CN118158276A - 一种基于用户分析的业务匹配方法、装置及设备 - Google Patents

一种基于用户分析的业务匹配方法、装置及设备 Download PDF

Info

Publication number
CN118158276A
CN118158276A CN202410373655.7A CN202410373655A CN118158276A CN 118158276 A CN118158276 A CN 118158276A CN 202410373655 A CN202410373655 A CN 202410373655A CN 118158276 A CN118158276 A CN 118158276A
Authority
CN
China
Prior art keywords
service
user
determining
feature extraction
rule
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
CN202410373655.7A
Other languages
English (en)
Inventor
付蝶
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 CN202410373655.7A priority Critical patent/CN118158276A/zh
Publication of CN118158276A publication Critical patent/CN118158276A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种基于用户分析的业务匹配方法、装置及设备，可应用于人工智能技术领域。所述方法包括：获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数；从所述用户信息和业务参数中提取评估指标；根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征；基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系；利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级；推送对应于所述业务评级的目标业务至所述目标用户。上述方法准确地针对用户进行了分析定位，从而保证了推送的业务适用于该用户，进而改善用户的业务办理体验。

Description

一种基于用户分析的业务匹配方法、装置及设备
技术领域
本说明书实施例涉及人工智能技术领域，特别涉及一种基于用户分析的业务匹配方法、装置及设备。
背景技术
随着计算机技术的发展，越来越多的业务可以转为线上办理。线上办理业务的方式使得用户不必前往特定地点完成业务办理，而只需要通过终端设备自行完成相应操作即可实现业务的办理，从而节省了人力资源的同时，也优化了用户的使用体验。
尽管具有种种优势，但线上办理业务的缺陷在于缺乏现场工作人员的引导。虽然针对各个业务可以单独设置详细的操作指引流程，但是在当前业务数量繁多的情况下，用户可能无法确定需要执行的具体业务，进而无法完成对应的业务办理操作。在缺乏对业务的了解的情况下，随意选择的业务可能与用户自身情况不匹配。针对这一情况，可以通过主动向用户推送匹配的业务来达到较好的业务办理效果。但是，现有技术中缺乏根据用户定位来推荐较为匹配的业务的技术方案。因此，目前亟需一种能够准确有效地为用户推送相适配的业务的方法。
发明内容
本说明书实施例的目的是提供一种基于用户分析的业务匹配方法、装置及设备，以解决如何高效准确地特定区域内的人数进行识别监测的问题。
为解决上述技术问题，本说明书实施例提供一种基于用户分析的业务匹配方法，包括：获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数；从所述用户信息和业务参数中提取评估指标；根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征；基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系；利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级；推送对应于所述业务评级的目标业务至所述目标用户。
在一些实施方式中，所述特征提取规则包括卷积神经网络模型；所述特征关联规则包括循环神经网络模型。
基于上述实施方式，所述根据所述评估指标确定特征提取规则，包括：根据所述评估指标确定对应于所述卷积神经网络模型的入模特征；基于所述入模特征构建所述卷积神经网络模型的卷积网络结构、激活函数和权重搜索策略；利用所述用户信息和业务参数对所述卷积神经网络模型进行训练。
基于前述实施方式，所述基于所述特征提取规则确定特征关联规则，包括：结合所述卷积神经网络模型的输出确定所述循环神经网络模型的模型结构和激活函数；利用自适应矩估计算法对所述卷积神经网络模型进行优化；利用所述用户信息和业务参数对所述循环神经网络模型进行训练。
基于前述实施方式，所述利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级，包括：从所述用户信息和业务参数中筛选测试样本数据；利用所述测试样本数据对所述卷积神经网络模型和/或循环神经网络模型进行测试；在测试结果通过的情况下，利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级。
