CN117829961A - 基于问卷模型的金融产品推荐方法、装置、计算机设备 - Google Patents
基于问卷模型的金融产品推荐方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN117829961A CN117829961A CN202410026901.1A CN202410026901A CN117829961A CN 117829961 A CN117829961 A CN 117829961A CN 202410026901 A CN202410026901 A CN 202410026901A CN 117829961 A CN117829961 A CN 117829961A
- Authority
- CN
- China
- Prior art keywords
- learner
- questionnaire
- optimal
- sample set
- model
- 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 43
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于金融科技和人工智能领域，涉及一种基于问卷模型的金融产品推荐方法，包括：获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；基于样本集和各问卷样本的权重，对预设模型进行训练，得到K个学习器；针对每个所述学习器，依据蝙蝠算法、样本集和各问卷样本的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型；基于问卷模型进行金融产品推荐。本申请还提供一种基于问卷模型的金融产品推荐装置、计算机设备及存储介质。本申请提供的基于问卷模型的金融产品推荐方案，能够为用户推荐与实际需求高匹配度的金融产品。
Description
技术领域
本申请涉及金融科技和人工智能技术领域，尤其涉及基于问卷模型的金融产品推荐方法、装置、计算机设备及存储介质。
背景技术
保险公司通常有很多保险产品，比如车险、非车险等产品，同时也存在着大量的投保用户，但目前保险公司产品在为投保用户提供个性化定制产品方面非常不足，无法针对不同的用户调整产品策略。
目前为了更好的服务投保用户通常会采用问卷调查的方式获取不同用户的个性化需求，然后再基于调查得到的个性化需求调整产品策略。但是现有的问卷调查方式中所使用问卷固定、单一，所获取的有价值的用户信息较少，因此对产品调整时提供的可借鉴价值不大。由于调查问卷对产品调整时提供的可借鉴价值不大，因此难以为用户提供与实际需求适配的金融产品。因此，如何能够定期灵活制定合理的调查问卷，使得其调查的结果对产品调整的借鉴价值提升，是本领域技术人员目前迫切需要解决的技术问题。
发明内容
本申请实施例的目的在于提出一种问卷管理模型生成方法、装置、计算机设备及存储介质，以解决现有技术中无法为用户推荐高适配度的金融产品的问题。
为了解决上述技术问题，本申请实施例提供一种基于问卷模型的金融产品推荐方法，采用了如下所述的技术方案：
获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；
基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器；
针对每个所述学习器，依据蝙蝠算法、所述样本集和各所述问卷样本的权重训练所述学习器，得到对应地最优学习器；
计算各所述最优学习器的第一目标系数；
依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型；
基于所述问卷模型进行金融产品推荐。
进一步的，基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器的步骤，包括：
基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到第X个弱学习器；其中，X的最大值为K；
计算所述第X个弱学习器的分类误差率和第二目标系数；
基于在所述第X个弱学习器前生成的各弱学习器的分类误差率和第二目标系数，以及所述第X个弱学习器的分类误差率和第二目标系数，生成第X个学习器；
依据所述第X个学习器对所述样本集中的各问卷样本进行分类，基于分类结果更新所述样本集中的各问卷样本对应的权重。
进一步的，所述计算所述第X个弱学习器的分类误差率和第二目标系数的步骤，包括：
将所述第X个弱学习器分别与所述样本集中各问卷样本对应的随机数进行比较；
基于比较结果、所述更新后的样本集中的各问卷样本对应的权重，计算所述第X个弱学习器的分类误差率；
将所述分类误差率代入预设公式，得到所述第X个弱学习器的第二目标系数。
进一步的，所述计算各所述最优学习器的第一目标系数的步骤，包括：
分别计算各所述最优学习器的回归误差率；
针对每个最优学习器，依据所述最优学习器的回归误差率，计算所述最优学习器的第一目标系数。
