品的目标相似度和购买次数，从历史时间范围内的金融产品中筛选出候选金融产品；根据历史时间范围内的候选金融产品的产品向量、目标对象的对象向量确定第一向量。
进一步地，金融产品的推荐方法还包括：根据目标相似度和金融产品的购买次数之间的乘积、金融产品的产品向量与目标对象的对象向量之间的差异信息，计算金融产品与目标对象之间的权重，得到目标权重；依据历史时间范围内的各个金融产品的目标权重，对历史时间范围内的各个金融产品进行排序，得到排序后的金融产品；将排序后的金融产品中的前N个金融产品确定为候选金融产品，其中，N为正整数。
进一步地，金融产品的推荐方法还包括：根据历史时间范围与目标历史时间范围之间的时间距离，确定历史时间范围匹配的第一影响因子；根据第一向量和历史时间范围匹配的第一影响因子的乘积，确定目标对象在历史时间范围内匹配的目标向量表示，得到第二向量；将目标对象在所有历史时间范围内的第二向量输入至时序注意力网络，得到目标向量。
进一步地，金融产品的推荐方法还包括：根据各个历史时间范围的第一向量，从所有历史时间范围中筛选出第一向量发生最大变化的历史时间范围；根据历史时间范围与第一向量发生最大变化的历史时间范围之间的时间距离，确定历史时间范围匹配的第二影响因子；根据第一向量和历史时间范围匹配的第一影响因子的乘积、第一向量和历史时间范围匹配的第二影响因子的乘积，确定第二向量。
进一步地，金融产品的推荐方法还包括：对所有历史时间范围进行任意有序地组合，得到多个历史时间范围组，其中，历史时间范围组由两个历史时间范围组成；对于每个历史时间范围组，计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的第三向量；根据第一矩阵和第二矩阵之间的乘积，确定目标向量，其中，第一矩阵为根据多个历史时间范围组匹配的第三向量确定的，第二矩阵由目标对象在所有历史时间范围内的第二向量组成。
进一步地，金融产品的推荐方法还包括：计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的初始第三向量；在历史时间范围组内第一个历史时间范围的时间起始值晚于第二个历史时间范围的时间起始值的情况下，将初始第三向量确定为第三向量；在历史时间范围组内第一个历史时间范围的时间起始值早于或等于第二个历史时间范围的时间起始值的情况下，将第四向量确定为第三向量，其中，第四向量小于任意一个第三向量。
根据本发明实施例的另一方面，还提供了一种金融产品的推荐装置，包括：获取模块，用于获取目标对象在不同历史时间范围内的产品购买信息，其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的；第一确定模块，用于对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量；处理模块，用于通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好；第二确定模块，用于从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的金融产品的推荐方法。
根据本发明实施例的另一方面，还提供了一种电子设备，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，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实现用于运行程序，其中，程序被设置为运行时执行上述的金融产品的推荐方法。
在本发明实施例中，采用根据目标对象在各历史事件范围内的产品购买信息预测推荐产品的方式，通过获取目标对象在不同历史时间范围内的产品购买信息，然后对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量，接着通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，从而从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好。
在上述过程中，通过根据目标对象在历史时间范围内的产品购买信息，确定目标对象匹配的第一向量，实现了对目标对象在各个历史时间范围内与金融产品之间的关联关系的有效表示。进一步地，由于用户的喜好会随着时间而改变，用户在某一时间范围内购买最多的金融产品并不一定是用户在该时间范围内最喜好的金融产品，因此，通过时序注意力网络对所有历史时间范围内的第一向量进行预测处理，以确定目标对象在各个历史时间范围内的产品喜好，可以实现对目标对象在各个历史时间范围内的产品喜好的准确确定。进一步地，通过依据目标向量中目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，确定推荐给目标对象的目标产品，实现了依据目标对象的产品喜好对推荐产品的准确确定，从而提高了推荐准确性。
由此可见，本申请所提供的方案达到了根据目标对象在各历史事件范围内的产品购买信息预测推荐产品的目的，从而实现了提高推荐准确性的技术效果，进而解决了相关技术中向用户推荐金融产品时存在的推荐准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的金融产品的推荐方法的示意图；