在一些实施方式中，所述评估指标对应有指标权重值；所述指标权重值为基于用户信息和业务参数利用熵值法确定。
在一些实施方式中，所述用户信息包括性别、年龄、地理位置、账户信息、消费状况中的至少一种；所述业务参数包括社会层级数据、互联网数据、企业数据中的至少一种。
在一些实施方式中，所述业务评级包括消费潜力评级；所述消费潜力评价用于对业务的消费进行分级。
基于上述实施方式，所述评估指标包括消费环境、消费能力、消费信心、消费结构中的至少一种。
本说明书实施例还提出一种基于用户分析的业务匹配装置，包括：数据获取模块，用于获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数；评估指标提取模块，用于从所述用户信息和业务参数中提取评估指标；特征提取规则确定模块，用于根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征；特征关联规则确定模块，用于基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系；业务评级匹配模块，用于利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级；目标业务推送模块，用于推送对应于所述业务评级的目标业务至所述目标用户。
本说明书实施例还提出一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序/指令；所述处理器，用于执行所述计算机程序/指令以实现上述基于用户分析的业务匹配方法的步骤。
本说明书实施例还提出一种计算机存储介质，其上存储有计算机程序/指令，所述计算机程序/指令在被执行时用于实现上述基于用户分析的业务匹配方法的步骤。
本说明书实施例还提出一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被执行时用于实现上述基于用户分析的业务匹配方法的步骤。
由以上本说明书实施例提供的技术方案可见，本说明书实施例的基于用户分析的业务匹配方法，通过获取用户信息和业务参数，进而确定评估指标，并在评估指标的基础上，依次确定特征提取规则和特征关联规则，确定特征提取方式和特征关联关系，进而利用特征提取规则和特征关联规则匹配目标用户的业务评级，并推送对应业务评级的目标业务至用户。通过上述方式，结合用户信息和业务相关信息完成了用户与业务之间的关系配对，准确地针对用户进行了分析定位，从而保证了推送的业务适用于该用户，进而改善用户的业务办理体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有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说明书中记载的一些实施例，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为本说明书实施例一种基于用户分析的业务匹配方法的流程示意图；
图2为本说明书实施例一种模型训练过程的流程示意图；
图3为本说明书实施例一种基于用户分析的业务匹配装置的模块示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
为了解决上述技术问题，介绍本说明书实施例一种基于用户分析的业务匹配方法。所述基于用户分析的业务匹配方法的执行主体为相应的电子设备，所述电子设备包括但不限于服务器、工控机、PC机等。具体的，如图1所示，所述基于用户分析的业务匹配方法可以包括以下具体实施步骤。
S110：获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数。
由于目前业务种类繁多，不同类型的业务可能并不适配具体的用户的执行需求和个人情况，因此可以针对不同的目标用户分配相适配的业务，以保证用户的执行效果。
为了实现这一技术目的，首先需要确定不同用户的类别以及不同用户类别所对应的业务类型，即确定用户与业务之间的关联关系。为了分析这一关联关系，首先可以获取用户信息和业务参数。所述用户信息和业务参数可以针对目标对象进行收集，例如在针对的对象为银行和办理银行业务的用户时，可以收集这一类用户的信息以及与银行相关联的业务的参数。具体的获取用户信息和业务参数的方式可以根据需求进行设置，也可以先获取数量较大的信息，再设置相应的标准对数据进行筛选后再利用，对此不做限制。
用户信息主要为对应于用户自身的相关信息。用户信息可以包括用户的基本信息，例如为用户的姓名、年龄、性别、职务、所处地理位置等信息。用户信息还可以是用户基于社交因素所产生的信息。例如为账户信息等，根据业务所涉及的具体类型，也可以是用户关联账号、用户职级、消费状况等信息。实际应用中还可以根据需求选取其他类型的用户信息，并不限于上述示例。
业务参数主要涉及用户与对应业务之间的关联性。所述业务参数可以用于体现用户与业务提供方之间的关联性，例如可以从业务提供的角度获取到业务提供方，再获取对应的业务参数；也可以直接根据相应的数据获取标准来获取对应的数据，对此不做限制。
业务参数从不同来源的角度，可以划分为社会层级数据、互联网数据、企业数据这些类别。社会层级数据例如可以包括工商数据、社保数据、公积金数据、征信数据、行政处罚数据等。互联网数据主要体现在用户通过线上处理相应事务所留下的相应记录。互联网数据可以包括购买、搜索、评论数据等行为数据。例如，在用户之前存在相应业务的历史处理记录的情况下，可以是用户处理业务时的地理位置、操作内容和业务处理结果等信息。企业数据可以包括企业所提供的第三方数据，例如对应于用户的对外担保、用水用电、股权质押、土地抵押及转让、重要股东质押数据，也可以与业务提供方所对应的企业相关联，例如企业的司法、经营、企业投资、知识产权数据等。具体的业务参数的类别以及不同类别下的细分数据内容可以根据实际应用情况进行设置，对此不做限制。