进一步的，所述分别计算各所述最优学习器的回归误差率的步骤，包括：
针对每个所述最优学习器，分别计算所述样本集中各随机数与所述最优学习器的差值；
取各所述差值中的最大值作为中间量；
依据所述中间量、所述最优学习器对应的样本集权重中的各权重、所述样本集中的各随机数以及所述最优学习器，得到所述最优学习器的回归误差率。
进一步的，所述依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型的步骤，包括：
分别将各所述最优学习器的第一目标系数作为权重，对各所述最优学习器加权后取中位数；
基于所述中位数、各所述最优学习器的第一目标系数以及预设系数，生成问卷模型。
为了解决上述技术问题，本申请实施例还提供一种基于问卷模型的金融产品推荐装置，采用了如下所述的技术方案：
获取模块，用于获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；
第一训练模块，用于基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器；
第二训练模块，用于针对每个所述学习器，依据蝙蝠算法、所述样本集和各所述问卷样本的权重训练所述学习器，得到对应地最优学习器；
计算模块，用于计算各所述最优学习器的第一目标系数；
生成模块，用于依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型；
推荐模块，用于基于所述问卷管理模型进行金融产品推荐。
进一步的，所述第一训练模块包括：
训练子模块，用于基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到第X个弱学习器；其中，X的最大值为K；
第一系数计算子模块，用于计算所述第X个弱学习器的分类误差率和第二目标系数；
第一生成子模块，用于基于在所述第X个弱学习器前生成的各弱学习器的分类误差率和第二目标系数，以及所述第X个弱学习器的分类误差率和第二目标系数，生成第X个学习器；
更新子模块，用于依据所述第X个学习器对所述样本集中的各问卷样本进行分类，基于分类结果更新所述样本集中的各问卷样本对应的权重。
进一步的，所述系数计算子模块，包括：
比较单元，用于将所述第X个弱学习器分别与所述样本集中各问卷样本对应的随机数进行比较；
误差率计算单元，用于基于比较结果、所述更新后的样本集中的各问卷样本对应的权重，计算所述第X个弱学习器的分类误差率；
代入单元，用于将所述分类误差率代入预设公式，得到所述第X个弱学习器的第二目标系数。
进一步的，所述计算模块包括：
第二系数计算子模块，用于分别计算各所述最优学习器的回归误差率；
第三系数计算子模块，用于针对每个最优学习器，依据所述最优学习器的回归误差率，计算所述最优学习器的第一目标系数。
进一步的，所述第二系数计算子模块包括：
差值计算单元，用于针对每个所述最优学习器，分别计算所述样本集中各随机数与所述最优学习器的差值；
取值单元，用于取各所述差值中的最大值作为中间量；
回归误差率确定单元，用于依据所述中间量、所述最优学习器对应的样本集中问卷样本的权重、所述样本集中的各随机数以及所述最优学习器，得到所述最优学习器的回归误差率。
进一步的，所述生成模块包括：
中位数计算子模块，用于分别将各所述最优学习器的第一目标系数作为权重，对各所述最优学习器加权后取中位数；
模型生成子模块，用于基于所述中位数、各所述最优学习器的第一目标系数以及预设系数，生成问卷模型。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
本申请实施例的计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任一种基于问卷模型的金融产品推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
本申请实施例的计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任一种基于问卷模型的金融产品推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例提供的基于问卷模型的金融产品推荐方案，获取样本集并确定样本集中包含的每个问卷样本对应权重；基于样本集和各问卷样本对应的权重，对预设模型进行训练，得到K个学习器；针对每个学习器，依据蝙蝠算法、样本集和各问卷样本集的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型，基于问卷模型进行金融产品推荐，所生成的问卷模型由于是基于大量的问卷样本调优后生成，生成的问卷模型能够全面、精准地对问卷中的问题进行调整，从而达到有效对问卷进行合理调整的效果，进而基于调整后的调查问卷为用户提供与实际需求高匹配度的金融产品。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于问卷模型的金融产品推荐方法的一个实施例的流程图；
