CN117788166A - 投资类型分析方法、装置、设备、介质及程序产品 - Google Patents
投资类型分析方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN117788166A CN117788166A CN202311498093.0A CN202311498093A CN117788166A CN 117788166 A CN117788166 A CN 117788166A CN 202311498093 A CN202311498093 A CN 202311498093A CN 117788166 A CN117788166 A CN 117788166A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- user
- investment
- target user
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 238000013475 authorization Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种投资类型分析方法、装置、设备、介质及程序产品，可以应用于人工智能技术领域及金融领域。该投资类型分析方法包括：获取目标用户对获取目标用户信息的授权；在获得目标用户对获取目标用户信息的授权后，获取目标用户的目标信息，目标信息包括目标用户的身份信息和投资产品消费信息；根据数据转换信息，将目标信息转化为预处理目标数据，其中，数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系；将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。
Description
技术领域
本公开涉及人工智能的技术领域，更具体地涉及一种投资类型分析方法、装置、设备、介质及程序产品。
背景技术
目前，大部分客户投资偏好分析常采用客户现场线上或线下填写调查问卷后，再针对填写的内容进行分析的模式。但该模式受问卷题目的限制，无法涵盖所有的可能性和个体差异，同时受客户当时的主观意见影响，可能存在偏见和记忆失误，从而导致投资偏好分析的结果不准确。因此，银行工作人员在给客户推荐投资产品时，容易导致推荐的投资产品与客户的投资偏好不相适配的情况，使客户的体验感较差。
发明内容
鉴于上述问题，本公开提供了一种投资类型分析方法、装置、设备、介质及程序产品。
根据本公开的第一个方面，提供了一种投资类型分析方法，包括：获取目标用户对获取目标用户信息的授权；在获得目标用户对获取目标用户信息的授权后，获取目标用户的目标信息，目标信息包括目标用户的身份信息和投资产品消费信息；根据数据转换信息，将目标信息转化为预处理目标数据，其中，数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系；将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。
根据本公开的实施例，已训练的预测模型包括：获取多个用户的用户信息；根据数据转换信息，对多个用户信息进行转换，得到预处理数据集；将预处理数据集输入待训练的预测模型中，通过训练得到已训练的预测模型。
根据本公开的实施例，根据数据转换信息，对多个用户信息进行转换，得到预处理数据集之后还包括：基于用户信息，提取用户信息对应的多个用户属性；将多个用户属性分为一个类别标识属性和决策属性集，其中，决策属性即中含有多个决策属性，类别标识属性表征投资类型的评价信息，决策属性表征对投资类型的决定信息。
根据本公开的实施例，将预处理数据集输入待训练的预测模型中，通过训练得到已训练的预测模型，包括：根据第一算法，计算每个决策属性的信息增益值；根据第二算法，计算每个决策属性的信息增益比例；基于多个信息增益值和信息增益比例，生成决策树，决策树作为已训练的预测模型。
根据本公开的实施例，根据第一算法，计算每个决策属性的信息增益值，包括：计算每一个决策属性的期望信息值；计算每一个决策属性的熵值；根据期望信息值和熵值，计算每个决策属性的信息增益值。
根据本公开的实施例，多个用户属性包括：基本类型、职业类型和投资产品消费类型。
根据本公开的实施例，投资产品消费类型作为类别标识属性，基本类型和职业类型作为决策属性集。
本公开的第二方面提供了一种投资类型分析装置，包括：授权模块，用于获取目标用户对获取目标用户信息的授权；获取模块，用于在获得目标用户对获取目标用户信息的授权后，获取目标用户的目标信息，目标信息表包括目标用户的身份信息和投资产品消费信息；处理模块，用于对目标信息进行预处理，得到预处理目标数据，其中预处理表征了将目标信息由定性数据转化为定量数据；以及预测模块，用于将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。
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投资类型分析方法。
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投资类型分析方法。
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投资类型分析方法。
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投资类型分析方法、装置、设备、介质及程序产品的应用场景图；
图2示意性示出了根据本公开实施例的投资类型分析方法的流程图；
图3示意性示出了根据本公开实施例的预测模型训练方法的流程图；
