TW201842473A - 確定使用者風險偏好的方法、資訊推薦方法及裝置 - Google Patents

確定使用者風險偏好的方法、資訊推薦方法及裝置 Download PDF

Info

Publication number
TW201842473A
TW201842473A TW107109028A TW107109028A TW201842473A TW 201842473 A TW201842473 A TW 201842473A TW 107109028 A TW107109028 A TW 107109028A TW 107109028 A TW107109028 A TW 107109028A TW 201842473 A TW201842473 A TW 201842473A
Authority
TW
Taiwan
Prior art keywords
user
risk preference
risk
sample
preference
Prior art date
Application number
TW107109028A
Other languages
English (en)
Inventor
楊帆
付歆
Original Assignee
香港商阿里巴巴集團服務有限公司
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 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW201842473A publication Critical patent/TW201842473A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一種確定使用者風險偏好的方法、資訊推薦方法及裝置，以提高確定出的使用者風險偏好的準確性。其中，確定使用者風險偏好的方法包括：獲取使用者在涉及風險的業務中產生的使用者資料；根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量；將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。

Description

確定使用者風險偏好的方法、資訊推薦方法及裝置
本申請案涉及大數據技術領域，尤其涉及一種確定使用者風險偏好的方法、資訊推薦方法及裝置。
隨著網際網路的發展，很多業務都可以透過網際網路平台來實現。在一些業務的營運過程中，需要獲得能夠反映出使用者的風險偏好程度高低的指標，並利用這類指標來支撐業務的營運。例如，根據使用者的風險偏好程度的高低，來推薦合適的網際網路理財產品，或在使用者購買網際網路理財產品前，評估該產品是否適合於該使用者，等等。 　　目前，網際網路平台普遍採用問卷調查方式讓使用者自己填寫與風險偏好相關的內容，以確定出使用者的風險偏好程度，但是，問卷調查方式效率較低，且並不能保證使用者填寫的內容與其自身實際情況相符，導致無法準確地確定出每一使用者的風險偏好程度。
有鑑於此，本申請案提供一種確定使用者風險偏好的方法、資訊推薦方法及裝置。 　　為實現上述目的，本申請案提供的技術方案如下： 　　根據本申請案的第一方面，提出了一種確定使用者風險偏好的方法，包括： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　根據本申請案的第二方面，提出了一種資訊推薦方法，包括： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低； 　　根據所述使用者的風險偏好指數，向所述使用者推薦與所述風險偏好指數相匹配的理財產品資訊。 　　根據本申請案的第三方面，提出了一種確定使用者風險偏好的裝置，包括： 　　獲取單元，獲取使用者在涉及風險的業務中產生的使用者資料； 　　第一確定單元，根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　第二確定單元，將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　根據本申請案的第四方面，提出了一種電腦設備，包括： 　　處理器； 　　用於儲存處理器可執行指令的記憶體； 　　所述處理器被配置為： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　透過以上技術方案可以看出，透過獲得使用者的使用者資料，並根據使用者資料確定使用者在多個預設的設定變量中每個設定變量下的特徵值，再利用預設的風險偏好模型確定出使用者的風險偏好指數，以根據該風險偏好指數衡量使用者的風險偏好程度。上述過程得到的結果準確性高，且效率高。
本申請案旨在尋找一種能快速、準確地衡量使用者對可能面臨的各類風險的接受程度或偏好程度的方法，該方法可以透過大數據技術來實現。以使用者在投資理財過程中所面臨的投資風險為例，可透過兩個主要方面來評估使用者在投資理財時的風險接受水平：其一，使用者主觀上對風險的偏好，即使用者在心理上對投資風險、波動性、投資可能造成的損失等是否偏好或厭惡，以及偏好或厭惡的程度；其二，使用者客觀的風險承受水平，即衡量投資風險、投資可能造成的損失等因素對使用者的實際生活、或使用者的生活目標等產生的影響大小。其中，關於使用者主觀上對風險的偏好，不同的使用者對風險的偏好不盡相同，有的使用者偏向於購買高風險、高回報的理財產品(如股票、基金等)，有的使用者則偏向於購買低風險、低回報的理財產品(如餘額寶等第三方活期資金理財產品)。為更好地服務於使用者，網際網路平台需要對使用者主觀上對風險的偏好程度進行評估，以根據使用者的風險偏好程度，向使用者推薦合適的金融產品，或評估銷售給使用者的金融產品是否適合該使用者等。 　　圖1示出了一示例性實施例提供的一種確定使用者風險偏好的方法的流程。該方法可應用於電腦設備(如提供投資理財業務的平台伺服器、雲端計算平台等)。如圖1所示，在一實施例中，該方法包括下述步驟101~103，其中： 　　在步驟101中，獲取使用者在涉及風險的業務中產生的使用者資料。 　　所述業務可為透過網際網路形式來實現的各類為使用者提供服務的業務，如：自助繳費等生活服務類業務、投資理財等金融類業務。一般地，可開發提供上述業務的應用APP，讓使用者透過APP來參與這些業務，並且，可在同一個APP上提供多種涉及風險的業務。其中，這類業務通常涉及到風險，包括如下情況：①使用者參與業務後可能面臨風險，如：使用者參與投資理財業務後可能造成資金虧損。②與業務相關的特定事件存在風險，如：使用者透過違規繳費業務進行自動繳費，與該業務相關的事件為交通駕駛事件，而交通駕駛事件是存在風險的；又比如，使用者透過醫療服務業務來預約體檢或預約看病等，體檢事件或看病事件也涉及到使用者在身體健康上所面臨的風險；等等。 　　使用者在透過APP針對上述涉及風險的各類業務進行操作的過程中，可以產生各類使用者資料。在一實施例中，使用者資料可以是與使用者的操作行為對應的行為資料，以投資理財業務為例，使用者的操作行為包括但不限於：使用者在APP上針對某類資訊的搜尋行為，使用者在APP上針對某類資訊的查看行為，使用者在APP上針對某類資訊的評論行為，以及使用者在APP上針對某類金融產品的購買行為。其中，使用者的各種操作行為可以發生在投資的各個階段，如：投資行為發生之前、投資中以及結束投資行為之後。上述行為資料可包括但不限於：使用者查看的內容，使用者的查看動作發生的時刻(起始時刻或終止時刻)，查看動作持續的時長等。在一實施例中，使用者資料也可以是與業務相關的其他事件所反映的資料。如，使用者的交通駕駛事件涉及的資料(包括違規次數，違規類型等)，使用者的體檢事件涉及的資料(包括體檢的時間，體檢的內容等)。產生的使用者資料可被儲存到資料庫中，以便在需要確定使用者的風險偏好時能獲取到相關的使用者資料。 　　在步驟102中，根據獲取到的使用者資料，確定所述使用者在多個設定變量中每個設定變量下的特徵值。 　　在一實施例中，所述多個設定變量中包括至少一個確定影響使用者的風險偏好程度的設定變量。 　　實際上，涉及風險的業務中所產生的使用者資料，並不是所有資料都能夠反映使用者的風險偏好程度，即並不是所有資料都與使用者的風險偏好程度存在關聯性。通常，只有部分使用者資料是實際與使用者的風險偏好程度存在關聯性，這部分資料是在確定使用者風險偏好時需要獲取的目標資料。例如，使用者的體檢事件可以反映出使用者在面臨健康風險時的態度，按照常規理解，這可以反映出使用者對其他類型風險的態度，則與體檢事件對應的某些資料可能與使用者的風險編好程度存在關聯性。 　　為此，可以設定好一個或多個能夠影響到使用者的風險偏好程度的設定變量。以使用者的資訊搜尋行為為例，如果使用者在APP內搜尋的內容大多包含“股票”或“基金”等詞條，或搜尋的金融產品的類型為“股票類”或“基金類”，則在一定程度上可以反映出該使用者偏好於高風險(即使用者對投資風險的偏好程度高)，反之，如果使用者經常搜尋的內容是低風險的金融產品，則可以反映出該使用者偏好於低風險(即使用者對投資風險的偏好程度低)。在該例子中，上述搜尋行為對應的設定變量便為：搜尋內容所屬的類型，相應地，可以針對每一種內容類型，預先確定一個與該內容類型對應的特徵值(即設定變量的賦值)。例如：將內容類型分為高風險類型、中風險類型及低風險類型，與高風險類型對應的特徵值為1，與中風險類型對應的特徵值為0.5，與低風險類型對應的特徵值為0。以使用者的資訊查看行為為例，使用者A在購買某一金融產品X之前，需要查看100個其他金融產品，使用者B在購買某一金融產品X之前，需要查看10個其他金融產品，則表明使用者A對投資風險是較為理性的，而使用者B對投資風險則不太在意，也就是說，使用者A對風險的偏好程度要低於使用者B對風險的偏好程度。在該例子中，設定變量為：使用者在投資行為發生之前查看的金融產品的數目。設定變量的種類很多，本文不再一一作列舉。 　　在一實施例中，可以預先定義出多種候選的設定變量，並透過相關技術手段來逐一驗證這些候選的設定變量是否與使用者對投資風險的偏好程度之間存在相關性，並最終選出與使用者的風險偏好程度有相關性的設定變量。關於如何驗證出與使用者的風險偏好程度有相關性的設定變量的過程，將在下文予以詳述。 　　需提及的是，所述多個設定變量中可以包括部分對使用者的風險偏好程度沒有影響或影響性較低(或相關性較低)的設定變量，例如，將這類設定變量的影響係數設定為0或接近於0。 　　使用者在使用APP過程中的操作所產生的使用者資料，通常是一種統計值。在一可選的實施例中，為了更加準確地計算出使用者的風險偏好指數，可以預先為每一種設定變量設定多個統計值區間，並利用這些統計值區間來確定目標使用者在各個設定變量下的特徵值。以使用者在投資之前查看的高風險類金融產品的數目為例，可以預先定義三個統計值區間：1~10，10~20，20~50，並定義這三個統計值區間對應的特徵值分別為：0.1，0.2，0.3，則，當某使用者在在投資之前查看的高風險類金融產品的數目介於1~10時，該設定變量的特徵值為0.1；當某使用者在在投資之前查看的高風險類金融產品的數目介於10~20時，該設定變量的特徵值為0.2；當某使用者在在投資之前查看的高風險類金融產品的數目介於20~50時，該設定變量的特徵值為0.3。同理，按照這一規則可以確定出其他類型的設定變量的特徵值。 　　能夠想到的是，使用者在生活中面臨的風險種類(包括投資理財類風險及非投資類風險)很多，為了更加準確地確定出能夠衡量使用者的風險偏好程度的高低的風險偏好指數，需要盡可能獲取使用者在面臨各類風險時的行為資料，並依據使用者在面臨各類風險時所作出的選擇或操作，來確定使用者的風險偏好程度的高低。舉例來說，非投資類風險包括但不限於：使用者在職業上面臨的風險、使用者在身體健康狀況上面臨的風險、使用者在從事體育運動所面臨的風險、使用者開車時所面臨的風險、其他金融情境下所面臨風險等。其中，使用者面臨職業風險時，設定變量可包括：選擇自主創業還是銀行政府等高穩定行業，或使用者換工作的頻率等；使用者面臨身體健康上的風險時，設定變量可包括使用者體驗的頻率，穩定性，或使用者購買保健用品的情況等；使用者在從事體育運動時，設定變量可包括：使用者是否喜歡從事高風險運動，例如登山，滑雪以及使用者是否喜歡從事低風險運動，例如釣魚；使用者開車時面臨的風險，設定變量可包括：使用者開車的速度，是否經常超速或違規次數等；當使用者的其他金融情境，設定變量可包括：使用者是否購買充足的保險防範未來，使用者偏好於選擇信用卡支付，提前消費，還是儲蓄卡消費等。上述各類風險相關的使用者資料，也可以透過提供相關業務的APP對應的後台資料庫來獲取。 　　可針對其他非投資類風險設計出一個或多個設定變量，並透過相關技術手段來逐一驗證每一個設定變量是否為與使用者的風險偏好程度有相關性的設定變量。 　　在步驟103中，根據使用者在每個設定變量下的特徵值確定所述使用者的風險偏好指數，其中，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　在一實施例中，可為每個設定變量預先確定一個影響係數，則計算風險偏好指數的過程大致為：先將每個設定變量的特徵值乘以該設定變量對應的影響係數，再將各個乘積相加，將相加所得的和值確定為使用者的風險偏好指數。 　　在另一實施例中，可預先訓練出風險偏好模型，則在步驟103中，將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數。上述風險偏好模型的輸入為所述多個設定變量中每個設定變量下的特徵值，所述風險偏好模型的輸出為使用者被分類為高風險偏好類型的可能性。其中，若將對風險的偏好程度最低的這一類使用者定義為“低風險偏好類型的使用者”，若將對風險的偏好程度最高的這一類使用者定義為“高風險偏好類型的使用者”，則，“低風險偏好類型的使用者”對應的風險偏好指數等於或無限接近於0，“高風險偏好類型的使用者”對應的風險偏好指數等於或無限接近於1。其中，若某個使用者的風險偏好指數越接近於0，則代表該使用者屬“低風險偏好類型的使用者”的可能性越高，若某個使用者的風險偏好指數越接近於1，則代表該使用者屬“高風險偏好類型的使用者”的可能性越高。 　　圖2為根據一示例性實施例示出的一種訓練風險偏好模型的過程。如圖2所示，在一可選的實施例中，為提高準確性，可以透過以下過程訓練出所述風險偏好模型： 　　步驟11：篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者。 　　其中，屬於高風險偏好類型的樣本使用者通常是在投資中表現出對風險或損失不在乎甚至喜好的態度。相反，屬於低風險偏好類型的樣本用通常是在投資中極度厭惡風險，並極力避免損失的產生。一般地，兩類樣本在行為上具有明顯的差異性。 　　關於如何篩選出多個樣本使用者的過程，又多種可行的實現方式，本文列舉兩種： 　　在一實施例中，步驟11可以具體透過如下過程來實現： 　　基於定義的高風險偏好規則和低風險偏好規則。將使用者資料符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將使用者資料符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。與常規的定義不同，規則的定義不依賴於使用者是否買了高風險產品。本文涉及的規則的定義取自於心理學、行為金融學以及決策科學下的相關理論。例如，透過考察使用者在面臨損失時的心理狀態和實際行為來定義使用者所歸屬的風險偏好類型。在該情境下，定義的一種“高風險偏好規則”可為“虧了後不在乎，繼續買”，例如：使用者在虧損的資金比例≥20%，和/或虧損金額≥500RMB時，仍繼續購買一定數量的高風險產品；定義的一種“低風險偏好規則”可為“虧了以後就不敢看”：使用者在帳戶盈利時頻繁地查看個人資產盈利情況，而帳戶產生大幅虧損時，就不敢再查看個人資產盈利情況。再比如，透過考察使用者在波動行情下的心理狀況和實際行為來定義使用者所歸屬的風險偏好類型。在該情境下，定義的“低風險偏好規則”為“波動時更敏感”：在股票大盤平穩時，使用者不關心自己的資產，但每當大盤大幅波動時(例如下跌1%)，使用者就頻繁地登錄並查看自己的資產。當然，為提高篩選出的樣本使用者的準確性，可以分別定義出多種不同的“高風險偏好規則”以及多種不同的“低風險偏好規則”，並利用這些規則以及已有的使用者資料，篩選出符合各類規則的樣本使用者，並打上“高風險偏好”或“低風險偏好”的類型標簽。 　　在另一實施例中，步驟11可以具體透過如下過程來實現： 　　基於用於測試使用者風險偏好的實驗應用及定義的高風險偏好規則和低風險偏好規則，將在所述實驗應用中的行為符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將在所述實驗應用中的行為符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。例如，開發一款“吹氣球”的遊戲，遊戲中使用者的任務是不斷地吹氣球，並獲得與所吹氣球大小正相關的金錢數額。與實際生活中的氣球一樣，如果使用者將氣球吹得過大(使用者吹的次數越多，氣球越大)，氣球會爆炸，但是，氣球被吹多大會爆是未知的。每一輪遊戲使用者都面臨吹一次或離開的選擇。如果使用者選擇吹氣球，則將會有兩種結果：①氣球變大，獲得的金錢更多，②氣球吹爆了，已獲得的金錢歸零。而如果使用者選擇離開，則使用者可以獲得當前已經積累的金錢。在該遊戲中，可以將吹氣球的次數超過一定數量臨限值a(設定的值)的使用者定義成高風險偏好使用者，而將低於另一數量臨限值b(設定的值)的使用者定義成低偏好偏好使用者，將介於a、b之間的使用者定義為不明確使用者。當然，用於獲得樣本的實驗遊戲還可以為其它類型，本文不一一列舉。 　　步驟12：獲取所述多個樣本使用者中每個樣本使用者在預設的多個設定變量中每個設定變量下的特徵值。這裡的設定變量是預先設計的各種可能與風險偏好相關的變量。 　　其中，所述特徵值可以根據各個樣本使用者的使用者資料來確定。 　　步驟13：根據所述多個樣本使用者中每個樣本使用者在每個設定變量下的特徵值，以及每個樣本使用者對應的風險偏好類型，訓練出所述風險偏好模型；其中，所述風險偏好模型的輸入為所述多個設定變量中每個設定變量下的特徵值，所述風險偏好模型的輸出為使用者被分類為高風險偏好類型的可能性。其中，訓練模型所採用的機器學習方法可以包括但不限於：線性回歸(linear regression)、邏輯回歸(logistic regression)等。 　　在訓練出備用的風險偏好模型之後，便可以將所述目標使用者在每個設定變量下的特徵值輸入風險偏好模型，以輸出所述目標使用者的風險偏好指數。其中，可根據需要將使用者的風險偏好程度劃分為多個等級，如：低、中、高，並根據輸出的風險偏好指數來確定使用者的風險偏好程度的等級。例如，風險偏好指數介於0~0.3時，風險偏好程度的等級為“低”，風險偏好指數介於0.3~0.6時，風險偏好程度的等級為“中”，風險偏好指數介於0.6~1時，風險偏好程度的等級為“高”。 　　關於如何確定影響使用者的風險偏好程度的設定變量，在本申請案一實施例中，可以利用上述確定的樣本使用者來驗證。