图3是图2中步骤S203的一种具体实施方式的流程图；
图4是根据本申请的基于问卷模型的金融产品推荐装置的一个实施例的结构示意图；
图5是图4所示第一训练模块一种具体实施方式的结构示意图；
图6是图4所示计算模块一种具体实施方式的结构示意图；
图7是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于问卷模型的金融产品推荐方法一般由服务器/终端设备执行，相应地，基于问卷模型的金融产品推荐装置一般设置于服务器/终端设备中。
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。
继续参考图2，示出了根据本申请的问卷管理模型生成的方法的一个实施例的流程图。所述的问卷管理模型生成方法，包括以下步骤：
步骤S201，获取样本集，并确定样本集中包含的每个问卷样本对应的权重。
其中，训练集中包含多个问卷样本和每个问卷样本对应一个随机数。
本步骤中，可先将问卷样本初始化为样本集，然后再初始化样本集权重，这样便可确定样本集中包含的每个问卷样本对应的随机数和权重。
在本实施例中，基于问卷模型的金融产品推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)。电子设备基于预先收集的问卷样本训练问卷模型，最后基于问卷模型进行金融产品推荐。需要说明的是，问卷模型可以定期按照收集的问卷样本进行训练，本申请实施例中对两次训练间隔的具体时长不作具体限制。
初始化后的样本集可视为训练集，一种实例性的训练集表征方式可以为：训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)},y∈{-1,+1}。其中，xn表示问卷样本，yn表示问卷样本对应的随机数。
初始化样本集权重时，为样本集中每个问卷样本赋予一个权重。一种实例性地初始化样本集权重表征方式为
步骤S202，基于样本集和各问卷样本的权重，对预设模型进行训练，得到K个学习器。
在对预设模型进行训练生成学习器时，可使用具有权值分布Dk的样本数据来训练预设模型得到弱学习器Gk(x),然后计算Gk(x)的分类误差率和第二目标系数，基于位于第K个之前训练的各弱学习器的分类误差率和第二目标系数，最终确定得到第k个学习器。对于对单个学习器的具体训练流程参照后续可选实施例中的相关描述即可，在此不再赘述。
由于需要训练得到K个学习器，因此需要重复K次学习器训练流程。
步骤S203，针对每个学习器，依据蝙蝠算法、样本集和各问卷样本的权重训练学习器，得到对应地最优学习器。
在实际实现过程中，样本集需要进行多次调整优化，每次调整均会调整样本集的权重。因此，本步骤中在确定使用的样本集后需要基于其对应的权重集(即样本集中各问卷样本的权重)训练学习器。
步骤202中训练得到K个学习器后，还需要使用具有权值分布Dk的样本集又可称为训练数量来训练学习器，得到Dk最优的学习器Gk(x)。也即需要训练得到K个学习器中每个学习器对应的最优学习器。
在依据蝙蝠算法训练得到一个学习器对应的最优学习器时，可通过如下公式实现：
Gi(t+1)＝Gi(t)+(Xi(t)-X′)*fi
其中，Gi(t+1)和Gi(t)分别为第t+1和第t个学习器，Xi(t)为第t个学习器的识别准确率，X′为预设准确率值，fi为预设频率，取(0,1)间的随机数。基于该公式可以计算出各学习器对应的最优学习器。
在实际实现过程中，需要依据Dk样本集中的每个问卷样本和器对应的权重对学习器进行训练，训练后可确定学习器的识别准确率。然后再基于各学习器对应的识别准确率和上述公式，从多个学习器中确定出最优学习器。
步骤S204，计算各最优学习器的第一目标系数。
在本实施例中，计算各最优学习器的第一目标系数的步骤，包括：
S1：分别计算各最优学习器的回归误差率；
更为具体地，分别计算各最优学习器的回归误差率的方式可以如下：
针对每个最优学习器，分别计算样本集中各随机数与最优学习器的差值；
其中，差值计算公式可以如下：
yi-Gk(x)
训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)},y∈{-1,+1}，则需要计算y1与Gk(x)的差值，y2与Gk(x)的差值，y3与Gk(x)的差值。
取各差值中的最大值作为中间量；
Ek＝max|yi-Gk(x)|,i＝1,2,…,n
依据中间量、最优学习器对应的样本集权重中的各权重、样本集中的各随机数以及最优学习器，得到最优学习器的回归误差率。
其中，wki为具有Dk分布的训练样本的权重值，ek为Gk(x)的最优学习器的回归误差率。
S2：针对每个最优学习器，依据最优学习器的回归误差率，计算最优学习器的第一目标系数。
最优学习器的第一目标系数可以通过如下公式计算得到：
重复上述计算各最优学习器的第一目标系数的步骤流程。
步骤S205：依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型。
在本实施例中，依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型的方式可以如下：