S120：从所述用户信息和业务参数中提取评估指标。
在获取到用户信息和业务参数后，可以提取评估指标。评估指标用于在后续步骤中对用户进行评估，通过设置评估指标能够对数据进行梳理，保证能够建立完整有效的评估系统对用户进行评估分类。
评估指标主要是对不同类型的数据进行归类，同时从用户执行业务的角度进行区分，以使得能够基于所获取的数据进行有效分析进而评估适合用户的相应业务。
在一些实施方式中，所述评估指标可以与消费潜力相关联。由于用户在处理业务时，较为直观的就是根据自身的经济状况处理对应的业务，因此可以从消费潜力的角度确定具体的指标。具体的，这一类型的评估指标可以包括消费环境、消费能力、消费信心、消费结构中的至少一种。消费环境可以表示与业务消费相关联的实际环境参数，例如可以包括消费价格指数、商业便利性、网络设施、商业便利性等。消费能力主要与用户相关，例如可以包括收入、收入增速、收入结构、收入差距、储蓄规模等。消费信心不同于消费能力能够直接体现在数据上，可能需要对数据进行进一步处理或是从用户的联系人处获取对应的信息，消费信息例如可以包括家庭劳动力结构、受教育程度、社保情况、贷款等类型的数据。消费结构同样需要针对用户的相关数据进行处理后确定，例如可以包括消费升级比重、边际消费倾向。花费具体的评估指标以及不同评估指标下的具体细分内容，一方面是对数据进行归类以便于处理，另一方面主要是与用户处理业务的需求和具体状况相关联，从而更好地执行后续的数据分析步骤。具体的评估指标可以根据最终业务评级的需求进行设定，在此不再赘述。
在一些实施方式中，不同的评估指标还可以对应有指标权重值。指标权重值用于确定不同评估指标的重要程度，从而使得最终的评估结果更符合实际情况。
具体的，所述指标权重值可以基于用户信息和业务参数利用熵值法确定。由于熵值法充分考虑了各指标数值间的差异程度，具有客观赋权的特点，能够确定指标的最优权重，因此采用熵值法来对指标赋权。具体的确定过程可以根据具体的数据内容和整体需求进行设置，在此不再赘述。
所述指标权重值也可以基于管理人员的经验和需求进行设置或调整，对此不做限制。
S130：根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征。
特征提取规则主要用于基于评估指标，从业务参数和用户信息中筛选对应的数据并构成特征。特征提取规则一方面是为了筛选有效的能够实现最终评估需求的数据，另一方面也是为了对数据的格式进行调整，保证输出的内容能够在后续步骤中进行有效处理。
在一些实施方式中，所述特征提取规则为卷积神经网络模型CNN。卷积神经网络(CNN)模型一般由输入层、卷积层、池化层、全连接层和输出层组成。其中卷积层是CNN网络的核心，在模型训练过程中相当于一个滤波器，负责提取输入数据的特征信息，降低输入矩阵的规模，在卷积过程中，通过CNN网络独有的稀疏连接和权值共享机制，加快了模型的训练过程。CNN的优势体现在，一方面它的神经元的连接是非全连接的，另一方面同一层中某些神经元的连接的权重是共享的，显著降低了网络模型的复杂度，从而保证了最终计算结果的效果。
训练卷积神经网络模型的过程，可以是根据所述评估指标确定对应于所述卷积神经网络模型的入模特征，再基于所述入模特征构建所述卷积神经网络模型的卷积网络结构、激活函数和权重搜索策略，最后利用所述用户信息和业务参数对所述卷积神经网络模型进行训练。
入模特征主要用于对输入模型的参数类型和格式进行限定。
确定入模特征后，通过确定CNN卷积网络结构、激活函数、权重搜索策略等来确定深度学习网络的网络结构。
卷积网络结构可以参照前述CNN的结构介绍进行修改。激活函数可以为式中：fc为该卷积层激活函数；y(i-1)为第i个卷积层的输入；Wi为该卷积核的权重；bc为该卷积层的偏置。池化层对卷积计算后的数据进一步提炼，降低输入矩阵的复杂性与模型的计算量，并将结果信息传递给全连接层进行加权计算，将输出的高维矩阵一维化并进行线性整合。
所述特征提取规则也可以不为神经网络模型的格式，也可以仅仅是限定获取相应格式数据的条件，从而根据所述特征提取规则对数据进行转换。实际应用中可以根据需求设置具体的特征提取规则的内容，对此不做限制。
S140：基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系。
特征关联规则主要用于确定特征之间的关联关系，此外还可以涉及特征与业务之间的关联关系。关联关系可以直接从数据本身的特征和变化上分析并提取，还可以根据用户预先设置的规则进行构建和训练。
在一些实施方式中，所述特征关联规则为循环神经网络模型RNN。RNN与CNN这类水平方向延伸的深度神经网络不同，RNN建立了时序上的变化。不仅能实现层与层间全连接，而且神经元间也相互连接。分别进行模型训练保证了不同模型的实际应用效果，保证最终输出结果的准确性。
训练所述循环神经网络模型的过程，可以是结合所述卷积神经网络模型的输出确定所述循环神经网络模型的模型结构和激活函数，再利用自适应矩估计算法对所述卷积神经网络模型进行优化，最终利用所述用户信息和业务参数对所述循环神经网络模型进行训练。
此外RNN具有记忆能力，其运行公式为：式中，g为激活函数；f为自定义函数。自适应矩估计(Adam)是一种一阶优化算法，该算法通过迭代实现神经网络的阈值更新，以损失函数最小为原则，能够解决噪声和疏落梯度问题。采用Adam算法对求解进行优化，其算法如下：/>再利用公式/>进行一阶和二阶矩估计偏差修正，最终利用公式/>实现参数更新，式中，θt为更新的参数；β1、β2分别为一阶矩估计和二阶矩估计的指数衰减率；ε为防止计算中除以零的极小数。