图4示意性示出了根据本公开实施例的多个用户信息转换方法的流程图；
图5示意性示出了根据本公开实施例的预处理数据集在待训练的预测模型中训练方法的流程图；
图6示意性示出了根据本公开实施例的根据第一算法计算每个决策属性信息增益值方法的流程图；
图7示意性示出了根据本公开实施例的决策树的示意图；
图8示意性示出了根据本公开实施例的投资类型分析装置的结构框图；以及
图9示意性示出了根据本公开实施例的适于实现投资类型分析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”等表明了所述特征、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)。
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。
目前，大部分客户投资偏好分析常采用客户现场线上或线下填写调查问卷后，再针对填写的内容进行分析的模式。但该模式受问卷题目的限制，无法涵盖所有的可能性和个体差异，同时受客户当时的主观意见影响，可能存在偏见和记忆失误，从而导致投资偏好分析的结果不准确。因此，银行工作人员在给客户推荐投资产品时，容易导致推荐的投资产品与客户的投资偏好不相适配的情况，使客户的体验感较差。
金融机构在对客进行金融产品营销时，如果能利用数据分析提前了解客户的投资偏好可以帮助金融机构和客户经理为每位客户提供个性化的投资建议，营销与客户偏好匹配的金融产品和服务，提高销售效率，同时也有助于评估客户对风险的容忍度，根据他们的偏好进行投资选择可以帮助控制风险并减少潜在损失，通过满足客户的投资需求，提供针对性的建议并取得良好的投资效果，金融机构和客户经理可以与客户建立信任，并吸引客户长期合作。准确预测客户的投资偏好可以使金融机构在市场中保持竞争优势，开发创新的产品和服务，以满足市场上不同类型的投资者。
本公开的实施例提供了一种投资类型分析方法，包括：获取目标用户对获取目标用户信息的授权；在获得目标用户对获取目标用户信息的授权后，获取目标用户的目标信息，目标信息包括目标用户的身份信息和投资产品消费信息；根据数据转换信息，将目标信息转化为预处理目标数据，其中，数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系；将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。基于客户的实际数据，通过设置预测模型实现对目标用户投资类型的精准预测。使银行工作人员在给客户推荐投资产品时，更好的与客户的投资偏好相适配，提高客户的体验感。
图1示意性示出了根据本公开实施例的投资类型分析方法、装置、设备、介质及程序产品的应用场景图。
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和服务器105。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投资类型分析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投资类型分析装置一般可以设置于服务器105中。本公开实施例所提供的投资类型分析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投资类型分析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7对公开实施例的投资类型分析方法进行详细描述。
图2示意性示出了根据本公开实施例的投资类型分析方法的流程图。
如图2所示，该实施例的投资类型分析方法包括操作S210～操作S240。
在操作S210，获取目标用户对获取目标用户信息的授权。
在操作S220，在获得目标用户对获取目标用户信息的授权后，获取目标用户的目标信息，目标信息包括目标用户的身份信息和投资产品消费信息。
在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S220之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行操作S220。
在操作S230，根据数据转换信息，将目标信息转化为预处理目标数据，其中，数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系。
在操作S240，将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。
可以理解的是，一方面，通过设置预测模型实现对目标用户投资类型的智能预测。另一方面，基于客户的实际数据进行预测，不仅提炼了数据价值，也实现精细化营销，根据用户的投资类型，银行能够给用户匹配与其投资偏好更为相适配的投资产品，提升客户的体验感，达到降本增效的目的。同时数据转换信息能够将用户信息的定性数据转化为定量数据形成预处理目标数据。将定性数据转化为定量数据，对用户信息进行预处理，实现用户信息统一处理，以便于后续模型的分析。
在一些实施例中，目标信息包括目标用户的身份信息和投资产品消费信息。具体地，身份信息包括年龄、学历、房产状况、职业和年薪；投资产品消费信息包括：是否购买过理财产品，如果否，则统计目标用户活期和定期的存款；如果是，则统计目标客户理财产品的购买情况，例如，购买理财产品总金额在3万以内，购买理财、基金产品总金额在3-10万以内，购买理财、基金、股票产品总金额在10万以上。由于目标用户在银行中的信息比较繁杂，需要对目标用户的信息进行过滤，得到目标信息。
数据转换信息则是用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系。例如，对于年龄，20-30岁记为1，30-50岁记为2，50-70记为3。对于学历，小学、初中、高中或中专记为1，大专或本科记为2，硕士以上记为3。即将目标用户的定性数据转化为定量数据。对于上述提出的身份信息和投资产品消费信息的具体转换内容可参照表1。