分别将各最优学习器的第一目标系数作为权重，对各最优学习器加权后取中位数；基于中位数、各最优学习器的第一目标系数以及预设系数，生成问卷模型。
一种可行性地生成问卷模型的方式为，可以采用如下公式计算最终学习器即问卷模型：
其中，g(x)是所有αkGk(x)；k＝1,2,…,K的中位数。
步骤S206：基于问卷模型进行金融产品推荐。
基于问卷模型生成的调查问卷中的内容与用户对金融产品的期望更接近，因此通过调查问卷可调查出有价值的客户对金融产品的需求信息，基于所调查出的客户对金融产品的需求信息进行金融产品推荐，所推荐的金融产品更满足用户的个性化需求。
本申请实施例提供的基于问卷模型的金融产品推荐方法，获取样本集并确定样本集中包含的每个问卷样本对应的随机数和权重；基于样本集和各问卷样本对应的权重，对预设模型进行训练，得到K个学习器；针对每个学习器，依据蝙蝠算法、样本集和各问卷样本集的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型，基于问卷模型进行金融产品推荐，所生成的问卷模型由于是基于大量的问卷样本调优后生成，生成的问卷模型能够全面、精准地对问卷中的问题进行调整，从而达到有效对问卷进行合理调整的效果，进而基于调整后的调查问卷为用户提供与实际需求高匹配度的金融产品。在本实施例的一些可选的实现方式中，步骤S202基于样本集和问卷样本的权重，对预设模型进行训练，得到K个学习器的步骤可以包括如下子步骤：
子步骤S2021：基于样本集和各问卷样本的权重，对预设模型进行训练，得到第X个弱学习器。
其中，X的最大值为K。
在实际实现过程中，可将输入的样本初始化为样本集T＝{(x1,y1),(x2,y2),…,(xn,yn)},y∈{-1,+1}，样本集权重为D1＝{w11,w12,…,w1n},训练弱学习器K个，设k＝1,2,…,K,使用具有权值分布Dk的样本集来训练模型，得到弱学习器Gk(x)。
子步骤S2022：计算第X个弱学习器的分类误差率和第二目标系数。
在本可选地实施例中，计算第X个弱学习器的分类误差率和第二目标系数的方式可以如下：
将第X个弱学习器分别与样本集中各问卷样本对应的随机数进行比较；
进行比较的目的是确定第X个学习器与问卷样本对应的随机是否相同，也即判定Gk(x)≠yi或者Gk(x)＝yi，二者相同则确定I等于0，二者不同则确定I等于1。
基于比较结果、更新后的样本集中的各问卷样本对应的权重，计算第X个弱学习器的分类误差率；
可通过如下公式计算第x个弱学习器的分类误差率：
将分类误差率代入预设公式，得到第X个弱学习器的第二目标系数。
第二目标系数可以表示为
子步骤S2023：基于在第X个弱学习器前生成的各弱学习器的分类误差率和第二目标系数，以及第X个弱学习器的分类误差率和第二目标系数，生成第X个学习器。
例如：有4个弱学习器，假设第x表示第3个，则在对第3个弱学器进行训练生成第3个学习器时，需要基于第1、2、3个弱学习器的分类误差率和第二目标系数。
在确定第X个弱学习器的分类误差率和第二目标系数后，可基于所构建的基本学习器线性组合公式计算f(x)，然后基于f(x)确定第X个弱学习器对应的学习器。
Gk(x)＝sign(f(x))
子步骤S2024：依据第X个学习器对样本集中的各问卷样本进行分类，基于分类结果更新样本集中的各问卷样本对应的权重。
该种训练得到K个学习器的方法，所训练得到的学习器更加准确、可靠。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种基于问卷模型的金融产品推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的基于问卷模型的金融产品推荐装置400包括：获取模块401、第一训练模块402、第二训练模块403、计算模块404、生成模块405以及推荐模块406。其中：
获取模块401，用于获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；
第一训练模块402，用于基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器；
第二训练模块403，用于针对每个所述学习器，依据蝙蝠算法、所述样本集和各所述问卷样本的权重训练所述学习器，得到对应地最优学习器；
计算模块404，用于计算各所述最优学习器的第一目标系数；
生成模块405，用于依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型；
推荐模块406，用于基于所述问卷模型进行金融产品推荐。
本申请实施例提供的基于问卷模型的金融产品推荐装置，获取样本集并确定样本集中包含的每个问卷样本对应的随机数和权重；基于样本集和各问卷样本对应的权重，对预设模型进行训练，得到K个学习器；针对每个学习器，依据蝙蝠算法、样本集和各问卷样本集的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型，基于问卷模型进行金融产品推荐，所生成的问卷模型由于是基于大量的问卷样本调优后生成，生成的问卷模型能够全面、精准地对问卷中的问题进行调整，从而达到有效对问卷进行合理调整的效果，进而基于调整后的调查问卷为用户提供与实际需求高匹配度的金融产品。