实际应用中还可以设置特征关联规则的其他形式，并不限于神经网络模型，例如可以反映为不同数据或特征之间的对应关系表，对此不做限制。
在一些实施方式中，为了保证所述特征提取规则和特征关联规则的应用效果，还可以进行进一步的测试。具体的，可以先从所述用户信息和业务参数中筛选测试样本数据，再利用样本数据进行测试。为了保证测试效果，在获取到用户信息和业务参数后，可以按照一定的比例将这些数据划分为训练样本数据和测试样本数据，再分别进行训练和测试。例如，可以按照7:3的比例进行样本数据划分。
在进行具体的测试时，可以结合训练时的条件来设置相应的测试条件以判断对应的模型是否有效。例如，为判断模型的收敛情况，训练过程中通过绘制模型学习曲线来显示模型训练过程中损失函数、训练样例准确率、测试样例准确率伴随模型迭代过程的变化情况。实际应用中可以根据需求调整测试条件，并不限于上述示例，在此不再赘述。
结合附图2对模型的训练过程进行示例性介绍。如图2所示，首先确定消费潜力评估指标，并抽取训练样本。之后，针对这些数据进行清洗，再执行具体的模型训练过程。模型训练可以依次采取确定网络结构、确定激活函数、确定权重搜索策略、模型具体训练过程、扰动特征重要性评估、模型迭代优化等操作，以得到最终的深度学习模型。
S150：利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级。
在确定所述特征提取规则和特征关联规则后，即可完成对于目标用户的分类评级，以确定最终的业务评级。由于所述特征提取规则和特征关联规则均是根据实际的用户参数和业务参数进行训练以及确定，因此能够直观有效地确定目标用户最终的业务评级。
业务评级主要根据具体的需求进行区分，同时也与之前的评估指标相对应。例如，在评估指标涉及用户消费能力的情况下，业务评级可以包括消费潜力评级。所述消费潜力评价用于对业务的消费进行分级。
利用一个具体的示例进行说明，可以对最终的消费潜力分值进行卡方分箱，分成5类，分箱后的数据对异常数据具有更强的鲁棒性。根据数值的高低确认分箱后对应的高消费潜力客户、中高消费潜力客户、中消费潜力客户、中低消费潜力客户、低消费潜力客户群。针对不同业务评级的用户可以实现不同类型的业务推荐等操作。
S160：推送对应于所述业务评级的目标业务至所述目标用户。
在确定业务评级之后，可以根据业务评级推送对应的目标业务至目标用户。具体的，在执行该步骤之前，可以预先根据不同业务的相关参数与业务评级之间的对应关系，划分不同业务所对应的业务评级，从而直接根据业务评级选取相应的业务。
此外，由于同一业务评级可以对应于多种不同类型的业务，因此还可以获取用户对于业务的具体需求，选定对应的业务，例如预先根据用户的需求筛选出对应的多个业务评级的候选业务，再根据最终确定的业务评级来推送对应的目标业务至所述目标用户。具体的选取目标业务的标准和过程可以根据实际应用的情况进行设置，在此不再赘述。
基于上述实施例和场景示例的介绍，可以看出，上述方法通过获取用户信息和业务参数，进而确定评估指标，并在评估指标的基础上，依次确定特征提取规则和特征关联规则，确定特征提取方式和特征关联关系，进而利用特征提取规则和特征关联规则匹配目标用户的业务评级，并推送对应业务评级的目标业务至用户。通过上述方式，结合用户信息和业务相关信息完成了用户与业务之间的关系配对，准确地针对用户进行了分析定位，从而保证了推送的业务适用于该用户，进而改善用户的业务办理体验。
基于图1所对应的基于用户分析的业务匹配方法，介绍本说明书实施例一种基于用户分析的业务匹配装置。所述基于用户分析的业务匹配装置可以设置于对应的电子设备上。如图3所示，所述基于用户分析的业务匹配装置包括以下模块。
数据获取模块310，用于获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数。
评估指标提取模块320，用于从所述用户信息和业务参数中提取评估指标。
特征提取规则确定模块330，用于根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征。
特征关联规则确定模块340，用于基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系。
业务评级匹配模块350，用于利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级。
目标业务推送模块360，用于推送对应于所述业务评级的目标业务至所述目标用户。
基于图1所对应的基于用户分析的业务匹配方法，本说明书实施例提供一种电子设备。所述电子设备可以包括存储器和处理器。
在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等。所述存储器可以用于存储计算机程序指令。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序指令实现图1所对应的实施例中的基于用户分析的业务匹配方法。
本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序/指令。所述计算机可读存储介质可以基于设备的内部总线被处理器所读取，进而通过处理器实现所述计算机可读存储介质中的程序指令。
在本实施例中，所述计算机可读存储介质可以按任何适当的方式实现。所述计算机可读存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(MemoryCard)等等。所述计算机存储介质存储有计算机程序指令。在所述计算机程序指令被处理器执行时实现本说明书图1所对应的实施例的基于用户分析的业务匹配方法的程序指令或模块。