图2是根据本发明实施例的一种可选的确定第一向量的示意图；
图3是根据本发明实施例的一种可选的金融产品的推荐装置的示意图；
图4是根据本发明实施例的一种可选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，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开的金融产品的推荐方法、装置、存储介质及电子设备可用于金融科技领域，也可用于除金融科技领域之外的任意领域，本公开的金融产品的推荐方法、装置、存储介质及电子设备的应用领域不做限定。
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，并且相关数据的收集、使用和处理需要遵守相关地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
实施例1
根据本发明实施例，提供了一种金融产品的推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的金融产品的推荐方法的示意图，如图1所示，该方法包括如下步骤：
步骤S101，获取目标对象在不同历史时间范围内的产品购买信息，其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的。
可选的，可以将电子设备、应用系统、服务器等装置作为本申请的执行主体，在本实施例中，将目标推荐系统作为执行主体。其中，目标推荐系统可以是某一金融机构内的系统，目标对象可以是用户，目标对象在不同历史时间范围内的产品购买信息可以是目标推荐系统从该金融机构处获取的，目标对象所购买的金融产品为该金融机构所销售的金融产品。
可选的，一个历史时间范围对应一个产品购买信息，产品购买信息中的产品向量可以是目标推荐系统采用独热(one-hot)编码技术对产品信息进行编码得到的，产品信息包括但不限于产品名称、产品类型、产品风险等级等。可选的，在其它实施例中，目标推荐系统也可以采用其它编码方式。
步骤S102，对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量。
例如，目标推荐系统可以根据金融产品的购买次数，从历史时间范围内的金融产品中筛选出候选金融产品，然后将候选金融产品的产品向量相拼接，得到第一向量。
又例如，对于每个金融产品，目标推荐系统可以计算金融产品的产品向量与目标对象的对象向量之间的相似度，得到目标相似度，然后根据金融产品的目标相似度和购买次数，从历史时间范围内的金融产品中筛选出候选金融产品，从而将候选金融产品的产品向量相拼接，得到第一向量。
步骤S103，通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好。
可选的，在得到目标对象在所有历史时间范围内的第一向量之后，目标推荐系统可以按照时间顺序，为各个第一向量引入位置编码，然后将各个引入了位置编码的第一向量输入至时序注意力网络，得到时序注意力网络输出的目标向量。
可选的，目标推荐系统也可以在为各个第一向量引入位置编码之后，对引入了位置编码的第一向量中添加与时间因素具有关联关系的影响因子，得到处理后的第一向量，从而将各个处理后的第一向量输入至时序注意力网络，得到时序注意力网络输出的目标向量。
其中，目标向量中的子向量用于描述目标对象在历史时间范围内喜好的金融产品的产品信息，也即用于表示目标对象在历史时间范围内的产品喜好。且需要说明的是，由于用户的喜好会随着时间而改变，因此，用户在某一时间范围内的行为并不能准确地表征用户在该时间范围内的喜好，也即用户在某一时间范围内购买最多的金融产品并不一定是用户在该时间范围内最喜好的金融产品，故而，在本实施例中，通过时序注意力网络对所有历史时间范围内的第一向量进行预测处理，以确定目标对象在各个历史时间范围内的产品喜好，可以实现对目标对象在各个历史时间范围内的产品喜好的准确确定。
步骤S104，从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。
可选的，目标历史时间范围可以是时间结束点距离当前时刻最近的历史时间范围，也可以是其它历史时间范围。
当确定了目标历史时间范围之后，目标推荐系统可以计算目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从而将相似度最高的金融产品确定为目标产品，并将其推荐给目标对象。
其中，在上述计算相似度的过程中，对于每个金融产品，目标推荐系统可以将子向量中的每一维的值与金融产品的产品向量中对应维度的值相减，再对各维的差值分别求平方，接着对各维的平方数求和，最后对求得的和取平方根，从而将计算结果确定为该金融产品对应的相似度。