参照图5是图4所示第一训练模块一种具体实施方式的结构示意图。在本实施例的一些可选的实现方式中，所述第一训练模块402可以包括：训练子模块4021、第一系数计算子模块4022、第一生成子模块4023、更新子模块4024。其中，
训练子模块4021，用于基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到第X个弱学习器；其中，X的最大值为K；
第一系数计算子模块4022，用于计算所述第X个弱学习器的分类误差率和第二目标系数；
第一生成子模块4023，用于基于在所述第X个弱学习器前生成的各弱学习器的分类误差率和第二目标系数，以及所述第X个弱学习器的分类误差率和第二目标系数，生成第X个学习器；
更新子模块4024，用于依据所述第X个学习器对所述样本集中的各问卷样本进行分类，基于分类结果更新所述样本集中的各问卷样本对应的权重。
该种可选地基于第一训练模块生成学习器的方案，所生成的学习器更贴近用户的实际需求，更加可靠。
在本实施例的一些可选的实现方式中，所述系数计算子模块，包括如下功能单元：
比较单元，用于将所述第X个弱学习器分别与所述样本集中各问卷样本对应的随机数进行比较；
误差率计算单元，用于基于比较结果、所述更新后的样本集中的各问卷样本对应的权重，计算所述第X个弱学习器的分类误差率；
代入单元，用于将所述分类误差率代入预设公式，得到所述第X个弱学习器的第二目标系数。
参照图6是图4所示计算模块一种具体实施方式的结构示意图在本实施例的一些可选的实现方式中，所述计算模块405包括：第二系数计算子模块4051和第三系数计算子模块4052。其中，
第二系数计算子模块4051，用于分别计算各所述最优学习器的回归误差率；
第三系数计算子模块4052，用于针对每个最优学习器，依据所述最优学习器的回归误差率，计算所述最优学习器的第一目标系数。
在本实施例的一些可选的实现方式中，所述第二系数计算子模块包括如下功能单元：
差值计算单元，用于针对每个所述最优学习器，分别计算所述样本集中各随机数与所述最优学习器的差值；
取值单元，用于取各所述差值中的最大值作为中间量；
回归误差率确定单元，用于依据所述中间量、所述最优学习器对应的样本集中问卷样本的权重、所述样本集中的各随机数以及所述最优学习器，得到所述最优学习器的回归误差率。
在本实施例的一些可选的实现方式中，所述生成模块包括如下功能子模块：
中位数计算子模块，用于分别将各所述最优学习器的第一目标系数作为权重，对各所述最优学习器加权后取中位数；
模型生成子模块，用于基于所述中位数、各所述最优学习器的第一目标系数以及预设系数，生成问卷模型。
基于该种可选地生成模块生成的问卷模型所生成的调查问卷进行问卷调查时，能够获取更多更有价值的用户信息，对保险产品调整时提供的可借鉴价值更大。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是，图中仅示出了具有组件71-73的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器71至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器71可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器71也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器71通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于问卷模型的金融产品推荐方法的计算机可读指令等。此外，所述存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器72在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器72用于运行所述存储器71中存储的计算机可读指令或者处理数据，例如运行所述基于问卷模型的金融产品推荐方法的计算机可读指令。
所述网络接口73可包括无线网络接口或有线网络接口，该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本申请实施例提供的计算机设备，获取样本集并确定样本集中包含的每个问卷样本对应的权重；基于样本集和各问卷样本对应的权重，对预设模型进行训练，得到K个学习器；针对每个学习器，依据蝙蝠算法、样本集和各问卷样本集的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型，基于问卷模型进行金融产品推荐，所生成的问卷模型由于是基于大量的问卷样本调优后生成，生成的问卷模型能够全面、精准地对问卷中的问题进行调整，从而达到有效对问卷进行合理调整的效果，进而基于调整后的调查问卷为用户提供与实际需求高匹配度的金融产品。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于问卷模型的金融产品推荐方法的步骤。