本说明书实施例还提供一种计算机程序产品，包括计算机程序/指令。所述计算机程序产品可以是通过相应的计算机程序语言所编写的程序，以程序方式存储在相应的存储设备中，并可以通过计算机网络进行传输。所述计算机程序产品可以被处理器所执行。在本说明书实施例中，所述计算机程序产品在被处理器执行时实现如图1所对应实施例的基于用户分析的业务匹配方法的程序指令或模块。
需要说明的是，上述基于用户分析的业务匹配方法、装置及设备可以应用于人工智能技术领域，也可以应用至除人工智能技术领域外的其他技术领域，例如可以是与金融相关的领域，对此不做限制。
此外，上述实施例的执行过程涉及对于数据的获取、处理、使用、存储等操作，均符合相关法律法规的要求。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁带存储、磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种基于用户分析的业务匹配方法，其特征在于，包括：
获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数；
从所述用户信息和业务参数中提取评估指标；
根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征；
基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系；
利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级；
推送对应于所述业务评级的目标业务至所述目标用户。
2.如权利要求1所述的方法，其特征在于，所述特征提取规则包括卷积神经网络模型；所述特征关联规则包括循环神经网络模型。
3.如权利要求2所述的方法，其特征在于，所述根据所述评估指标确定特征提取规则，包括：
根据所述评估指标确定对应于所述卷积神经网络模型的入模特征；
基于所述入模特征构建所述卷积神经网络模型的卷积网络结构、激活函数和权重搜索策略；
利用所述用户信息和业务参数对所述卷积神经网络模型进行训练。
4.如权利要求2所述的方法，其特征在于，所述基于所述特征提取规则确定特征关联规则，包括：
结合所述卷积神经网络模型的输出确定所述循环神经网络模型的模型结构和激活函数；
利用自适应矩估计算法对所述卷积神经网络模型进行优化；
利用所述用户信息和业务参数对所述循环神经网络模型进行训练。
5.如权利要求2所述的方法，其特征在于，所述利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级，包括：
从所述用户信息和业务参数中筛选测试样本数据；
利用所述测试样本数据对所述卷积神经网络模型和/或循环神经网络模型进行测试；
在测试结果通过的情况下，利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级。
6.如权利要求1所述的方法，其特征在于，所述评估指标对应有指标权重值；所述指标权重值为基于用户信息和业务参数利用熵值法确定。
7.如权利要求1所述的方法，其特征在于，所述用户信息包括性别、年龄、地理位置、账户信息、消费状况中的至少一种；所述业务参数包括社会层级数据、互联网数据、企业数据中的至少一种。
8.如权利要求1所述的方法，其特征在于，所述业务评级包括消费潜力评级；所述消费潜力评价用于对业务的消费进行分级。
9.如权利要求8所述的方法，其特征在于，所述评估指标包括消费环境、消费能力、消费信心、消费结构中的至少一种。
10.一种基于用户分析的业务匹配装置，其特征在于，包括：
数据获取模块，用于获取用户信息和业务参数；所述业务参数包括关联用户和相应业务的参数；
评估指标提取模块，用于从所述用户信息和业务参数中提取评估指标；
特征提取规则确定模块，用于根据所述评估指标确定特征提取规则；所述特征提取规则用于从用户信息中提取特征；
特征关联规则确定模块，用于基于所述特征提取规则确定特征关联规则；所述特征关联规则用于确定特征之间的关联关系；
业务评级匹配模块，用于利用所述特征提取规则和特征关联规则匹配对应于目标用户的业务评级；
目标业务推送模块，用于推送对应于所述业务评级的目标业务至所述目标用户。
11.一种电子设备，包括存储器和处理器；其特征在于，所述存储器，用于存储计算机程序/指令；所述处理器，用于执行所述计算机程序/指令以实现如权利要求1-9中任一项所述的方法的步骤。
12.一种计算机存储介质，其上存储有计算机程序/指令，其特征在于，所述计算机程序/指令在被处理器执行时用于实现如权利要求1-9中任一项所述的方法的步骤。
13.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令在被处理器执行时用于实现如权利要求1-9中任一项所述的方法的步骤。
CN202410373655.7A 2024-03-29 2024-03-29 一种基于用户分析的业务匹配方法、装置及设备 Pending CN118158276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410373655.7A CN118158276A (zh) 2024-03-29 2024-03-29 一种基于用户分析的业务匹配方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410373655.7A CN118158276A (zh) 2024-03-29 2024-03-29 一种基于用户分析的业务匹配方法、装置及设备