表1数据转换信息
需要说明的是，本公开实施例对数据转换信息的格式不作具体的限定，便于后续预测模型分析即可。例如，对于年龄，20-30岁记为4，30-50岁记为5，50-70记为6。
在一些实施例中，投资类型包括：保守型投资者、平衡型投资者、成长型投资者和进取型投资者。根据目标用户的目标信息通过已训练的预测模型，实现目标用户投资类型的智能化分析。
图3示意性示出了根据本公开实施例的预测模型训练方法的流程图。
如图3所示，该实施例的已训练的预测模型训练方法包括操作S310～操作S330。
在操作S310，获取多个用户的用户信息。
在操作S320，根据数据转换信息，对多个用户信息进行转换，得到预处理数据集。
在操作S330，将预处理数据集输入待训练的预测模型中，通过训练得到已训练的预测模型。
示例性地，为了便于对预测模型训练方法的理解，以10个用户进行说明。其中，10个用户信息转化后具体的数据如表2所示。
表2 10个用户信息转化后结果
| 序号 | 年龄 | 学历 | 房产状况 | 职业 | 年薪 | 理财产品购买情况 |
| 客户1 | 2 | 1 | 2 | 3 | 2 | 1 |
| 客户2 | 1 | 3 | 2 | 2 | 3 | 3 |
| 客户3 | 1 | 2 | 1 | 1 | 1 | 1 |
| 客户4 | 3 | 2 | 3 | 4 | 3 | 4 |
| 客户5 | 3 | 1 | 1 | 2 | 2 | 2 |
| 客户6 | 3 | 3 | 2 | 3 | 4 | 3 |
| 客户7 | 2 | 1 | 1 | 1 | 1 | 1 |
| 客户8 | 1 | 2 | 3 | 3 | 2 | 2 |
| 客户9 | 2 | 2 | 2 | 2 | 2 | 2 |
| 客户10 | 2 | 3 | 3 | 4 | 4 | 4 |
客户1的预处理数据集包括上述年龄、学历、房产状况、职业、年薪和理财产品购买情况中各个数据。
可以理解的是，结合多个用户实际的用户信息，对模型进行训练，提高模型预测的准确性。
图4示意性示出了根据本公开实施例的多个用户信息转换方法的流程图。
如图4所示，该实施例的根据数据转换信息，对多个用户信息进行转换，得到预处理数据集之后还包括操作S410～操作S420。
在操作S410，基于用户信息，提取用户信息对应的多个用户属性。
其中，多个用户属性包括：基本类型、职业类型和投资产品消费类型。
在操作S420，将多个用户属性分为一个类别标识属性和决策属性集，其中，决策属性即中含有多个决策属性，类别标识属性表征投资类型的评价信息，决策属性表征对投资类型的决定信息。
其中，投资产品消费类型作为类别标识属性，基本类型和职业类型作为决策属性集。
具体地，将理财产品购买情况作为类别标识属性，年龄、学历、房产状况、职业和年薪作为决策属性，共同构成决策属性集。
图5示意性示出了根据本公开实施例的预处理数据集在待训练的预测模型中训练方法的流程图。
如图5所示，该实施例的将预处理数据集输入待训练的预测模型中，通过训练得到已训练的预测模型包括操作S510～操作S530。
在操作S510，根据第一算法，计算每个决策属性的信息增益值。
在操作S520，根据第二算法，计算每个决策属性的信息增益比例。
在操作S530，基于多个信息增益值和信息增益比例，生成决策树，决策树作为已训练的预测模型。
在一些实施例中，决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
示例性地，继续以上述表2中的10个用户信息为例进行说明。将客户预处理数据集记为S；每个属性具有m个不同的值记为Ci(i＝1，2，…，m)，也就是说定义了m个不同的类，例如，理财产品购买情况中有1、2、3和4，因此m＝4。Ri为数据样本集合S中数据Ci类的子集，ri表示子集Ri中的样本数。继续以上述理财产品购买情况为例进行说明，当i＝1时，集合S中客户1、客户3和客户7均为1，则r1＝3。因此，上述集合S中r1＝3、r2＝3、r3＝2和r4＝2。p表示任意样本属于Ci类的概率，pi＝ri/|S|。
例如，属性A共有v个不同的取值{a1，a2，…，av}，v与m相等，可以用属性A将数据集S划分为v个子集{S1，S2，…，Sv}，Sv与Ri相同。其中Sj表示在数据集合S中属性A的取值为Aj的子集，j＝1，2，…，v，如果A被选为决策属性，则这些子集将对应该节点的不同分枝。
信息增益比例的计算公式如下：
其中，Gain(A)表示某一属性的信息增益值，SplitI(A)表示某一属性的期望值。
具体地：Gain(A)＝I(r1，r2，...，rm)
以年龄属性为例，则Ratio(年龄)＝Gain(年龄)/E(年龄)。Gain(年龄)＝I(r1，r2，r3，r4)-E(年龄)＝0.50301。
由ID3算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定集合S的测试属性.对被选取的测试属性创建一个结点，并以该属性标记，对该属性的每个值创建一个分支，据此划分样本。
图6示意性示出了根据本公开实施例的根据第一算法计算每个决策属性信息增益值方法的流程图。
如图6所示，该实施例的根据第一算法，计算每个决策属性的信息增益值包括操作S610～操作S630。
在操作S610，计算每一个决策属性的期望信息值。
在操作S620，计算每一个决策属性的熵值。
在操作S630，根据期望信息值和熵值，计算每个决策属性的信息增益值。
具体地，信息增益值的计算公式如下：
I表示某一属性的期望信息值，m表示该属性中不同类的总值。
以年龄属性为例，对属性“年龄″，当年龄为(20-30)