本申请实施例提供的计算机可读存储介质中存储的计算机可读指令被处理器执行时，获取样本集并确定样本集中包含的每个问卷样本对应的权重；基于样本集和各问卷样本对应的权重，对预设模型进行训练，得到K个学习器；针对每个学习器，依据蝙蝠算法、样本集和各问卷样本集的权重训练学习器，得到对应地最优学习器；计算各最优学习器的第一目标系数；依据各最优学习器、各最优学习器的第一目标系数，生成问卷模型，基于问卷模型进行金融产品推荐，所生成的问卷模型由于是基于大量的问卷样本调优后生成，生成的问卷模型能够全面、精准地对问卷中的问题进行调整，从而达到有效对问卷进行合理调整的效果，进而基于调整后的调查问卷为用户提供与实际需求高匹配度的金融产品
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于问卷模型的金融产品推荐方法，其特征在于，包括：
获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；
基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器；
针对每个所述学习器，依据蝙蝠算法、所述样本集和各所述问卷样本的权重训练所述学习器，得到对应地最优学习器；
计算各所述最优学习器的第一目标系数；
依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型；
基于所述问卷模型进行金融产品推荐。
2.根据权利要求1所述的基于问卷模型的金融产品推荐方法，其特征在于，基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器的步骤，包括：
基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到第X个弱学习器；其中，X的最大值为K；
计算所述第X个弱学习器的分类误差率和第二目标系数；
基于在所述第X个弱学习器前生成的各弱学习器的分类误差率和第二目标系数，以及所述第X个弱学习器的分类误差率和第二目标系数，生成第X个学习器；
依据所述第X个学习器对所述样本集中的各问卷样本进行分类，基于分类结果更新所述样本集中的各问卷样本对应的权重。
3.根据权利要求2所述的基于问卷模型的金融产品推荐方法，其特征在于，所述样本集中包含每个问卷样本对应的随机数，所述计算所述第X个弱学习器的分类误差率和第二目标系数的步骤，包括：
将所述第X个弱学习器分别与所述样本集中各问卷样本对应的随机数进行比较；
基于比较结果、所述更新后的样本集中的各问卷样本对应的权重，计算所述第X个弱学习器的分类误差率；
将所述分类误差率代入预设公式，得到所述第X个弱学习器的第二目标系数。
4.根据权利要求1所述的基于问卷模型的金融产品推荐方法，其特征在于，所述计算各所述最优学习器的第一目标系数的步骤，包括：
分别计算各所述最优学习器的回归误差率；
针对每个最优学习器，依据所述最优学习器的回归误差率，计算所述最优学习器的第一目标系数。
5.根据权利要求4所述的基于问卷模型的金融产品推荐方法，其特征在于，针对每个最优学习器，依据所述最优学习器的回归误差率，计算所述最优学习器的第一目标系数的步骤包括：
通过如下公式计算最优学习器的第一目标系数：
其中，ak为第一目标系数，ek为回归误差率。
6.根据权利要求4所述的基于问卷模型的金融产品推荐方法，其特征在于，所述分别计算各所述最优学习器的回归误差率的步骤，包括：
针对每个所述最优学习器，分别计算所述样本集中各随机数与所述最优学习器的差值；
取各所述差值中的最大值作为中间量；
依据所述中间量、所述最优学习器对应的样本集中问卷样本的权重、所述样本集中的各随机数以及所述最优学习器，得到所述最优学习器的回归误差率。
7.根据权利要求1所述的基于问卷模型的金融产品推荐方法，其特征在于，所述依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型的步骤，包括：
分别将各所述最优学习器的第一目标系数作为权重，对各所述最优学习器加权后取中位数；
基于所述中位数、各所述最优学习器的第一目标系数以及预设系数，生成问卷模型。
8.一种基于问卷模型的金融产品推荐装置，其特征在于，包括：
获取模块，用于获取样本集，并确定所述样本集中包含的每个问卷样本对应的权重；
第一训练模块，用于基于所述样本集和各所述问卷样本的权重，对预设模型进行训练，得到K个学习器；
第二训练模块，用于针对每个所述学习器，依据蝙蝠算法、所述样本集和各所述问卷样本的权重训练所述学习器，得到对应地最优学习器；
计算模块，用于计算各所述最优学习器的第一目标系数；
生成模块，用于依据各所述最优学习器、各所述最优学习器的第一目标系数，生成问卷模型；
推荐模块，用于基于所述问卷模型进行金融产品推荐。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于问卷模型的金融产品推荐方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于问卷模型的金融产品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026901.1A CN117829961A (zh) | 2024-01-03 | 2024-01-03 | 基于问卷模型的金融产品推荐方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026901.1A CN117829961A (zh) | 2024-01-03 | 2024-01-03 | 基于问卷模型的金融产品推荐方法、装置、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829961A true CN117829961A (zh) | 2024-04-05 |
Family
ID=90507697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410026901.1A Pending CN117829961A (zh) | 2024-01-03 | 2024-01-03 | 基于问卷模型的金融产品推荐方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829961A (zh) |
-
2024
- 2024-01-03 CN CN202410026901.1A patent/CN117829961A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101172B (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
| CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
| CN112308237B (zh) | 一种问答数据增强方法、装置、计算机设备及存储介质 | |
| CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
| CN116934283A (zh) | 一种员工权限配置方法、装置、设备及其存储介质 | |
| CN116383787A (zh) | 页面创建方法、装置、计算机设备及存储介质 | |
| CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
| CN117829961A (zh) | 基于问卷模型的金融产品推荐方法、装置、计算机设备 | |
| CN116541766B (zh) | 脑电数据修复模型的训练方法、脑电数据修复方法及装置 | |
| CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
| CN117194781A (zh) | 一种业务通知方法、装置、设备及其存储介质 | |
| CN118035560A (zh) | 基于人工智能的数据推荐方法、装置、设备及存储介质 | |
| CN117034875A (zh) | 一种文本数据生成方法、装置、设备及其存储介质 | |
| CN116542733A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN116777641A (zh) | 模型构建方法、装置、计算机设备及存储介质 | |
| CN118096399A (zh) | 一种业务推荐方法、装置、设备及其存储介质 | |
| CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
| CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
| CN118115294A (zh) | 一种用户提示方法、装置、设备及其存储介质 | |
| CN117076243A (zh) | 应用的扩缩容处理方法、装置、计算机设备及存储介质 | |
| CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
| CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
| CN116821298A (zh) | 一种应用于投保信息的关键词自动识别方法、及相关设备 | |
| CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、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 |