Publications (1)

Publication Number Publication Date
CN118158276A true CN118158276A (zh) 2024-06-07

Family

ID=91290688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410373655.7A Pending CN118158276A (zh) 2024-03-29 2024-03-29 一种基于用户分析的业务匹配方法、装置及设备

Country Status (1)

Country Link
CN (1) CN118158276A (zh)

Similar Documents

Publication Publication Date Title
Li et al. Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy
US11068789B2 (en) Dynamic model data facility and automated operational model building and usage
US11715029B2 (en) Updating attribute data structures to indicate trends in attribute data provided to automated modeling systems
US20180240041A1 (en) Distributed hyperparameter tuning system for machine learning
CN107040397B (zh) 一种业务参数获取方法及装置
CN106095942B (zh) 强变量提取方法及装置
Zhang et al. Quality attribute modeling and quality aware product configuration in software product lines
Dey et al. Which pull requests get accepted and why? a study of popular npm packages
CN116452333A (zh) 异常交易检测模型的构建方法、异常交易检测方法及装置
CN115063035A (zh) 基于神经网络的客户评估方法、系统、设备及存储介质
CN117495538B (zh) 订单融资的风险性评估方法和模型训练方法
CN118158276A (zh) 一种基于用户分析的业务匹配方法、装置及设备
CN113011748A (zh) 推荐效果的评估方法、装置、电子设备及可读存储介质
US20200342302A1 (en) Cognitive forecasting
Qiu et al. Local Interpretable Explanations for GBDT
CN118196567B (zh) 基于大语言模型的数据评价方法、装置、设备及存储介质
US20240037425A1 (en) Integrated machine learning and rules platform for improved accuracy and root cause analysis
CN118295682A (zh) 一种基于时序数据的应用更新方法及装置
US20230068513A1 (en) Testing models in data pipeline
CN117291708A (zh) 一种企业信用评估方法、系统、设备和介质
CN118537114A (zh) 评估报表的生成方法、装置、电子设备及存储介质
Ünlükal et al. Histological tissue classification with a novel statistical filter‐based convolutional neural network
CN118211832A (zh) 财税数据风险监测方法、系统、电子设备和存储介质
CN118505344A (zh) 金融产品的推荐方法、装置、存储介质及电子设备
CN118297736A (zh) 资金信息的处理方法及装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination