KR101913591B1 - Method for recommending financial product using user data - Google Patents
Method for recommending financial product using user data Download PDFInfo
- Publication number
- KR101913591B1 KR101913591B1 KR1020170108158A KR20170108158A KR101913591B1 KR 101913591 B1 KR101913591 B1 KR 101913591B1 KR 1020170108158 A KR1020170108158 A KR 1020170108158A KR 20170108158 A KR20170108158 A KR 20170108158A KR 101913591 B1 KR101913591 B1 KR 101913591B1
- Authority
- KR
- South Korea
- Prior art keywords
- text
- propensity
- investment
- noun
- investment propensity
- Prior art date
Links
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G06F17/27—
-
- 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
Abstract
Description
본 발명은 비정형 데이터를 정형화하여 금융 소비자에 금융 상품을 추천하는 방법에 관한 것으로, 보다 구체적으로 금융소비자가 작성한 문서나 금융소비자의 상담 내용에 포함된 텍스트 등과 같은 비정형의 상담 데이터로부터 금융소비자의 투자성향을 분류하기 위한 성향 분류 알고리즘을 생성하며, 금융소비자의 신규 투자성향 텍스트가 수집되는 경우 성향 분류 알고리즘을 통해 신규 투자성향 텍스트로부터 금융소비자가 가지는 투자성향을 자동 분류할 수 있으며, 분류한 투자성향에 따라 금융소비자에 투자성향에 해당하는 금융상품을 추천할 수 있는 금융상품의 추천 방법에 관한 것이다. The present invention relates to a method of recommending a financial product to a financial consumer by stereotyping atypical data, and more particularly, to a method of recommending a financial product from financial data of a financial consumer from an atypical consultation data such as a document prepared by a financial consumer, The tendency classification algorithm for classifying the tendency is generated. When the text of the new investment tendency of the financial consumer is collected, the tendency classifying algorithm can automatically classify the tendency of the financial consumer to have the investment tendency from the new tendency text, , Which is a method of recommending financial products that can recommend financial products corresponding to investment propensity to financial consumers.
새로운 디지털 비즈니스 전략으로서 핀테크(Fintech)가 새롭고 가치 있는 재무금융서비스로 등장하고 있다. 핀테크는 전자결재부터 자산관리까지, 또한 개인간 금융거래부터 크라우드펀딩까지 아우르는 금융 산업을 재편할 수 있는 차세대 재무적 기술이며, 전통적인 재무금융서비스로부터 제공되는 재품 및 서비스를 혁신하는 재무금융서비스와 지능정보기술을 동시에 가진 기술 중심의 스타트업으로 정의되기도 한다.As a new digital business strategy, Fintech is emerging as a new and valuable financial financial service. FinTech is a next-generation financial technology that can reorganize the financial industry from electronic settlement to asset management as well as inter-personal financing transactions to crowdfunding. It is a financial financial service that transforms the goods and services provided by traditional financial services, It is also defined as technology-oriented start-up with information technology at the same time.
재무금융서비스 고객들에 대한 데이터가 축적되면서 은행들은 새로운 고객 경험을 제공하고 데이터 분석에 기반한 새로운 가치를 창출하려고 한다. 이러한 새로운 가치 중 하나는 새로운 투자 고객의 개발이다. 전통적이고 고비용의 고객관리 방법을 보완하기 위해 소셜미디어(Social Media) 기술을 활용하여 고객에게 가치가 있는 정보를 소비자들 스스로 창출하고 유통하게 함으로써 롱테일(long-tail)에 위치한 고객을 유지하거나 새로운 고객 개발 비용을 효율화한 것처럼, 핀테크, 특히 에이전트 기반의 디지털 어드바이저(digital advisor) 또는 로보 어드바이저(robo-advisor)도 기존의 고비용적 고객 투자 상담 외에 롱테일 군에 속하는 고객들에게 비용 효율적으로 고객의 투자성향을 파악하고 투자 상품을 추천하는 노력을 경감시킬 수 있다. Financial Financial Services With the accumulation of data about customers, banks are seeking to provide new customer experiences and create new value based on data analysis. One of these new values is the development of new investment customers. To complement traditional and costly customer management methods, we use Social Media technology to create and distribute information that is of value to our customers so that we can maintain long-tailed customers, Just as the cost of development has been streamlined, PinTech, in particular the agent-based digital advisor or robo-advisor, has been able to cost-effectively invest customers' long- And reduce efforts to recommend investment products.
이를 위해 고객들이 자발적으로 남긴 데이터를 활용할 수 있을 것이다. 인터넷 상에 공유된 각종 투자 상품관련 오피니언이나 고객 상담 내용 중 VOC(Voice Of Customer)로 인식될 수 있는 자료들이 그 일부이다. 그러나 이들은 정형화되거나 투자의향을 파악할 목적으로 사전에 준비된 유형으로 준비되어 있지 않다.To do this, we will be able to utilize the data voluntarily left by customers. Some of the information that can be perceived as VOC (Voice Of Customer) among opinions and customer consultation related to various investment products shared on the Internet. However, they are not prepared in a pre-prepared form for the purpose of formalization or grasping investment intentions.
더욱이 핀테크에서는 비대면 의사소통에 대응해야 한다. 따라서 직접 접촉하여 투자자의 성향을 파악하는 것이 거의 불가능하고 투자자가 남긴 음성 정보 혹은 텍스트 정보를 통해 간접적으로 투자자의 성향을 추론해야 한다. In addition, PinTech must respond to non-face-to-face communication. Therefore, it is almost impossible to grasp investor's tendency by direct contact, and investor's tendency should be deduced indirectly through voice information or text information left by investor.
금융상품의 복잡한 구조와 전문성, 시간성, 특수성 등의 금융상품 고유특성과 수익성에 대하여 금융소비자는 금융상품의 탐색과 이해 및 평가 등에서 어려움을 겪는다. 이러한 금융소비자의 텍스트로부터 추출할 수 있는 많은 정보 중에 유용한 정보의 하나가 금융소비자의 투자성향이다.Financial consumers have difficulties in exploring, understanding and evaluating financial products in terms of the unique structure and profitability of financial products such as complex structure, professionalism, time, and specificity of financial products. Among the information that can be extracted from the texts of financial consumers, one of the useful information is financial propensity of financial consumers.
금융소비자가 작성한 문서의 텍스트로부터 금융소비자의 투자성향을 파악함으로써, 금융상품을 선택하려는 고객의 요구사항을 패턴으로 분석하여 고객에게 가장 적절한 금융상품을 실시간으로 설계 및 제공할 수 있는 자동화된 시스템에 대한 요구가 있다.By analyzing the customers' needs to select financial products by analyzing the investment propensity of financial consumers from the text of documents written by financial consumers, it is possible to analyze the patterns of customers in an automated system that can design and provide the most appropriate financial products in real time There is a demand for.
본원발명의 배경기술로 한국공개특허 제10-2012-0109943호가 있다.Korean Patent Laid-Open No. 10-2012-0109943 is a background art of the present invention.
본 발명이 이루고자 하는 목적은 금융소비자가 작성한 문서나 금융소비자의 상담 내용에 포함된 텍스트 등과 같은 비정형의 상담 데이터로부터 금융소비자의 투자성향을 판단하고 판단한 투자성향에 따라 금융상품을 추천할 수 있는 방법을 제공하는 것이다. The object of the present invention is to provide a method for judging the investment propensity of a financial consumer from atypical consultation data such as a document prepared by a financial consumer or text included in a consultation content of a financial consumer and recommending a financial product according to the determined investment propensity .
본 발명이 이루고자 하는 다른 목적은 종래 다른 금융소비자가 작성한 투자성향 텍스트로부터 투자성향을 분류하기 위한 성향 분류 알고리즘을 생성하며, 신규 투자성향 텍스트가 수집되는 경우 성향 분류 알고리즘을 통해 신규 투자성향 텍스트가 가지는 투자성향을 자동 분류할 수 있는 금융상품의 추천 방법을 제공하는 것이다.Another object of the present invention is to provide a method and apparatus for generating propensity classifying algorithms for classifying investment propensity from investment propensity texts created by other financial consumers, and, when new investment propensity texts are collected, And to provide a recommendation method of financial products that can automatically classify investment propensity.
본 발명의 목적을 달성하기 위하여 본 발명에 따른 금융 상품의 추천 방법은 투자성향 텍스트에서 명사를 추출하고 추출한 명사별 가중치로 이루어진 텍스트-명사 매트릭스(Document-Term Matrix)를 생성하는 단계와, 텍스트-명사 매트릭스로부터 학습 데이터와 테스트 데이터를 구분하여 생성하고 학습 데이터와 테스트 데이터로부터 투자성향을 분류하는데 이용되는 성향 분류 알고리즘을 생성하는 단계와, 신규 투자성향 텍스트를 전처리하여 추출한 명사의 가중치를 성향 분류 알고리즘에 적용하고 신규 투자성향 텍스트가 속한 투자성향을 판단하는 단계를 포함하는 것을 특징으로 한다.According to another aspect of the present invention, there is provided a method for recommending a financial product, the method comprising: generating a text-noun matrix (Document-Term Matrix) Generating a propensity classifying algorithm used to classify learning data and test data from the noun matrix and classifying the investment propensity from the learning data and the test data; and assigning weights of the noun extracted by preprocessing the new investment propensity text to a propensity classification algorithm And determining an investment tendency to which the new investment propensity text belongs.
바람직하게, 본 발명에 따른 금융 상품의 추천 방법은 신규 투자성향 텍스트가 속한 투자성향에 기초하여 투자성향에 매핑된 금융상품을 금융 소비자에 추천하는 단계를 더 포함하는 것을 특징으로 한다.Preferably, the method of recommending a financial product according to the present invention further includes recommending a financial product mapped to an investment propensity to a financial consumer based on an investment propensity to which the new investment propensity text belongs.
바람직하게, 본 발명의 일 실시예에서 텍스트-명사 매트릭스를 생성하는 단계는 투자성향 텍스트를 형태소 분석기에 입력하여 상기 투자성향 텍스트를 구성하는 명사를 추출하는 단계와, 추출한 명사에 대한 가중치를 계산하는 단계와, 투자성향과 추출한 명사에 대한 가중치로 이루어진 텍스트-명사 매트릭스를 생성하는 단계를 포함하는 특징으로 한다.Preferably, in the step of generating the text-noun matrix, the step of extracting the noun constituting the investment propensity text by inputting the investment propensity text into the morpheme analyzer, And a step of generating a text-noun matrix consisting of investment tendencies and weights for extracted nouns.
여기서 성향 분류 알고리즘은 포트폴리오에 기반한 기본요인에 대한 성향을 분류하는데 이용되는 기본요인 분류 알고리즘과, 귀인이론에 기반한 내적요인에 대한 성향을 분류하는데 이용되는 내적요인 분류 알고리즘과 귀인이론에 기반한 외적요인에 대한 성향을 분류하는데 이용되는 외적요인 분류 알고리즘인 것을 특징으로 한다.In this case, the propensity classification algorithm is based on the basic factor classification algorithm used to classify the propensity for the basic factor based on the portfolio, the inner factor classification algorithm used to classify the tendency toward the inner factor based on the attribution theory, Which is an external factor classification algorithm used to classify the tendency of the user.
바람직하게, 본 발명의 일 실시예에서 텍스트-명사 매트릭스를 생성하는 단계는 투자성향 텍스트를 구성하는 명사 중 투자성향 텍스트를 수집하는데 사용된 키워드를 제외하고 명사를 추출하는 것을 특징으로 한다.Preferably, in the embodiment of the present invention, the step of generating the text-noun matrix extracts nouns from the nouns constituting the investment propensity text, excluding the keywords used for collecting investment propensity texts.
여기서 추출한 명사에 대한 가중치는 단위 수의 투자성향 텍스트 중 명사가 존재하는 투자성향 텍스트의 수의 비율과 투자성향 텍스트에 추출한 명사가 나타난 빈도로부터 계산되는 것을 특징으로 한다. The weight for the noun extracted here is characterized by the ratio of the number of investment incentive texts in which the nouns exist in the unit of investment incentive text and the frequency of the nouns extracted in the investment incentive text.
바람직하게, 본 발명의 일 실시예에서 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계 신규 투자성향 텍스트를 형태소 분석기에 입력하여 신규 투자성향 텍스트를 구성하는 명사를 추출하는 단계와, 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 계산하는 단계와, 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 성향 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계를 포함하는 것을 특징으로 한다.Preferably, in an embodiment of the present invention, a step of determining an investment propensity to which the new investment propensity text belongs is input to the morpheme analyzer to extract a noun constituting the new investment propensity text, Calculating a weight for a noun extracted from the new investment propensity text, and applying a weight for a noun extracted from the new investment propensity text to the propensity classifying algorithm to determine an investment propensity to which the new investment propensity text belongs.
바람직하게, 본 발명의 일 실시예에서 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계는 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 기본요인 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 기본요인을 판단하는 단계와, 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 내적요인 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 내적요인을 판단하는 단계와, 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 외적요인 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 외적요인을 판단하는 단계와, 신규 투자성향 텍스트가 속하는 기본요인, 내적요인 및 외적요인의 조합으로부터 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계를 포함하는 것을 특징으로 한다.Preferably, in one embodiment of the present invention, the step of determining the investment propensity to which the new investment propensity text belongs is performed by applying a weight to a noun extracted from the new investment propensity text to the basic factor classification algorithm, Determining an inner factor to which a new investment propensity text belongs by applying a weight for a noun extracted from the new investment propensity text to an inner factor classification algorithm; and determining a weight for the noun extracted from the new investment propensity text as an external factor Determining an external tendency to which the new investment propensity text belongs by applying the new investment propensity text to the classification algorithm and determining the investment propensity of the new investment propensity text to which the new investment propensity text belongs from the combination of the basic factor, .
여기서 기본요인은 수익성과 안정성인 것을 특징으로 하며, 내적요인은 경험성과 정보성인 것을 특징으로 하며, 외적요인은 반응성과 신뢰성인 것을 특징으로 한다.The basic factor is characterized by profitability and stability, the internal factor is characterized by experience and information, and the external factor is characterized by reactivity and reliability.
본 발명에 따른 금융상품의 추천 방법은 다음과 같은 효과를 가진다.The method of recommending a financial product according to the present invention has the following effects.
본 발명에 따른 금융상품의 추천 방법은 금융소비자가 작성한 문서나 금융소비자의 상담 내용에 포함된 텍스트 등과 같은 비정형의 상담 데이터로부터 금융소비자의 투자성향을 판단할 수 있는 정형 데이터, 즉 텍스트-명사 매트릭스를 생성함으로써, 금융소비자의 비정형 상담 데이터로부터 금융소비자에 맞춤형 금융상품을 추천할 수 있다. The method for recommending a financial product according to the present invention is a method for determining financial propensity of a financial consumer from atypical consultation data such as a document prepared by a financial consumer or text included in a consultation content of a financial consumer, , It is possible to recommend financial products tailored to financial consumers from atypical consultation data of financial consumers.
한편 본 발명에 따른 금융상품의 추천 방법은 종래 다른 금융소비자가 작성한 투자성향 텍스트로부터 투자성향을 분류하기 위한 성향 분류 알고리즘을 생성하며 신규 투자성향 텍스트가 수집되는 경우 성향 분류 알고리즘을 통해 신규 투자성향 텍스트가 가지는 투자성향을 자동 분류함으로써, 전문적이고 복잡한 금융상품을 금융소비자의 투자성향에 맞추어 추천할 수 있다.Meanwhile, the method of recommending a financial product according to the present invention generates a tendency classifying algorithm for classifying investment tendency from investment tendency text created by other financial consumers, and when a new investment tendency text is collected, Can automatically recommend professional and complex financial products according to investment propensity of financial consumers.
도 1은 본 발명에 따른 금융상품의 추천 시스템을 설명하기 위한 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 추천 서버를 설명하기 위한 기능 블록도이다.
도 3은 본 발명에 따른 전처리부의 일 예를 설명하기 위한 기능 블록도이다.
도 4는 본 발명의 일 실시예에 따른 금융상품의 추천 방법을 설명하기 위한 흐름도이다.
도 5는 텍스트-명사 매트릭스를 생성하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 6은 데이터베이스부에서 수집한 투자성향 텍스트를 형태소 분석하여 추출한 명사의 일 예를 도시하고 있다.
도 7은 다수의 투자성향 텍스트로부터 생성되는 텍스트-명사 매트릭스의 일 예를 도시하고 있다. FIG. 1 is a functional block diagram illustrating a recommendation system for financial products according to the present invention.
2 is a functional block diagram illustrating a recommendation server according to an embodiment of the present invention.
3 is a functional block diagram for explaining an example of the preprocessing unit according to the present invention.
4 is a flowchart illustrating a recommendation method of a financial product according to an embodiment of the present invention.
5 is a flowchart illustrating an example of a step of generating a text-noun matrix.
6 shows an example of a noun extracted by morphological analysis of investment propensity texts collected by the database unit.
FIG. 7 shows an example of a text-noun matrix generated from a plurality of investment propensity texts.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.It is noted that the technical terms used in the present invention are used only to describe specific embodiments and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be construed in a sense generally understood by a person having ordinary skill in the art to which the present invention belongs, unless otherwise defined in the present invention, Should not be construed to mean, or be interpreted in an excessively reduced sense. In addition, when a technical term used in the present invention is an erroneous technical term that does not accurately express the concept of the present invention, it should be understood that technical terms can be understood by those skilled in the art.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Furthermore, the singular expressions used in the present invention include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as "comprising" or "comprising" and the like should not be construed as encompassing various elements or various steps of the invention, Or may further include additional components or steps.
또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.It is to be noted that the accompanying drawings are only for the purpose of facilitating understanding of the present invention, and should not be construed as limiting the scope of the present invention with reference to the accompanying drawings.
이하 첨부한 도면을 참고로 본 발명에 따른 인문 사상의 분류 방법에 대해 보다 구체적으로 살펴본다.Hereinafter, a method of classifying human thought according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 금융상품의 추천 시스템을 설명하기 위한 기능 블록도이다.FIG. 1 is a functional block diagram illustrating a recommendation system for financial products according to the present invention.
도 1을 참고로 보다 구체적으로 살펴보면, 네트워크(30)에는 데이터베이스부(10), 추천 서버(50), 상담자 단말기(70) 및 사용자 단말기(90)가 접속되어 있다.1, a
데이터베이스부(10)에는 금융소비자가 금융기관과 상담하며 남긴 상담 내용, 금융소비자가 소정 금융상품과 관련하여 남긴 사용자의 의견, 금융소비자가 투자하고자 하는 금융상품에 대한 의견 등의 다양한 종류의 투자성향 텍스트가 저장되어 있다. 여기서 상담 내용은 금융소비자와 금융기관의 상담자 사이에 통화 내역 또는 상담 내역 등이 텍스트로 생성되어 저장되어 있다. 한편, 투자성향 텍스트는 금융소비자의 투자성향을 판단할 수 있는 다양한 종류의 텍스트가 사용될 수 있는데 투자성향 텍스트는 대면 상담 과정 또는 비대면 상담 과정에서 생성된 상담 텍스트 또는 온라인상에 남긴 다양한 종류의 텍스트가 사용될 수 있다. 바람직하게, 데이터베이스부(10)에 저장되어 있는 투자성향 텍스트는 투자성향에 대한 기본요인, 내적요인 또는 외적요인 등의 투자성향요인으로 구분되어 저장될 수 있다.The
추천 서버(50)는 네트워크(30)를 통해 데이터베이스부(10)로부터 투자성향 텍스트를 수집하며, 수집한 투자성향 텍스트로부터 투자성향을 분류하기 위한 성향 분류 알고리즘을 학습 생성하는데, 데이터베이스부(10)로부터 신규 투자성향 텍스트를 수집하거나 또는 네트워크(30)를 통해 다른 소스로 신규 투자성향 텍스트를 수집하는 경우 성향 분류 알고리즘에 기초하여 신규 투자성향 텍스트에 나타난 금융소비자의 투자성향을 분류하거나 분류한 투자성향에 상응하는 금융상품을 검색하여 금융소비자 또는 상담자에 검색한 금융상품을 추천 금융상품으로 제공한다.The
즉, 추천 서버(50)는 네트워크(30)를 통해 추천 금융상품에 대한 정보를 금융기관에 종사하는 상담자가 사용하는 상담자 단말기(70)로 제공하거나, 금융소비자가 사용하는 사용자 단말기(90)로 제공한다.That is, the
도 2는 본 발명의 일 실시예에 따른 추천 서버를 설명하기 위한 기능 블록도이다.2 is a functional block diagram illustrating a recommendation server according to an embodiment of the present invention.
도 2를 참고로 보다 구체적으로 살펴보면, 수집부(110)는 입력된 키워드에 기초하여 데이터베이스부 또는 다른 소스를 통해 투자성향 텍스트를 수집한다. 바람직하게, 수집부(110)는 네트워크를 통해 데이터를 송수신하기 위한 통신 모듈을 구비하며, 수집부(110)는 네트워크를 통해 데이터베이스부로부터 또는 다른 소스로부터 입력된 키워드에 해당하는 투자성향 텍스트를 수집한다. 2, the collecting
전처리부(120)는 투자성향 텍스트를 형태소 분석기에 입력하여 투자성향 텍스트에서 명사를 추출하고 추출한 명사별 가중치를 계산하며, 매트릭스 생성부(130)는 이미 알고 있는 투자성향요인과 각 투자성향 텍스트에서 추출한 명사의 가중치로 이루어진 텍스트-명사 매트릭스(Document-term matrix)를 생성한다.The preprocessing
성향 분류 학습부(150)는 매트릭스 생성부(130)에서 생성된 텍스트-명사 매트릭스로부터 트레이닝 데이터와 테스트 데이터를 추출하고 추출한 트레이닝 데이터와 테스트 데이터로부터 금융소비자의 투자성향을 판단하는데 이용되는 성향 분류 알고리즘을 생성한다. 여기서 성향 분류 학습부(150)에서 사용되는 텍스트-명사 매트릭스는 투자성향에 대한 투자성향요인을 이미 알고 있는 텍스트와 각 테스트에서 추출한 명사의 가중치로 이루어지며, 트레이닝 데이터와 테스트 데이터는 텍스트-명사 매트릭스에서 임의적으로 구분하여 추출할 수 있다. The propensity classifying
한편, 수집부(110)를 통해 신규 투자성향 텍스트가 수집되는 경우, 전처리부(120)는 신규 투자성향 텍스트를 형태소 분석기에 입력하여 신규 투자성향 텍스트에서 명사를 추출하고 추출한 명사의 가중치를 계산한다. 여기서 신규 투자성향 텍스트는 금융상품을 추천하고자 하는 금융소비자가 작성한 투자성향 텍스트를 의미한다. If the new investment propensity text is collected through the collecting
신규 투자성향 텍스트의 명사별 가중치는 성향 분류부(170)로 제공되는데, 성향 분류부(170)는 신규 투자성향 텍스트의 명사별 가중치를 생성한 성향 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 투자성향을 판단한다. 수집부(110)는 적어도 1개 이상의 신규 투자성향 텍스트를 수집할 수 있으며, 성향 분류부(170)는 적어도 1개 이상의 신규 투자성향 텍스트를 성향 분류 알고리즘에 적용하여 각 신규 투자성향 텍스트가 속하는 투자성향을 판단할 수 있다.The weights of the nouns of the new investment propensity text are provided to the
바람직하게, 다수의 신규 투자성향 텍스트를 성향 분류 알고리즘에 적용하여 각 신규 투자성향 텍스트가 서로 상이한 투자성향을 가지는 것으로 판단되는 경우, 다수의 신규 투자성향 텍스트에서 가장 많이 동일한 투자성향으로 판단되는 투자성향을 금융소비자의 투자성향으로 판단할 수 있다.Preferably, when a plurality of new investment propensity texts are applied to the propensity classification algorithm and each new investment propensity text is judged to have a different investment propensity, investment tendency that is determined to be the most same investment propensity in a plurality of new investment propensity texts Of the total investment.
한편, 추천부(190)는 성향 분류부(170)에서 판단한 신규 투자성향 텍스트가 속하는 투자성향에 기초하여 투자성향에 상응하는 금융상품을 금융상품 데이터베이스부에서 검색하고, 검색한 금융상품을 금융소비자의 추천 금융상품으로 상담자 단말기 또는 사용자 단말기로 제공한다. On the other hand, the
바람직하게, 성향 분류 학습부(150)는 기본요인, 내적요인 및 외적요인의 투자성향요인별로 성향 분류 알고리즘을 생성할 수 있는데, 성향 분류부(170)에서는 기본요인, 외적요인 및 내적요인으로 구분하여 투자성향을 판단할 수 있으며, 추천부(190)는 기본요인, 외적요인 및 내적요인으로 이루어진 투자성향패턴에 상응하는 금융상품을 금융상품 데이터베이스부에서 검색할 수 있다. Preferably, the propensity classifying
도 3은 본 발명에 따른 전처리부의 일 예를 설명하기 위한 기능 블록도이다.3 is a functional block diagram for explaining an example of the preprocessing unit according to the present invention.
도 3을 참고로 보다 구체적으로 살펴보면, 형태소 분석부(121)는 수집한 투자성향 텍스트로부터 명사를 추출하는데, 여기서 형태소는 뜻을 가진 가장 작은 말의 단위로 형태소 분석 방식은 규칙기반 형태 분석 방식과 음절단위 형태 분석 방식 등 다양한 형태소 분석 알고리즘이 사용되고 있으며, 이에 대한 자세한 설명은 생략한다.3, the
형태소 분석부(121)를 통해 투자성향 텍스트로부터 추출한 명사에서 투자성향 텍스트를 수집하는데 사용된 키워드를 제거한다. 추출한 명사에서 투자성향 텍스트를 수집하는데 사용된 키워드를 제거함으로써, 수집한 투자성향 텍스트로부터 생성되는 성향 분류 알고리즘이 추출한 명사에 과적합(overfitting)되는 것을 방지할 수 있다.The keyword used to collect investment propensity text is removed from the noun extracted from the investment incentive text through the
가중치 계산부(125)는 추출한 명사가 투자성향 텍스트에서 가지는 가중치를 계산하는데, 추출한 명사의 가중치는 단위 수의 투자성향 텍스트 중 해당 명사가 존재하는 투자성향 텍스트 수의 비율, 해당 투자성향 텍스트에서 추출한 명사가 나타난 빈도로부터 계산될 수 있다.The
도 4는 본 발명의 일 실시예에 따른 금융상품의 추천 방법을 설명하기 위한 흐름도이다.4 is a flowchart illustrating a recommendation method of a financial product according to an embodiment of the present invention.
도 4를 참고로 보다 구체적으로 살펴보면, 데이터베이스부에 저장되어 있는 투자성향 텍스트를 수집하고 수집한 투자성향 텍스트에서 명사를 추출하여 추출한 명사의 가중치로 이루어진 텍스트-명사 매트릭스를 생성한다(S110).More specifically, referring to FIG. 4, an investment propensity text stored in the database is collected and a text-noun matrix consisting of noun weights extracted from the collected investment propensity text is generated (S110).
생성한 텍스트-명사 매트릭스로부터 트레이닝 데이터와 테스트 데이터를 분류하여 추출하고, 추출한 트레이닝 데이터와 테스트 데이터로부터 성향 분류 알고리즘을 생성한다(S130). 본 발명이 적용되는 분야에 따라 성향 분류 알고리즘을 생성하기 위한 다양한 종류의 학습 알고리즘이 사용될 수 있는데, 결정 트리, Deep Neural Network, k-NN classifier, Multinomial logistic regression, Naive Bayes, Random Forest, SVM 등의 학습 알고리즘을 사용할 수 있으며, 이에 대한 자세한 설명은 생략한다.The training data and test data are classified and extracted from the generated text-noun matrix, and a propensity classification algorithm is generated from the extracted training data and test data (S130). Various types of learning algorithms can be used to generate a propensity classifying algorithm according to the field to which the present invention is applied. For example, a decision tree, a Deep Neural Network, a k-NN classifier, a multinomial logistic regression, a Naive Bayes, Learning algorithm can be used, and a detailed description thereof will be omitted.
바람직하게, 금융소비자의 투자성향을 판단하는데 포트폴리오 이론에 기반한 기본요인, 귀인이론에 기반한 내적요인과 외적요인 등이 투자성향요인으로 사용될 수 있다. 기본요인에 대한 투자성향을 판단하는데 사용할 수 있는 성향 분류 알고리즘, 내적요인에 대한 투자성향을 판단하는데 사용할 수 있는 성향 분류 알고리즘 및 외적요인에 대한 투자성향을 판단하는데 사용할 수 있는 성향 분류 알고리즘을 각각 생성할 수 있다.Preferably, fundamentals based on portfolio theory, intrinsic and extrinsic factors based on attribution theory can be used to determine investment propensity of financial consumers. The propensity classification algorithm, which can be used to judge the propensity to invest in basic factors, the propensity classifying algorithm that can be used to judge the propensity to invest in internal factors, and the propensity classifying algorithm that can be used to judge the propensity to invest in external factors can do.
포트폴리오 이론에 기반한 기본요인은 투자의 기본으로 생각되는 투자성향요인으로, 투자에 있어 가장 기본적이고 중요한 함수는 투자의 기대수익과 위험이 될 것이다. 즉, 투자에 따른 안정성과 수익성을 기본요인으로 사용할 수 있는데, 일반적으로 금융투자상품의 선택 목적은 이익극대화 및 손실최소화에 있다. 수익과 위험은 현대 투자론의 이론인 평균-분산 포트폴리오 분석이라는 투자행동의 기본적인 규범적 모델에서 지적하고 있듯이 투자 대안을 선택하는데 있어 핵심적인 요인이다. 투자를 성공적으로 하기 위해서는 투자대상의 기대수익률과 위험을 동시에 고려하여 최적의 투자대안을 선택하는 것이 필요하다.The basic factors based on the portfolio theory are the propensity to invest, which is considered to be the basis of investment. The most basic and important function of investment will be the expected profit and risk of investment. In other words, stability and profitability based on investment can be used as basic factors. In general, the purpose of selecting financial investment products is to maximize profits and minimize losses. Revenue and risk are key factors in choosing investment alternatives, as pointed out in the basic normative model of investment behavior, which is the theory of modern investment theory, which is the analysis of average-dispersion portfolios. In order to make a successful investment, it is necessary to select the optimal investment alternative considering the expected return and risk of the investment target simultaneously.
한편, 귀인이론에 따른 내적요인은 경험성과 정보성으로, On the other hand, internal factors according to attribution theory are experiential and informative,
경험성(experientiality)은 과거에 겪었던 투자경험이 현재 또는 미래의 투자의 의사결정에 영향을 미칠 수 있다는 특성이다. 예를 들면, A사에 판매했던 펀드를 가입했던 투자자가 큰 손실을 경험했을 경우 향우 펀드라는 금융상품을 불신하여 펀드가입을 꺼려할 수도 있고, 이러한 금융 소비자는 투자성향이 보다 위험회피형 투자자로 변모할 수 있다. 경험성은 객관화하기 어려운 척도이고, 주관적인 내적 척도로 구분할 수 있는 근거가 된다. Experientiality is a characteristic of past investment experiences that can affect the decision making of current or future investments. For example, if an investor who has subscribed to a fund sold to A has suffered a large loss, he may be reluctant to join a fund because he disbelieves the financial product called a hefty fund. Such a financial consumer is transformed into a risk-averse investor can do. Empiricality is a difficult to objectify scale, and it is a basis for distinguishing it as a subjective internal scale.
정보성(informativeness)은 금융회사가 금융소비자라고 볼 수 있는 투자자들이 이용가능한 정보를 제공하는 정도로 정의한다. 투자자로 통칭되는 금융소비자는 넓게 금융거래에서 금융업자와 금융계약을 체결하는 상대방으로 정의되고 있는데, 금융시장에서 정보의 비대칭성이 존재하고 거래상대방과 충분한 교섭력을 가지지 못하기 때문에 정보성은 또 다른 측면에서 금융소비자의 보호와 관련이 있다.Informativeness is defined as the degree to which financial institutions provide information available to investors who are considered financial consumers. Financial consumers, commonly referred to as investors, are broadly defined as those who sign financial contracts with a financial provider in financial transactions. Information asymmetry exists in the financial market and information barriers do not have sufficient bargaining power with counterparties. In relation to the protection of financial consumers.
금융상품은 상당히 복잡하여 설명이 난해한 특성도 정보의 비대칭적인 성향을 부각시킨다. 다시 말하면, 전문성으로 요약할 수 있을 것이다. 금융상품에 대한 기초지식이 있는 경우는 정보에 우위에 있다면, 투자의 실행이 용이하지만, 금융에 대한 기초지식이 없다면, 사실상 감(feeling)이나 경험에 의존한 투자를 실행할 수밖에 없다.Financial products are so complex that the more difficult - to - explain features highlight the asymmetric nature of information. In other words, it can be summarized by expertise. If you have a basic knowledge of financial products, if you are in the forefront of information, it is easy to carry out the investment, but if you do not have basic knowledge about finance, you will inevitably make investments that depend on your feeling or experience.
귀인이론에 따른 외적요인이라는 것은 외부적인 요소가 투자결정에 미칠 수 있는 요인을 말하는 것으로, 귀인이론에 따른 다양한 외적 요인 가운데 거시경제변수 등과 같은 거시적인 경제요인을 중요시하며 반응하는 반응성과 자산을 운용하는 운용회사나 판매회사에 대한 일반적인 평판에 대한 신뢰성을 외적요인으로 사용할 수 있다.The external factors according to the attribution theory are external factors that can affect the investment decisions. Among the various external factors according to the attribution theory, macro-economic factors such as macroeconomic variables are emphasized, The reliability of the general reputation of an operating company or a sales company can be used as an external factor.
거시 경제 변수의 움직임은 투자를 실행하는데 있어 중요한 요인임을 시사한다. 반응성은 이러한 불확실성 하에 나타나는 통제 불가능한 거시경제변화에 따른 금융소비자의 반응을 의미한다.The movements of macroeconomic variables suggest that investment is an important factor in the execution of the investment. Reactivity is the reaction of financial consumers to uncontrollable macroeconomic changes under these uncertainties.
신뢰성은 금융상품을 판매하거나 운용하는 회사의 명성이나 이미지, 무형자산 등을 투자자가 신뢰할 만한지에 대한 객관적인 것을 의미한다. 기업의 명성이 높은 경우, 기업의 경영활동에서 실질적으로 나타나는 주가상승과 매출증가 등의 경제적인 이득뿐만 아니라 경제적인 수치로 환산하기는 어렵지만 기업의 생존에 장기적인 이득을 가져다준다. 예를 들어, 금융 소비자는 평소 높은 명성을 가진 기업의 부정적인 신문보도를 접할 경우, 그렇지 않은 기업들의 부정적인 신문보도를 접할 경우보다 덜 부정적인 태도를 형성하는 것으로 나타났다. Reliability means that the investor is credible to the reputation or image of a company that sells or manages financial products, or intangible assets. If a company has a high reputation, it is difficult to convert it into economic figures as well as economic benefits such as stock price rises and sales increase that are substantially reflected in the business activities of the enterprise, but it has a long-term advantage in survival of the enterprise. For example, financial consumers appear to have less negative attitudes when they encounter negative newspaper reports of companies with high reputations than when they report negative newspaper reports.
신규 투자성향 텍스트가 수집되는 경우(S150), 신규 투자성향 텍스트를 전처리하여 신규 투자성향 텍스트에서 명사를 추출하고 추출한 명사의 가중치를 계산한다(S160). 추출한 명사의 가중치를 생성한 성향 분류 알고리즘에 적용하여 신규 투자성향 텍스트가 속하는 투자성향을 판단한다(S170). 여기서 신규 투자성향 텍스트를 기본요인을 판단하는데 사용되는 성향 분류 알고리즘에 적용하여 금융소비자의 기본요인에 대한 투자성향이 안정성을 추구하는지 아니면 수익성을 추구하는지 판단할 수 있다. 또한, 신규 투자성향 텍스트를 외적요인을 판단하는데 사용되는 성향 분류 알고리즘에 적용하여 금융소비자의 내적요인에 대한 투자성향이 경험성을 추구하는지 아니면 정보성을 추구하는지 판단할 수 있다. 또한, 신규 투자성향 텍스트를 외적요인을 판단하는데 사용되는 성향 분류 알고리즘에 적용하여 금융소비자의 외적요인에 대한 투자성향이 반응성을 추구하는지 아니면 신뢰성을 추구하는지 판단할 수 있다.If the new investment propensity text is collected (S150), the new investment propensity text is preprocessed to extract the noun from the new investment propensity text and calculate the weight of the extracted noun (S160). The weights of the extracted nouns are applied to the generated tendency classification algorithm to determine the investment tendency to which the new investment propensity text belongs (S170). The new investment propensity text can be applied to the tendency classification algorithm used to judge the basic factors, and it can be judged whether the investment propensity for the basic factors of financial consumers pursues stability or profitability. In addition, the new investment propensity text can be applied to the tendency classification algorithm used to judge the external factor, so that it can be determined whether the propensity to invest in internal factors of the financial consumer pursues empiricism or informationality. In addition, the new investment propensity text can be applied to the propensity classifying algorithm used to judge the external factor, so that it can be determined whether the propensity to invest in external factors of the financial consumer pursues the responsiveness or the reliability.
이와 같이 각 투자성향요인에 대한 판단 결과에 기초하여, 기본요인, 외적요인 및 내적요인으로 이루어진 투자성향 패턴을 생성할 수 있으며, 이러한 투자성향 패턴에 매핑되어 있는 금융상품을 금융상품 데이터베이스부에서 검색하고, 검색한 금융상품을 금융소비자에 추천할 금융상품으로 사용자 단말기 또는 상담자 단말기로 제공한다(S190). Thus, an investment propensity pattern consisting of basic factors, external factors, and internal factors can be generated based on the determination result of each investment propensity, and the financial products mapped to the investment propensity pattern can be searched And provides the retrieved financial product to a user terminal or a consultant terminal as a financial product to be recommended to a financial consumer (S190).
도 5는 텍스트-명사 매트릭스를 생성하는 단계의 일 예를 설명하기 위한 흐름도이다.5 is a flowchart illustrating an example of a step of generating a text-noun matrix.
도 5를 참고로 보다 구체적으로 살펴보면, 데이터베이스부에서 수집한 투자성향 텍스트를 형태소 분석하여 투자성향 텍스트를 구성하는 명사를 추출한다(S111). 도 6은 데이터베이스부에서 수집한 투자성향 텍스트를 형태소 분석하여 추출한 명사의 일 예를 도시하고 있다. 데이터베이스부에서 수집한 투자성향 텍스트의 경우 해당 투자성향 텍스트의 투자성향요인을 이미 알고 있으며, 투자성향 텍스트를 구성하는 명사를 추출한다.Referring to FIG. 5, more specifically, morphological analysis of investment propensity texts collected by the database unit is performed to extract nouns constituting investment propensity text (S111). 6 shows an example of a noun extracted by morphological analysis of investment propensity texts collected by the database unit. In the case of the investment propensity texts collected by the database department, the investment tendency factors of the investment propensity text are already known, and the nouns constituting the propensity propensity text are extracted.
추출한 명사에서 해당 투자성향 텍스트를 수집하는데 이용한 키워드를 제거한다(S113). 추출한 명사에서 해당 투자성향 텍스트를 수집하는데 이용한 키워드를 제거하는 것은 투자성향 텍스트에서 추출한 명사를 이용하여 성향 분류 알고리즘을 생성시 과적합의 문제가 발생하는 것을 미연에 방지하기 위한 것으로, 예를 들어 '안정성'를 키워드로 투자성향 텍스트를 수집하는 경우 수집한 투자성향 텍스트에서 추출한 명사 중 키워드로 사용한 '안정성'를 제거하여 성향 분류 알고리즘에서 과적합 문제가 발생하는 것을 방지한다.The keyword used to collect the investment propensity text is removed from the extracted noun (S113). Removing the keywords used to collect the investment propensity text from the extracted nouns is to prevent the problem of overarching consensus when generating the propensity classification algorithm using nouns extracted from the propensity text. For example, 'Is used as a keyword to remove the' stability 'used as a keyword among the nouns extracted from the collected investment propensity texts, thereby preventing the occurrence of an over sum problem in the tendency classification algorithm.
추출한 각 명사가 해당 투자성향 텍스트에서 가지는 가중치를 계산한다(S115). 여기서 가중치는 동일한 투자성향요인으로 분류된 단위 수의 투자성향 텍스트 중 해당 명사가 존재하는 투자성향 텍스트의 수의 비율과 해당 투자성향 텍스트에 해당 명사가 나타난 빈도로부터 계산되는데, 바람직하게 각 명사(i)의 가중치(wi)는 아래의 수학식 (1)과 같이 계산될 수 있다.The weights of the extracted nouns in the investment propensity text are calculated (S115). The weight is calculated from the ratio of the number of investment incentive texts in which the corresponding noun exists and the frequency of the corresponding noun in the investment incentive text, ) the weight (w i) of a can be computed as shown in equation (1) below.
[수학식 1][Equation 1]
여기서 wi는 명사 i의 가중치이며, N은 단위 수의 투자성향 텍스트, ni은 단위 수의 투자성향 텍스트에서 해당 명사(i)가 존재하는 문언의 수, fi는 해당 투자성향 텍스트에서 명사(i)가 나타난 빈도를 의미한다. Where w i is the weight of the noun i, N is investment tendency text unit number, n i is the number of wording that the noun (i) present in the investment tendency text unit number, f i is a noun in the investment tendency text (i).
이와 같이 단위 수의 투자성향 텍스트 중 해당 명사가 존재하는 투자성향 텍스트의 수의 비율에 대한 역수로부터 명사의 가중치를 계산함으로써, 추출한 명사가 해당 투자성향 텍스트가 속하는 투자성향요인과 관련하여 중요한 명사인지를 판단할 수 있다.Thus, by calculating the weights of the nouns from the reciprocal of the ratio of the number of investment propensity texts in which the noun is present among the investment propensity texts per unit, the extracted nouns are significant nouns Can be determined.
투자성향 텍스트를 구성하는 각 명사의 가중치와 해당 투자성향 텍스트의 투자성향요인으로 이루어진 텍스트-명사 매트릭스를 생성한다(S117).A text-noun matrix consisting of the weights of the respective nouns constituting the investment propensity text and the propensity to invest in the investment propensity text is generated (S117).
도 7은 다수의 투자성향 텍스트로부터 생성되는 텍스트-명사 매트릭스의 일 예로 텍스트-명사 매트릭스에는 수집한 투자성향 텍스트의 각 명사에 대한 가중치와 각 투자성향 텍스트가 속하는 투자성향요인이 매트릭스 형태로 생성된다. FIG. 7 shows an example of a text-noun matrix generated from a plurality of investment propensity texts. In the text-noun matrix, a weight for each noun of the investment propensity text collected and an investment propensity factor to which each investment propensity text belongs are generated in a matrix form .
한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.The above-described embodiments of the present invention can be embodied in a general-purpose digital computer that can be embodied as a program that can be executed by a computer and operates the program using a computer-readable recording medium.
상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.The computer-readable recording medium may be a magnetic storage medium (e.g., ROM, floppy disk, hard disk, etc.), an optical reading medium (e.g. CD ROM, Lt; / RTI > transmission).
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.
10: 데이터베이스부 30: 네트워크
50: 추천 서버 70: 상담자 단말기
90: 사용자 단말기 110: 수집부
120: 전처리부 130: 매트릭스 생성부
150: 사상 분류 학습부 170: 성향 분류부
190: 시계열 판단부10: Database part 30: Network
50: Recommended server 70:
90: user terminal 110:
120: preprocessing unit 130: matrix generating unit
150: Map classification learning section 170:
190: Time series judgment unit
Claims (11)
투자성향 텍스트에서 명사를 추출하고, 추출한 명사별 가중치로 이루어진 텍스트-명사 매트릭스(Document-Term Matrix)를 생성하는 단계;
상기 텍스트-명사 매트릭스로부터 학습 데이터와 테스트 데이터를 구분하여 생성하고, 상기 학습 데이터와 상기 테스트 데이터로부터 투자성향을 분류하는데 이용되는 성향 분류 알고리즘을 생성하는 단계; 및
신규 투자성향 텍스트를 전처리하여 추출한 명사의 가중치를 상기 성향 분류 알고리즘에 적용하고 상기 신규 투자성향 텍스트가 속한 투자성향을 판단하는 단계를 포함하며,
상기 성향 분류 알고리즘은
포트폴리오에 기반한 기본요인에 대한 성향을 분류하는데 이용되는 기본요인 분류 알고리즘; 및
귀인이론에 기반한 내적요인에 대한 성향을 분류하는데 이용되는 내적요인 분류 알고리즘과 귀인이론에 기반한 외적요인에 대한 성향을 분류하는데 이용되는 외적요인 분류 알고리즘인 것을 특징으로 하는 금융상품의 추천 방법.In a recommendation method of financial products based on investment propensity of financial consumers,
Extracting a noun from the investment propensity text, and creating a text-noun matrix (Document-Term Matrix) consisting of the extracted noun weights;
Generating training data and test data from the text-to-noun matrix separately and generating a propensity classifying algorithm used to classify investment propensity from the learning data and the test data; And
Applying a weight of a noun extracted by pre-processing a new investment propensity text to the propensity classifying algorithm, and determining an investment propensity to which the new investment propensity text belongs;
The propensity classification algorithm
A basic factor classification algorithm used to classify trends in basic factors based on portfolios; And
A method of recommending a financial product, characterized in that it is an external factor classification algorithm used to classify a propensity for internal factors based on attribution theory and an external factor classification algorithm to classify propensity for external factors based on attribution theory.
상기 신규 투자성향 텍스트가 속한 투자성향에 기초하여 상기 투자성향에 매핑된 금융상품을 상기 금융 소비자에 추천하는 단계를 더 포함하는 것을 특징으로 하는 금융상품의 추천 방법.The method as claimed in claim 1,
And recommending a financial product mapped to the investment propensity to the financial consumer based on an investment propensity to which the new investment propensity text belongs.
투자성향 텍스트를 형태소 분석기에 입력하여 상기 투자성향 텍스트를 구성하는 명사를 추출하는 단계;
추출한 명사에 대한 가중치를 계산하는 단계; 및
투자성향과 추출한 명사에 대한 가중치로 이루어진 텍스트-명사 매트릭스를 생성하는 단계를 포함하는 특징으로 하는 금융상품의 추천 방법. 3. The method of claim 2, wherein generating the text-noun matrix comprises:
Inputting investment propensity text into a morphological analyzer to extract a noun constituting the investment propensity text;
Calculating a weight for the extracted noun; And
And generating a text-noun matrix consisting of the investment propensity and the weight for the extracted noun.
상기 투자성향 텍스트를 구성하는 명사 중 상기 투자성향 텍스트를 수집하는데 사용된 키워드를 제외하고 명사를 추출하는 것을 특징으로 하는 금융상품의 추천 방법. 4. The method of claim 3, wherein generating the text-
Wherein a noun is extracted from nouns constituting the investment incentive text except for a keyword used to collect the investment incentive text.
단위 수의 투자성향 텍스트 중 상기 명사가 존재하는 투자성향 텍스트의 수의 비율과 상기 투자성향 텍스트에 상기 추출한 명사가 나타난 빈도로부터 계산되는 것을 특징으로 하는 금융상품의 추천 방법.4. The method of claim 3, wherein the weight for the extracted noun is
Wherein the ratio of the number of investment incentive texts in which the noun is present to the number of units of investment incentive text and the frequency at which the extracted nouns appear in the investment incentive text are calculated.
상기 신규 투자성향 텍스트를 형태소 분석기에 입력하여 상기 신규 투자성향 텍스트를 구성하는 명사를 추출하는 단계;
상기 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 계산하는 단계; 및
상기 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 상기 성향 분류 알고리즘에 적용하여 상기 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계를 포함하는 것을 특징으로 하는 금융상품의 추천 방법.7. The method of claim 6, further comprising: determining an investment propensity to which the new investment propensity text belongs
Inputting the new investment incentive text into a morpheme analyzer to extract a noun constituting the new investment propensity text;
Calculating a weight for a noun extracted from the new investment propensity text; And
And applying a weight for a noun extracted from the new investment propensity text to the propensity classifying algorithm to determine an investment propensity to which the new investment propensity text belongs.
상기 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 상기 기본요인 분류 알고리즘에 적용하여 상기 신규 투자성향 텍스트가 속하는 기본요인을 판단하는 단계;
상기 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 상기 내적요인 분류 알고리즘에 적용하여 상기 신규 투자성향 텍스트가 속하는 내적요인을 판단하는 단계;
상기 신규 투자성향 텍스트로부터 추출한 명사에 대한 가중치를 상기 외적요인 분류 알고리즘에 적용하여 상기 신규 투자성향 텍스트가 속하는 외적요인을 판단하는 단계; 및
상기 신규 투자성향 텍스트가 속하는 기본요인, 내적요인 및 외적요인의 조합으로부터 상기 신규 투자성향 텍스트가 속하는 투자성향을 판단하는 단계를 포함하는 것을 특징으로 하는 금융상품의 추천 방법.4. The method of claim 3, wherein determining the investment propensity to which the new investment propensity text belongs
Applying a weight to a noun extracted from the new investment propensity text to the basic factor classification algorithm to determine a basic factor to which the new investment propensity text belongs;
Applying a weight to a noun extracted from the new investment propensity text to the internal factor classification algorithm to determine an internal factor to which the new investment propensity text belongs;
Applying a weight for a noun extracted from the new investment propensity text to the external factor classification algorithm to determine an external factor to which the new investment propensity text belongs; And
And determining an investment propensity to which the new investment propensity text belongs from a combination of basic factors, internal factors, and external factors to which the new investment propensity text belongs.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108158A KR101913591B1 (en) | 2017-08-25 | 2017-08-25 | Method for recommending financial product using user data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108158A KR101913591B1 (en) | 2017-08-25 | 2017-08-25 | Method for recommending financial product using user data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101913591B1 true KR101913591B1 (en) | 2018-12-28 |
Family
ID=65008694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170108158A KR101913591B1 (en) | 2017-08-25 | 2017-08-25 | Method for recommending financial product using user data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101913591B1 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502691A (en) * | 2019-07-05 | 2019-11-26 | 平安科技（深圳）有限公司 | Product method for pushing, device and readable storage medium storing program for executing based on client segmentation |
| KR102153834B1 (en) | 2019-11-25 | 2020-09-09 | 티아이테크놀로지 주식회사 | Method and quantifying a data based on final value and estimate |
| KR20210017957A (en) * | 2019-08-05 | 2021-02-17 | 주식회사 인터리핀 | P2p loan server, method and computer program through relationship banking based on machine learning |
| KR20220000475A (en) * | 2020-06-26 | 2022-01-04 | 미래에셋증권 주식회사 | System and method for recommendation of customized financial products |
| KR102448083B1 (en) | 2021-11-22 | 2022-09-27 | (주)스네일 | Method, device and system for recommending customized financial product based on big data and artificial intelligence |
| KR20230000461A (en) * | 2021-06-24 | 2023-01-02 | 주식회사 이노핀 | System and method for ai learning on financial counseling data and recommending financial product therethrough |
| KR102504880B1 (en) * | 2021-09-10 | 2023-02-28 | 주식회사 타인에이아이 | System and method for producing customized investment portfolio |
| KR102518772B1 (en) | 2022-10-25 | 2023-04-06 | 주식회사 에이데이타 | Data loading profiling apparatus and method for automatic processing of collected data |
| KR102529547B1 (en) | 2022-08-18 | 2023-05-10 | 주식회사 에이데이타 | Big-data collection device and method for data linkage automation |
| KR102572978B1 (en) | 2022-07-20 | 2023-09-01 | 주식회사 에이데이타 | Machine learning-based data preprocessing device and method |
| KR20240010964A (en) | 2022-07-18 | 2024-01-25 | 국민대학교산학협력단 | Apparatus and method for providing personalized investment summary based on recommendation rate of mydata roboadvisor portfolio using deep learning |
-
2017
- 2017-08-25 KR KR1020170108158A patent/KR101913591B1/en active
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502691A (en) * | 2019-07-05 | 2019-11-26 | 平安科技（深圳）有限公司 | Product method for pushing, device and readable storage medium storing program for executing based on client segmentation |
| KR20210017957A (en) * | 2019-08-05 | 2021-02-17 | 주식회사 인터리핀 | P2p loan server, method and computer program through relationship banking based on machine learning |
| KR102321437B1 (en) * | 2019-08-05 | 2021-11-03 | 주식회사 인터리핀 | P2p loan server, method and computer program through relationship banking based on machine learning |
| KR102153834B1 (en) | 2019-11-25 | 2020-09-09 | 티아이테크놀로지 주식회사 | Method and quantifying a data based on final value and estimate |
| WO2021107386A1 (en) | 2019-11-25 | 2021-06-03 | 티아이테크놀로지 주식회사 | Definite value and estimated value-based data quantization method |
| KR20220000475A (en) * | 2020-06-26 | 2022-01-04 | 미래에셋증권 주식회사 | System and method for recommendation of customized financial products |
| KR102428405B1 (en) * | 2020-06-26 | 2022-08-01 | 미래에셋증권 주식회사 | System and method for recommendation of customized financial products |
| KR20230000461A (en) * | 2021-06-24 | 2023-01-02 | 주식회사 이노핀 | System and method for ai learning on financial counseling data and recommending financial product therethrough |
| KR102517147B1 (en) * | 2021-06-24 | 2023-04-04 | 주식회사 이노핀 | System and method for ai learning on financial counseling data and recommending financial product therethrough |
| KR102504880B1 (en) * | 2021-09-10 | 2023-02-28 | 주식회사 타인에이아이 | System and method for producing customized investment portfolio |
| KR20230038131A (en) * | 2021-09-10 | 2023-03-17 | 주식회사 타인에이아이 | System and method for producing customized investment portfolio |
| KR102610223B1 (en) | 2021-09-10 | 2023-12-06 | 주식회사 타인에이아이 | System and method for producing customized investment portfolio |
| KR102448083B1 (en) | 2021-11-22 | 2022-09-27 | (주)스네일 | Method, device and system for recommending customized financial product based on big data and artificial intelligence |
| KR20240010964A (en) | 2022-07-18 | 2024-01-25 | 국민대학교산학협력단 | Apparatus and method for providing personalized investment summary based on recommendation rate of mydata roboadvisor portfolio using deep learning |
| KR102572978B1 (en) | 2022-07-20 | 2023-09-01 | 주식회사 에이데이타 | Machine learning-based data preprocessing device and method |
| KR102529547B1 (en) | 2022-08-18 | 2023-05-10 | 주식회사 에이데이타 | Big-data collection device and method for data linkage automation |
| KR102518772B1 (en) | 2022-10-25 | 2023-04-06 | 주식회사 에이데이타 | Data loading profiling apparatus and method for automatic processing of collected data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101913591B1 (en) | Method for recommending financial product using user data | |
| Pröllochs et al. | Business analytics for strategic management: Identifying and assessing corporate challenges via topic modeling | |
| US11574204B2 (en) | Integrity evaluation of unstructured processes using artificial intelligence (AI) techniques | |
| Amani et al. | Data mining applications in accounting: A review of the literature and organizing framework | |
| Kotsiantis et al. | Forecasting fraudulent financial statements using data mining | |
| Baesens et al. | Using neural network rule extraction and decision tables for credit-risk evaluation | |
| CN103154991B (en) | Credit risk is gathered | |
| Ogwueleka et al. | Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank | |
| Chen | Classifying credit ratings for Asian banks using integrating feature selection and the CPDA-based rough sets approach | |
| Kaiser et al. | Warning system for online market research–identifying critical situations in online opinion formation | |
| Naidu et al. | Bankruptcy prediction using neural networks | |
| Tobback et al. | Retail credit scoring using fine-grained payment data | |
| US20130117278A1 (en) | Methods, computer-accessible medium and systems for construction of and interference with networked data, for example, in a financial setting | |
| Chen | Business and market intelligence 2.0, Part 2 | |
| Yoon et al. | Detecting a risk signal in stock investment through opinion mining and graph-based semi-supervised learning | |
| Lutz et al. | Predicting sentence-level polarity labels of financial news using abnormal stock returns | |
| Akerkar et al. | Employing AI in business | |
| CN111179051A (en) | Financial target customer determination method and device and electronic equipment | |
| Gerlich et al. | Artificial intelligence as toolset for analysis of public opinion and social interaction in marketing: identification of micro and nano influencers | |
| Hasheminejad et al. | Data mining techniques for analyzing bank customers: A survey | |
| Zhai et al. | Read the news, not the books: forecasting firms’ long-term financial performance via deep text mining | |
| De Rossi et al. | A recommender system for active stock selection | |
| Jeong et al. | An algorithm for supporting decision making in stock investment through opinion mining and machine learning | |
| KR102499182B1 (en) | Loan regular auditing system using artificia intellicence | |
| Kanthimathi et al. | Stock Market Prediction Using AI |