基于上述步骤S101至步骤S104所限定的方案，可以获知，在本发明实施例中，采用根据目标对象在各历史事件范围内的产品购买信息预测推荐产品的方式，通过获取目标对象在不同历史时间范围内的产品购买信息，然后对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量，接着通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，从而从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好。
容易注意到的是，在上述过程中，通过根据目标对象在历史时间范围内的产品购买信息，确定目标对象匹配的第一向量，实现了对目标对象在各个历史时间范围内与金融产品之间的关联关系的有效表示。进一步地，由于用户的喜好会随着时间而改变，用户在某一时间范围内购买最多的金融产品并不一定是用户在该时间范围内最喜好的金融产品，因此，通过时序注意力网络对所有历史时间范围内的第一向量进行预测处理，以确定目标对象在各个历史时间范围内的产品喜好，可以实现对目标对象在各个历史时间范围内的产品喜好的准确确定。进一步地，通过依据目标向量中目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，确定推荐给目标对象的目标产品，实现了依据目标对象的产品喜好对推荐产品的准确确定，从而提高了推荐准确性。
由此可见，本申请所提供的方案达到了根据目标对象在各历史事件范围内的产品购买信息预测推荐产品的目的，从而实现了提高推荐准确性的技术效果，进而解决了相关技术中向用户推荐金融产品时存在的推荐准确度低的技术问题。
在一种可选的实施例中，图2是根据本发明实施例的一种可选的确定第一向量的示意图，如图2所示，在根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量的过程中，目标推荐系统执行以下步骤：
步骤S201，对于历史时间范围内的每个金融产品，计算金融产品的产品向量与目标对象的对象向量之间的相似度，得到目标相似度，其中，对象向量为根据对象信息确定的。
可选的，目标推荐系统可以利用预先训练好的图卷积网络确定目标对象的第一向量。其中，对于每个历史时间范围，目标推荐系统可以将目标对象作为第一节点，将金融产品作为第二节点，并依据购买次数在第一节点和第二节点之间生成对应的边，从而得到历史时间范围对应的关系图。其中，目标推荐系统可以采用独热noe-hot编码技术对对象信息进行编码得到对象向量，对象信息包括但不限于姓名、证件号、用户历史输入的产品喜好信息等。
进一步地，目标推荐系统可以将各个历史时间范围对应的关系图输入至图卷积网络，然后对于每个关系图，由图卷积网络计算金融产品的产品向量与目标对象的对象向量之间的相似度，得到目标相似度。其中，图卷积网络可以依据下述的公式(1)或公式(2)计算得到目标相似度：
W(v,u)＝‖hv-hu‖2 (1)
其中，W(v,u)表示第u个金融产品对应的目标相似度，hv表示目标对象的对象向量，hu表示第u个金融产品的产品向量，‖()‖表示范数计算。
步骤S202，根据历史时间范围内的金融产品的目标相似度和购买次数，从历史时间范围内的金融产品中筛选出候选金融产品。
当确定了每个金融产品的目标相似度之后，目标推荐系统可以将目标相似度和对应的购买次数相乘，然后根据得到的乘积大小，从历史时间范围内的金融产品中筛选出候选金融产品。可选的，目标推荐系统也可以通过其它计算方式，或者是结合其它因素筛选候选金融产品。
步骤S203，根据历史时间范围内的候选金融产品的产品向量、目标对象的对象向量确定第一向量。
可选的，图卷积网络可以根据公式(3)计算得到第一向量：
其中，表示目标对象在第i个历史时间范围匹配的第一向量，它是一个1×F’维度的向量。HN(v)∈RF×N,HN(v)是由各个候选金融产品的产品向量组成的矩阵，该矩阵的维度为F×N，N表示候选金融产品的产品数量，F表示产品向量的维度。W1∈RF′×F、W2∈RF×F、W3∈RF×F为三个的参数矩阵，其数值为图卷积网络在训练过程中学习到的。其中，W2参数矩阵用于提取hv中的特征，CONCAT()表示沿着预设维度对两个向量进行拼接操作，MEAN表示对矩阵沿着预设维度取平均值操作，W1参数矩阵用于将聚合的结果映射到一个新的空间，σ表示激活函数，b表示偏置。
需要说明的是，通过上述过程，实现了对第一向量的准确计算，此外，通过对金融产品进行筛选得到候选金融产品，然后根据候选金融产品确定第一向量，提高了对第一向量的计算效率。
在一种可选的实施例中，在根据历史时间范围内的金融产品的目标相似度和购买次数，从历史时间范围内的金融产品中筛选出候选金融产品的过程中，目标推荐系统可以根据目标相似度和金融产品的购买次数之间的乘积、金融产品的产品向量与目标对象的对象向量之间的差异信息，计算金融产品与目标对象之间的权重，得到目标权重，然后依据历史时间范围内的各个金融产品的目标权重，对历史时间范围内的各个金融产品进行排序，得到排序后的金融产品，从而将排序后的金融产品中的前N个金融产品确定为候选金融产品，其中，N为正整数。
可选的，图卷积网络可以根据公式(4)计算得到金融产品的目标权重：
Wu＝E(v,u)*W(v,u)-‖hv-hu‖2 (4)
其中，Wu表示第u个金融产品的目标权重，E(v,u)表示第u个金融产品的购买次数，‖()‖2表示范数计算。
进一步地，在确定了历史时间范围内的各个金融产品的目标权重之后，图神经网络可以按照目标权重由大至小的顺序，对各个金融产品进行排序，得到排序后的金融产品，从而将排序后的金融产品中的前N个金融产品确定为候选金融产品。
需要说明的是，通过上述过程，实现了对候选金融产品的有效筛选，从而提高了确定的第一向量的准确性。
在一种可选的实施例中，在通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量的过程中，目标推荐系统可以根据历史时间范围与目标历史时间范围之间的时间距离，确定历史时间范围匹配的第一影响因子，然后根据第一向量和历史时间范围匹配的第一影响因子的乘积，确定目标对象在历史时间范围内匹配的目标向量表示，得到第二向量，从而将目标对象在所有历史时间范围内的第二向量输入至时序注意力网络，得到目标向量。
可选的，为了便于时序注意力网络关注到各个关系图之间的时间关系，也即关注到各个第一向量之间的时间关系，在确定第一影响因子之前，图卷积网络可以先在第一向量中引入位置编码，也即将第一向量与位置编码相加。之后，将引入位置编码后的第一向量作为后续所要使用的第一向量。其中，不同的第一向量对应的位置编码不同，位置编码的值为图神经网络学习到的，位置编码pt∈RF′。
进一步地，对于每个历史时间范围，图卷积网络可以引入对应的第一影响因子，第一影响因子用于衡量时间流逝的程度，其用于使得若历史时间范围距离目标历史时间范围越远，则该历史时间范围对目标历史时间范围的子向量的影响越低。
其中，图卷积网络可以根据公式(5)计算得到历史时间范围匹配的第一影响因子：
其中，表示第i个历史时间范围匹配的第一影响因子，/>为第i个历史时间范围匹配的第一参数，它是一个介于0-1之间的值，用于提取信息中的重要信息而减少非重要信息的存在，且其与时间因素具有关联关系，/>的值为图神经网络学习到的，tc′-ti′表示历史时间范围与目标历史时间范围之间的时间距离，其中，tc′表示目标历史时间范围的时间起始点，ti′表示历史时间范围的时间起始点，或者，tc′表示目标历史时间范围的时间终止点，ti′表示历史时间范围的时间终止点，exp()表示指数函数。
进一步地，图卷积网络可以将第一向量和历史时间范围匹配的第一影响因子的乘积直接确定为第二向量，也可以结合其它的参数计算得到第二向量。
之后，图卷积网络输出第二向量，并将其传递至时序注意力网络，从而由时序注意力网络根据目标对象在所有历史时间范围内的第二向量进行预测处理，得到目标向量。
需要说明的是，通过上述过程，实现了将第一向量与时间因素进行有效结合，从而使得时序注意力网络在预测处理时，能更好的注意到时间信息，进而使得得到的目标向量更加准确。
在一种可选的实施例中，在根据第一向量和历史时间范围匹配的第一影响因子的乘积，确定目标对象在历史时间范围内匹配的目标向量表示，得到第二向量的过程中，目标推荐系统可以根据各个历史时间范围的第一向量，从所有历史时间范围中筛选出第一向量发生最大变化的历史时间范围，然后根据历史时间范围与第一向量发生最大变化的历史时间范围之间的时间距离，确定历史时间范围匹配的第二影响因子，从而根据第一向量和历史时间范围匹配的第一影响因子的乘积、第一向量和历史时间范围匹配的第二影响因子的乘积，确定第二向量。
可选的，图卷积网络可以根据公式(6)确定第一向量发生最大变化的历史时间范围：
其中，tm表示第一向量发生最大变化的历史时间范围，表示目标对象在第i+1个历史时间范围匹配的第一向量，其中，各个历史时间范围按照时间由先至后的顺序进行排序，argmaxt()表示取使得括号中值最大的t。
可选的，图卷积网络可以根据公式(7)确定历史时间范围匹配的第二影响因子：
其中，表示第i个历史时间范围匹配的第二影响因子，它是一个介于1-2之间的数值，/>为第i个历史时间范围匹配的第二参数，/>的值为图神经网络学习到的，其用于使得若历史时间范围距离第一向量发生最大变化的历史时间范围越近，则该历史时间范围对目标历史时间范围的子向量的影响越高，tm′表示第一向量发生最大变化的历史时间范围的时间起始点，或者，tm′表示第一向量发生最大变化的历史时间范围的时间终止点。
进一步地，图卷积网络可以根据公式(8)确定目标对象在历史时间范围内匹配的第二向量：
其中，表示目标对象在第i个历史时间范围内匹配的第二向量，且/>
需要说明的是，通过上述过程，实现了对第二向量的准确确定。
在一种可选的实施例中，时序注意力网络通过以下方式得到目标向量：对所有历史时间范围进行任意有序地组合，得到多个历史时间范围组，其中，历史时间范围组由两个历史时间范围组成；对于每个历史时间范围组，计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的第三向量；根据第一矩阵和第二矩阵之间的乘积，确定目标向量，其中，第一矩阵为根据多个历史时间范围组匹配的第三向量确定的，第二矩阵由目标对象在所有历史时间范围内的第二向量组成。
其中，若历史时间范围包括t1、t2、t3，则多个历史时间范围组可以包括：t1、t2；t2、t1；
t1、t3；t3、t1；t2、t3；t3、t2，即对t1、t2、t3进行任意有序地组合，可以得到6个历史时间范围组。
进一步地，时序注意力网络可以是transformer，时序注意力网络可以根据公式(9)确定历史时间范围组匹配的初始第三向量：
其中，表示“ti、tj”这一历史时间范围组匹配的初始第三向量，Wq为注意力机制中的查询权重矩阵，Wk为注意力机制中的键权重矩阵，Ev为由所有历史时间范围匹配的第二向量组成的矩阵，也即第二矩阵，Ev∈RT×F′，其中，T表示历史时间范围的数量，D′为所规定的子向量的输出维度。()ij表示取矩阵中第i行第j列的元素。
可选的，时序注意力网络可以将上述的初始第三向量直接确定为第三向量，时序注意力网络可以将上述的初始第三向量与其它参数相结合，从而得到第三向量。
进一步地，当确定了历史时间范围组匹配的第三向量之后，时序注意力网络可以根据公式(10)对各历史时间范围组匹配的第三向量进行归一化处理：
其中，表示“ti、tj”这一历史时间范围组匹配的归一化后的第三向量，/>表示“ti、tj”这一历史时间范围组匹配的第三向量，/>表示“ti、tk”这一历史时间范围组匹配的第三向量。
进一步地，时序注意力网络对将各个历史时间范围组匹配的归一化后的第三向量按照i、j坐标进行组合，从而得到第一矩阵Γv，其中，Γv∈RT×T。
之后，时序注意力网络可以根据公式(11)确定目标向量：
Zv＝Γv·(Ev·Wv) (11)
其中，Zv表示目标向量，Zv由T个子向量组成，/> 表示第i个历史时间范围的子向量，Zv∈RT×D′，Wv为注意力机制中的值权重矩阵。
需要说明的是，通过上述过程，实现了对目标向量的准确确定，进而可以有效提高推荐准确性。
在一种可选的实施例中，在计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的第三向量的过程中，目标推荐系统可以计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的初始第三向量，然后在历史时间范围组内第一个历史时间范围的时间起始值晚于第二个历史时间范围的时间起始值的情况下，将初始第三向量确定为第三向量，在历史时间范围组内第一个历史时间范围的时间起始值早于或等于第二个历史时间范围的时间起始值的情况下，将第四向量确定为第三向量，其中，第四向量小于任意一个第三向量。
可选的，时序注意力网络可以根据公式(12)计算确定第三向量：
其中，Mij∈RT×T，Mij是“ti、tj”这一历史时间范围组匹配的标记矩阵，Mij∈{-∞,0}，当Mij＝-∞时，其中，Mij矩阵的具体定义如公式(13)所示：
其中，i表示第i个历史时间范围，j表示第j个历史时间范围，i≤j相当于历史时间范围组内第一个历史时间范围的时间起始值早于等于第二个历史时间范围的时间起始值，i>j相当于历史时间范围组内第一个历史时间范围的时间起始值晚于第二个历史时间范围的时间起始值。即在本实施例中，第四向量为-∞。
需要说明的是，通过上述方式，可以有效控制在前的历史时间范围对在后的历史时间范围的注意力系数为0，也即控制某一时间范围对其未来的时间范围的注意力系数为0，从而可以使得计算得到的第三向量更加准确，进而提高目标向量的准确性。
在一种可选的实施例中，上述的图卷积网络与时序注意力网络共同构成图神经网络。在图神经网络的训练过程中，可以采集样本对象在不同历史时间范围内的样本产品购买信息，以及样本对象在不同历史时间范围的真实产品喜好，从而将一个样本对象的样本产品购买信息和真实产品喜好作为一个训练样本，以构建训练样本集。
进一步地，目标推荐系统可以构建初始图神经网络，然后利用训练样本集训练初始图神经网络，从而在损失函数值小于预设数值时，得到训练好的图神经网络。其中，损失函数值可以通过公式(14)所示的二元交叉熵损失函数计算得到：
其中，Lv表示损失函数值，<,>表示向量间的内积操作，Nt(v)表示样本对象在第i个历史时间范围内所对应的候选金融产品的集合，Pi(v)表示多个金融产品中除Nt(v)以外的金融产品的集合，σ′表示sigmoid函数，hu′表示第u′个金融产品的产品向量。
需要说明的是，通过上述过程，实现了图神经网络的有效训练。
由此可见，本申请所提供的方案达到了根据目标对象在各历史事件范围内的产品购买信息预测推荐产品的目的，从而实现了提高推荐准确性的技术效果，进而解决了相关技术中向用户推荐金融产品时存在的推荐准确度低的技术问题。
实施例2
根据本发明实施例，提供了一种金融产品的推荐装置的实施例，其中，图3是根据本发明实施例的一种可选的金融产品的推荐装置的示意图，如图3所示，该装置包括：
获取模块301，用于获取目标对象在不同历史时间范围内的产品购买信息，其中，产品购买信息包括目标对象所购买的金融产品的产品向量以及金融产品的购买次数，产品向量为根据产品信息确定的；
第一确定模块302，用于对于每个历史时间范围，根据目标对象在历史时间范围内的产品购买信息，确定目标对象在历史时间范围内匹配的初始向量表示，得到第一向量；
处理模块303，用于通过时序注意力网络根据目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，目标向量由不同历史时间范围的子向量组成，子向量用于表示目标对象在历史时间范围内的产品喜好；
第二确定模块304，用于从目标向量中提取出目标历史时间范围的子向量，依据目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向目标对象推荐目标产品。
需要说明的是，上述获取模块301、第一确定模块302、处理模块303以及第二确定模块304对应于上述实施例中的步骤S101至步骤S104，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，第一确定模块302还包括：第一计算子模块，用于对于历史时间范围内的每个金融产品，计算金融产品的产品向量与目标对象的对象向量之间的相似度，得到目标相似度，其中，对象向量为根据对象信息确定的；筛选子模块，用于根据历史时间范围内的金融产品的目标相似度和购买次数，从历史时间范围内的金融产品中筛选出候选金融产品；第一确定子模块，用于根据历史时间范围内的候选金融产品的产品向量、目标对象的对象向量确定第一向量。
可选的，筛选子模块还包括：计算单元，用于根据目标相似度和金融产品的购买次数之间的乘积、金融产品的产品向量与目标对象的对象向量之间的差异信息，计算金融产品与目标对象之间的权重，得到目标权重；排序单元，用于依据历史时间范围内的各个金融产品的目标权重，对历史时间范围内的各个金融产品进行排序，得到排序后的金融产品；第一确定单元，用于将排序后的金融产品中的前N个金融产品确定为候选金融产品，其中，N为正整数。
可选的，处理模块303还包括：第二确定子模块，用于根据历史时间范围与目标历史时间范围之间的时间距离，确定历史时间范围匹配的第一影响因子；第三确定子模块，用于根据第一向量和历史时间范围匹配的第一影响因子的乘积，确定目标对象在历史时间范围内匹配的目标向量表示，得到第二向量；处理子模块，用于将目标对象在所有历史时间范围内的第二向量输入至时序注意力网络，得到目标向量。
可选的，第三确定子模块还包括：筛选单元，用于根据各个历史时间范围的第一向量，从所有历史时间范围中筛选出第一向量发生最大变化的历史时间范围；第二确定单元，用于根据历史时间范围与第一向量发生最大变化的历史时间范围之间的时间距离，确定历史时间范围匹配的第二影响因子；第三确定单元，用于根据第一向量和历史时间范围匹配的第一影响因子的乘积、第一向量和历史时间范围匹配的第二影响因子的乘积，确定第二向量。
可选的，金融产品的推荐装置还包括：组合模块，用于对所有历史时间范围进行任意有序地组合，得到多个历史时间范围组，其中，历史时间范围组由两个历史时间范围组成；计算模块，用于对于每个历史时间范围组，计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的第三向量；第三确定模块，用于根据第一矩阵和第二矩阵之间的乘积，确定目标向量，其中，第一矩阵为根据多个历史时间范围组匹配的第三向量确定的，第二矩阵由目标对象在所有历史时间范围内的第二向量组成。
可选的，计算模块还包括:第二计算子模块，用于计算历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到历史时间范围组匹配的初始第三向量；第四确定子模块，用于在历史时间范围组内第一个历史时间范围的时间起始值晚于第二个历史时间范围的时间起始值的情况下，将初始第三向量确定为第三向量；第五确定子模块，用于在历史时间范围组内第一个历史时间范围的时间起始值早于或等于第二个历史时间范围的时间起始值的情况下，将第四向量确定为第三向量，其中，第四向量小于任意一个第三向量。
实施例3
根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的金融产品的推荐方法。
实施例4
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，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，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实现用于运行程序，其中，程序被设置为运行时执行上述的金融产品的推荐方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种金融产品的推荐方法，其特征在于，包括：
获取目标对象在不同历史时间范围内的产品购买信息，其中，所述产品购买信息包括所述目标对象所购买的金融产品的产品向量以及所述金融产品的购买次数，所述产品向量为根据产品信息确定的；
对于每个历史时间范围，根据所述目标对象在所述历史时间范围内的产品购买信息，确定所述目标对象在所述历史时间范围内匹配的初始向量表示，得到第一向量；
通过时序注意力网络根据所述目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，所述目标向量由所述不同历史时间范围的子向量组成，所述子向量用于表示所述目标对象在所述历史时间范围内的产品喜好；
从所述目标向量中提取出目标历史时间范围的子向量，依据所述目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向所述目标对象推荐所述目标产品。
2.根据权利要求1所述的方法，其特征在于，根据所述目标对象在所述历史时间范围内的产品购买信息，确定所述目标对象在所述历史时间范围内匹配的初始向量表示，得到第一向量，包括：
对于所述历史时间范围内的每个金融产品，计算所述金融产品的产品向量与所述目标对象的对象向量之间的相似度，得到目标相似度，其中，所述对象向量为根据对象信息确定的；
根据所述历史时间范围内的金融产品的目标相似度和购买次数，从所述历史时间范围内的金融产品中筛选出候选金融产品；
根据所述历史时间范围内的候选金融产品的产品向量、所述目标对象的对象向量确定所述第一向量。
3.根据权利要求2所述的方法，其特征在于，根据所述历史时间范围内的金融产品的目标相似度和购买次数，从所述历史时间范围内的金融产品中筛选出候选金融产品，包括：
根据所述目标相似度和所述金融产品的购买次数之间的乘积、所述金融产品的产品向量与所述目标对象的对象向量之间的差异信息，计算所述金融产品与所述目标对象之间的权重，得到目标权重；
依据所述历史时间范围内的各个金融产品的目标权重，对所述历史时间范围内的各个金融产品进行排序，得到排序后的金融产品；
将所述排序后的金融产品中的前N个金融产品确定为所述候选金融产品，其中，N为正整数。
4.根据权利要求1所述的方法，其特征在于，通过时序注意力网络根据所述目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，包括：
根据所述历史时间范围与所述目标历史时间范围之间的时间距离，确定所述历史时间范围匹配的第一影响因子；
根据所述第一向量和所述历史时间范围匹配的第一影响因子的乘积，确定所述目标对象在所述历史时间范围内匹配的目标向量表示，得到第二向量；
将所述目标对象在所有历史时间范围内的第二向量输入至所述时序注意力网络，得到所述目标向量。
5.根据权利要求4所述的方法，其特征在于，根据所述第一向量和所述历史时间范围匹配的第一影响因子的乘积，确定所述目标对象在所述历史时间范围内匹配的目标向量表示，得到第二向量，包括：
根据各个历史时间范围的第一向量，从所有历史时间范围中筛选出第一向量发生最大变化的历史时间范围；
根据所述历史时间范围与所述第一向量发生最大变化的历史时间范围之间的时间距离，确定所述历史时间范围匹配的第二影响因子；
根据所述第一向量和所述历史时间范围匹配的第一影响因子的乘积、所述第一向量和所述历史时间范围匹配的第二影响因子的乘积，确定所述第二向量。
6.根据权利要求4所述的方法，其特征在于，所述时序注意力网络通过以下方式得到所述目标向量：
对所有历史时间范围进行任意有序地组合，得到多个历史时间范围组，其中，所述历史时间范围组由两个历史时间范围组成；
对于每个历史时间范围组，计算所述历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到所述历史时间范围组匹配的第三向量；
根据第一矩阵和第二矩阵之间的乘积，确定所述目标向量，其中，所述第一矩阵为根据所述多个历史时间范围组匹配的第三向量确定的，所述第二矩阵由所述目标对象在所有历史时间范围内的第二向量组成。
7.根据权利要求6所述的方法，其特征在于，计算所述历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到所述历史时间范围组匹配的第三向量，包括：
计算所述历史时间范围组内的历史时间范围的第二向量之间的关联程度，得到所述历史时间范围组匹配的初始第三向量；
在所述历史时间范围组内第一个历史时间范围的时间起始值晚于第二个历史时间范围的时间起始值的情况下，将所述初始第三向量确定为所述第三向量；
在所述历史时间范围组内第一个历史时间范围的时间起始值早于或等于所述第二个历史时间范围的时间起始值的情况下，将第四向量确定为所述第三向量，其中，所述第四向量小于任意一个第三向量。
8.一种金融产品的推荐装置，其特征在于，包括：
获取模块，用于获取目标对象在不同历史时间范围内的产品购买信息，其中，所述产品购买信息包括所述目标对象所购买的金融产品的产品向量以及所述金融产品的购买次数，所述产品向量为根据产品信息确定的；
第一确定模块，用于对于每个历史时间范围，根据所述目标对象在所述历史时间范围内的产品购买信息，确定所述目标对象在所述历史时间范围内匹配的初始向量表示，得到第一向量；
处理模块，用于通过时序注意力网络根据所述目标对象在所有历史时间范围内的第一向量进行预测处理，得到目标向量，其中，所述目标向量由所述不同历史时间范围的子向量组成，所述子向量用于表示所述目标对象在所述历史时间范围内的产品喜好；
第二确定模块，用于从所述目标向量中提取出目标历史时间范围的子向量，依据所述目标历史时间范围的子向量与各个金融产品的产品向量之间的相似度，从金融产品中确定目标产品，并向所述目标对象推荐所述目标产品。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的金融产品的推荐方法。
10.一种电子设备，其特征在于，所述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，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用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的金融产品的推荐方法。
CN202311589799.8A 2023-11-24 2023-11-24 金融产品的推荐方法、装置、存储介质及电子设备 Pending CN117455687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311589799.8A CN117455687A (zh) 2023-11-24 2023-11-24 金融产品的推荐方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311589799.8A CN117455687A (zh) 2023-11-24 2023-11-24 金融产品的推荐方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117455687A true CN117455687A (zh) 2024-01-26

Family

ID=89580007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311589799.8A Pending CN117455687A (zh) 2023-11-24 2023-11-24 金融产品的推荐方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117455687A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708438A (zh) * 2024-02-06 2024-03-15 浙江大学高端装备研究院 一种摩托车驾驶模式推荐方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708438A (zh) * 2024-02-06 2024-03-15 浙江大学高端装备研究院 一种摩托车驾驶模式推荐方法和系统
CN117708438B (zh) * 2024-02-06 2024-06-18 浙江大学高端装备研究院 一种摩托车驾驶模式推荐方法和系统

Similar Documents

Publication Publication Date Title
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及系统
CN109522942B (zh) 一种图像分类方法、装置、终端设备和存储介质
CN112000819B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN108665311B (zh) 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法
CN113256367B (zh) 用户行为历史数据的商品推荐方法、系统、设备及介质
CN111582538B (zh) 一种基于图神经网络的社群价值预测方法及系统
Eliyas et al. Recommendation systems: Content-based filtering vs collaborative filtering
CN109685537B (zh) 用户行为的分析方法、装置、介质和电子设备
CN110633421B (zh) 特征提取、推荐以及预测方法、装置、介质和设备
CN111460316B (zh) 一种面向知识系统的个性化推荐方法及计算机存储介质
CN110489574B (zh) 一种多媒体信息推荐方法、装置和相关设备
CN112488863B (zh) 一种在用户冷启动场景下的险种推荐方法及相关设备
CN117455687A (zh) 金融产品的推荐方法、装置、存储介质及电子设备
CN112765484B (zh) 短视频推送方法、装置、电子设备及存储介质
CN111339439A (zh) 一种融合评论文本与时序效应的协同过滤推荐方法和装置
US20200250715A1 (en) Automatic rule generation for recommendation engine using hybrid machine learning
CN113536105A (zh) 推荐模型训练方法和装置
CN111538909A (zh) 一种信息推荐方法及装置
CN115794898B (zh) 一种金融资讯推荐方法、装置、电子设备及存储介质
CN115511582B (zh) 一种基于人工智能的商品推荐系统及方法
CN116977019A (zh) 一种商户推荐方法、装置、电子设备及存储介质
CN111832402A (zh) 一种人脸识别方法及装置
CN113674063B (zh) 购物推荐方法、购物推荐装置、及电子设备
CN112488355A (zh) 基于图神经网络预测用户评级的方法和装置
CN114399352A (zh) 一种信息推荐方法、装置、电子设备及存储介质

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