当年龄为(30-50)
当年龄为(50-70)
熵值的计算公式如下：
上式中：项充当第j个子集的权，并且等于子集(即A值为av)中的样本个数除以S中的样本总数。
继续以年龄属性为例，则
在决策树生成规则时，应该选取信息增益率作为最大值的属性，但信息增益的最小值不低于所有属性平均值的属性作为测试点，以该属性作为根结点，根据属性的分布逐一画出分枝，据此划分数据，树叶是所有样本都在同一个类的结点，需进行标注，可用客户类别进行标注，按照该原则逐步分析，当分析到在主属性上子集中的数据记录取值完全相同，或者属性已经划分完毕，则形成决策树对应规则。
图7示意性示出了根据本公开实施例的决策树的示意图。
如图7所示，采用上述操作S510～操作S530及操作S610～操作S630中的方法分别计算年龄、学历、房产状况、职业和年薪的信息增益率。由于“年薪”具有最大信息增益率，所以该属性作为根节点，对于每一个分枝，重复上述步骤，生成本案例的决策树。
由图7分析可得，根据决策树得出客户投资类型，示例如下：
(1)若某客户年薪为第一类(5万以下)，且职业为第一类(农民、工人、学生、服务员)，则该客户为保守型投资者。
(2)若某客户年薪为第二类(5-10万)，职业为第二类(金融机构职员、电信网络、房地产等企业员工)，且年龄为30岁以上，则该客户为保守型投资者。
(3)若某客户年薪为第二类(5-10万)，职业为第三类(公务员、教师、医务人员、建筑设计等单位员工)，房产状况为第三类(自有无房贷)，且学历为第二类(大专、本科)，则该客户为平衡型投资者。
(4)若某客户年薪为第二类(5-10万)，职业为第三类(公务员、教师、医务人员、建筑设计等单位员工)，房产状况为第三类(自有无房贷)，且学历为第三类(硕士以上)，则该客户为成长型投资者。
(5)若某客户年薪为第四类(20万以上)，房产状况为第二类(有房贷)，且年龄为第三类(50-70)，则该客户为成长型投资者。
(6)若某客户年薪为第三类(10-20万)，学历为第三类(硕士以上)，则该客户为进取型投资者。
综上所述，本公开实施例有效的解决了人工识别客户偏好和采用填写调查问卷分析客户风险承受能力时工作量大、标准难以界定、数据准确性低的问题。实现了通过客户基本信息通过预测模型从而判断客户的投资偏好，可以为每个客户提供个性化的营销建议，推荐我行理财产品。比如针对保守型投资者可以推荐我行定期存款、债券等，平衡型投资者可以推荐固定收益的保险类理财产品，成长型投资者可以推荐基金、股票等存在一定风险的产品，进取性投资者可以推荐期货、新兴市场股票等高风险高收益产品。可以快速提升营销转化率，降低市场营销成本、增加客户满意度和粘性。
基于上述投资类型分析方法，本公开还提供了一种投资类型分析装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的投资类型分析装置的结构框图。
如图8所示，该实施例的投资类型分析装置800包括授权模块810、获取模块820、处理模块830和预测模块840。
授权模块810用于获取目标用户对获取目标用户信息的授权。在一实施例中，授权模块810可以用于执行前文描述的操作S210，在此不再赘述。
获取模块820用于在获得目标用户对获取目标用户信息的授权后，获取多目标用户的目标信息，目标信息表包括目标用户的身份信息和投资产品消费信息。在一实施例中，获取模块820可以用于执行前文描述的操作S220，在此不再赘述。
处理模块830用于根据数据转换信息，将目标信息转化为预处理目标数据，其中，数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系。在一实施例中，处理模块830可以用于执行前文描述的操作S230，在此不再赘述。
处理模块840用于将预处理目标数据输入已训练的预测模型，得到目标用户的投资类型。在一实施例中，处理模块840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，授权模块810、获取模块820和处理模块830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，授权模块810、获取模块820和处理模块830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，授权模块810、获取模块820和处理模块830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9示意性示出了根据本公开实施例的适于实现投资类型分析方法的电子设备的方框图。
如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901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901还可以包括用于缓存用途的板载存储器。处理器901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 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903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，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述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900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；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907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，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910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908。
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 902和/或RAM 903和/或ROM 902和RAM 903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物品推荐方法。
在该计算机程序被处理器901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909被下载和安装，和/或从可拆卸介质911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909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901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 (11)
1.一种投资类型分析方法，包括：
获取目标用户对获取目标用户信息的授权；
在获得所述目标用户对获取目标用户信息的授权后，获取所述目标用户的目标信息，所述目标信息包括所述目标用户的身份信息和投资产品消费信息；
根据数据转换信息，将所述目标信息转化为预处理目标数据，其中，所述数据转换信息表征了用户的身份信息和投资产品消费信息与不同代表数值之间的映射关系；
将所述预处理目标数据输入已训练的预测模型，得到所述目标用户的投资类型。
2.根据权利要求1所述的方法，所述已训练的预测模型包括：
获取多个用户的用户信息；
根据所述数据转换信息，对所述多个用户信息进行转换，得到预处理数据集；
将所述预处理数据集输入待训练的预测模型中，通过训练得到所述已训练的预测模型。
3.根据权利要求2所述的方法，所述根据所述数据转换信息，对所述多个用户信息进行转换，得到预处理数据集之后还包括：
基于所述用户信息，提取所述用户信息对应的多个用户属性；
将所述多个用户属性分为一个类别标识属性和决策属性集，其中，所述决策属性即中含有多个决策属性，所述类别标识属性表征投资类型的评价信息，所述决策属性表征对投资类型的决定信息。
4.根据权利要求3所述的方法，所述将所述预处理数据集输入待训练的预测模型中，通过训练得到所述已训练的预测模型，包括：
根据第一算法，计算每个所述决策属性的信息增益值；
根据第二算法，计算每个所述决策属性的信息增益比例；
基于多个所述信息增益值和所述信息增益比例，生成决策树，所述决策树作为所述已训练的预测模型。
5.根据权利要求4所述的方法，所述根据第一算法，计算每个所述决策属性的信息增益值，包括：
计算每一个所述决策属性的期望信息值；
计算每一个所述决策属性的熵值；
根据所述期望信息值和所述熵值，计算每个所述决策属性的信息增益值。
6.根据权利要求3所述的方法，所述多个用户属性包括：基本类型、职业类型和投资产品消费类型。
7.根据权利要求6所述的方法，所述投资产品消费类型作为所述类别标识属性，所述基本类型和所述职业类型作为决策属性集。
8.一种投资类型分析装置，包括：
授权模块，用于获取目标用户对获取目标用户信息的授权；
获取模块，用于在获得所述目标用户对获取目标用户信息的授权后，获取所述目标用户的目标信息，所述目标信息表包括所述目标用户的身份信息和投资产品消费信息；
处理模块，用于对所述目标信息进行预处理，得到预处理目标数据，其中所述预处理表征了将所述目标信息由定性数据转化为定量数据；以及
预测模块，用于将所述预处理目标数据输入已训练的预测模型，得到所述目标用户的投资类型。
9.一种电子设备，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1～7中任一项所述的方法。
10.一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1～7中任一项所述的方法。
11.一种计算机程序产品，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1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311498093.0A CN117788166A (zh) | 2023-11-10 | 2023-11-10 | 投资类型分析方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311498093.0A CN117788166A (zh) | 2023-11-10 | 2023-11-10 | 投资类型分析方法、装置、设备、介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117788166A true CN117788166A (zh) | 2024-03-29 |
Family
ID=90384062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311498093.0A Pending CN117788166A (zh) | 2023-11-10 | 2023-11-10 | 投资类型分析方法、装置、设备、介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788166A (zh) |
-
2023
- 2023-11-10 CN CN202311498093.0A patent/CN117788166A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663495B2 (en) | System and method for automatic learning of functions | |
| US10242093B2 (en) | Method and system for performing a probabilistic topic analysis of search queries for a customer support system | |
| US8296206B1 (en) | Method and system for providing intelligent targeted budgeting using financial transaction data from similarly situated individuals | |
| US20180018311A1 (en) | Method and system for automatically extracting relevant tax terms from forms and instructions | |
| US10748157B1 (en) | Method and system for determining levels of search sophistication for users of a customer self-help system to personalize a content search user experience provided to the users and to increase a likelihood of user satisfaction with the search experience | |
| Narbón-Perpiñá et al. | Evaluating local government performance in times of crisis | |
| US11334941B2 (en) | Systems and computer-implemented processes for model-based underwriting | |
| US10762472B1 (en) | Methods, systems and computer program products for generating notifications of benefit qualification change | |
| US11734772B2 (en) | System and method for providing a predicted tax refund range based on probabilistic calculation | |
| CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
| CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
| CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN117788166A (zh) | 投资类型分析方法、装置、设备、介质及程序产品 | |
| CN114117227A (zh) | 一种运营维护方法、系统、电子设备及存储介质 | |
| CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
| US10937109B1 (en) | Method and technique to calculate and provide confidence score for predicted tax due/refund | |
| US11295397B1 (en) | Systems, methods, and computer program products for matching service consumers and providers | |
| US10769592B1 (en) | Methods, systems and computer program products for generating explanations for a benefit qualification change | |
| CN117273950A (zh) | 理财产品推送方法、装置、设备、介质和程序产品 | |
| US10872315B1 (en) | Methods, systems and computer program products for prioritization of benefit qualification questions | |
| CN116562974A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
| CN116308602A (zh) | 推荐产品信息的生成方法、装置、电子设备和介质 | |
| CN117911033A (zh) | 交易限额确定方法、装置、设备、介质及程序产品 | |
| CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 | |
| CN116450950A (zh) | 产品组合推荐方法、装置、设备及介质 |
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 |