如圖3所示，可透過如下過程確定影響使用者的風險偏好程度的設定變量： 　　步驟21：篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者。 　　步驟22：對於任一待驗證的設定變量，獲取所述多個樣本使用者中每一樣本使用者在該待驗證的設定變量下的特徵值。 　　步驟23：利用每一樣本使用者在該待驗證的設定變量下的特徵值及每一樣本使用者對應的風險偏好類型，驗證所述待驗證的設定變量是否為影響使用者的風險偏好程度的設定變量。 　　在一可選實施例中，該步驟23可以具體透過如下過程來實現： 　　步驟231：基於每一樣本使用者在該待驗證的設定變量下的特徵值，確定所述多個高風險偏好類型的樣本使用者在該待驗證的設定變量下的特徵值規律，以及所述多個低風險偏好類型的樣本使用者在該待驗證的設定變量下的特徵值規律。例如：所述特徵值規律包括：對多個特徵值進行求平均運算所得的均值，或多個特徵值的分佈區間等。 　　步驟232：如果所述高風險偏好類型對應的特徵值規律和所述低風險偏好類型對應的特徵值規律之間的差異符合設定條件，將所述待驗證的設定變量確定為影響使用者的風險偏好程度的設定變量。 　　其中，對於影響使用者的風險偏好程度的設定變量，“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律會呈現較大的差異，反之，若某設定變量對使用者的風險偏好程度不產生影響，則“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律會差異較小甚至幾乎相同。為此，可以設定用於衡量差異的設定條件，來判斷“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律差異是否滿足該設定條件，以最終確定出符合條件的設定變量。 　　例如，倘若待驗證的設定變量為“使用者在投資行為發生之前查看的金融產品的數目”，假設預先篩選的“高風險偏好類型”的8個使用者樣本在該設定變量下的特徵值分別為： 　　{3、1、4、10、5、6、1、3}； 　　假設預先篩選的“低風險偏好類型”的8個使用者樣本在該設定變量下的特徵值分別為： 　　{9、6、7、10、13、8、8、11}； 　　若定義的設定條件為：“高風險偏好類型”的使用者樣本在該設定變量下的各特徵值的均值x和“低風險偏好類型”的使用者樣本在該設定變量下的各特徵值的均值y之間的差值大於4。 　　透過計算，得出x=4.15，y=9，可見，滿足上述設定條件，可確定“使用者在投資行為發生之前查看的金融產品的數目”為影響使用者的風險偏好程度的設定變量。 　　在另一可選的實施例中，上述步驟23也可以具體透過如下過程來實現： 　　分別統計大於設定臨限值的特徵值在所述多個樣本使用者中分佈情況，並根據分佈情況來確定該設定變量是否為影響使用者的風險偏好程度的設定變量。 　　例如，在上述例子中，如設定臨限值為5，則統計得出，大於5的特徵值的分佈情況為：2個“高風險偏好類型”的樣本使用者以及8個“低風險偏好類型”的樣本使用者，可見，該設定變量對應的特徵值在兩種類型的使用者樣本上的分佈情況存在明顯的不均勻，表明該設定變量對使用者風險偏好產生較大的影響，可將其確定為影響使用者的風險偏好程度的設定變量。 　　當然，在可選的其他實施例中，可以根據人為經驗來設計一種或多種影響使用者的風險偏好程度的設定變量。 　　透過以上技術方案可以看出，透過獲得使用者的使用者資料，並根據使用者資料確定使用者在多個預設的設定變量中每個設定變量下的特徵值，再利用預設的風險偏好模型確定出使用者的風險偏好指數，以根據該風險偏好指數衡量使用者的風險偏好程度。上述過程得到的結果準確性高，且效率高。此外，本申請案實施例可以根據使用者資料的不斷更新，獲取到最新產生的使用者資料，並根據最新的資料來計算出使用者的風險偏好指數，確保資料具備更強的時效性。本申請案實施例涉及的風險偏好模型所用到的所有設定變量均為客觀事實，衡量的是使用者真實發生的行為，幾乎沒有造假的空間。 　　上述方法的一種示例性應用情境為：根據使用者的風險偏好指數來推薦合適的金融產品資訊。相應地，本申請案實施例還提出一種資訊推薦方法，包括： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述設定變量影響使用者的風險偏好程度； 　　根據所述特徵值確定所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低； 　　根據所述使用者的風險偏好指數，向所述使用者推薦與所述風險偏好指數相匹配的理財產品資訊。 　　當然，上述確定使用者風險偏好的方法還可應用於其他情境，本文不作列舉。 　　圖4示出了一示例性實施例提供的一種電子設備的結構。如圖4所示，所述電子設備可以為電腦設備(如支付平台伺服器或理財平台伺服器等)，該電子設備可以包括處理器、匯流排、網路介面、記憶體(包括記憶體以及非揮發性記憶體)，當然還可能包括其他業務所需要的硬體。處理器從非揮發性記憶體中讀取對應的電腦程式到記憶體中然後執行。當然，除了軟體實現方式之外，本申請案並不排除其他實現方式，比如邏輯器件抑或軟硬體結合的方式等等，也就是說以下處理流程的執行主體並不限定於各個邏輯單元，也可以是硬體或邏輯器件。 　　如圖5所示，在一實施例中，一種確定使用者風險偏好的裝置200包括： 　　獲取單元201，獲取使用者在涉及風險的業務中產生的使用者資料； 　　第一確定單元202，根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述設定變量影響使用者的風險偏好程度； 　　第二確定單元203，根據所述特徵值確定所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　可選地，所述第二確定單元203將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數。 　　如圖6所示，在一實施例中，一種示例性情境中存在的系統可以包括：使用者設備100，與使用者設備交互的伺服器300，伺服器300連接的第一資料庫400，確定使用者的風險偏好程度的裝置200以及第二資料庫500。其中，使用者設備100上可以安裝具有投資理財業務的APP，伺服器300為該APP對應的平台伺服端，平台伺服端將使用者在參與涉及風險的業務過程中產生的使用者資料存放於第一資料庫400中，以備確定使用者的風險偏好程度的裝置200來獲取。其中，裝置200可以是存在於伺服器300上的一種以程式碼形式存在的虛擬裝置。當然，需說明的是，該裝置200也可以存在於另外一個電腦裝置上。當需要確定使用者的風險偏好程度時，該裝置200從上述第一資料庫400中獲取到所需要的使用者資料，並提取各設定變量的特徵值，輸入到預先提供的風險偏好模型，輸出使用者的風險偏好指數並存放於第二資料庫500中，以備各種應用情境下調用這些風險偏好指數。當然，上述第一資料庫400和第二資料庫500也可以是同一個資料庫，對此不作限制。 　　可選地，所述裝置200還包括： 　　樣本篩選單元，篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者； 　　第一獲取單元，獲取所述多個樣本使用者中每個樣本使用者在預設的多個設定變量中每個設定變量下的特徵值； 　　訓練單元，根據所述多個樣本使用者中每個樣本使用者在每個設定變量下的特徵值，以及每個樣本使用者對應的風險偏好類型，訓練出所述風險偏好模型；其中，所述風險偏好模型的輸入為所述多個設定變量中每個設定變量下的特徵值，所述風險偏好模型的輸出為使用者被分類為高風險偏好類型的可能性。 　　可選地，所述裝置200還包括： 　　第二獲取單元，對於任一待驗證的設定變量，獲取所述多個樣本使用者中每一樣本使用者在該待驗證的設定變量下的特徵值； 　　驗證單元，利用每一樣本使用者在該待驗證的設定變量下的特徵值及每一樣本使用者對應的風險偏好類型，驗證所述待驗證的設定變量是否為影響使用者的風險偏好程度的設定變量。 　　可選地，所述驗證單元具體包括： 　　規律確定單元，基於獲得的特徵值，確定所述多個高風險偏好類型的樣本使用者對應的第一特徵值規律，以及所述多個低風險偏好類型的樣本使用者對應的第二特徵值規律； 　　差異確定單元，確定所述第一特徵值規律和所述第二特徵值規律之間的差異； 　　相關變量確定單元，若所述差異符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量。 　　可選地，所述樣本篩選單元可至少透過如下兩種方式之一來篩選樣本： 　　①基於定義的高風險偏好規則和低風險偏好規則，將使用者資料符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將使用者資料符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。 　　②基於用於測試使用者風險偏好的實驗應用及定義的高風險偏好規則和低風險偏好規則，將在所述實驗應用中的行為符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將在所述實驗應用中的行為符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。 　　可選地，所述涉及風險的業務可以為網際網路理財業務。 　　在一實施例中，還提供一種基於上述確定使用者風險偏好的裝置200的資訊推薦裝置，包括： 　　獲取單元，獲取使用者在涉及風險的業務中產生的使用者資料； 　　第一確定單元，根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述設定變量影響使用者的風險偏好程度； 　　第二確定單元，根據所述特徵值確定所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低； 　　推薦單元，基於所述目標使用者的風險偏好指數，向所述目標使用者推薦與所述風險偏好指數匹配的金融產品資訊。 　　在本申請案一實施例中，還提供一種電腦設備，包括： 　　處理器； 　　用於儲存處理器可執行指令的記憶體； 　　所述處理器被配置為： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述設定變量影響使用者的風險偏好程度； 　　根據所述特徵值確定所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　在本申請案一實施例中，還提供一種電腦儲存媒體，其上儲存有可執行程式，所述程式被執行以實現如下步驟： 　　取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。 　　本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於電腦設備實施例、或裝置實施例、或電腦儲存媒體實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 　　上述實施例闡明的系統、裝置、模塊或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦，電腦的具體形式可以是個人電腦、膝上型電腦、蜂巢式電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。 　　為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本申請案時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。 　　本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或電腦程式產品。因此，本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 　　本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器，使得透過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。 　　這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。 　　這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上，使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。 　　在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 　　記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)和/或非揮發性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 　　電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模塊或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。 　　還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 　　本領域技術人員應明白，本申請案的實施例可提供為方法、系統或電腦程式產品。因此，本申請案可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本申請案可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 　　本申請案可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模塊。一般地，程式模塊包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分布式計算環境中實踐本申請案，在這些分布式計算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分布式計算環境中，程式模塊可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。 　　以上所述僅為本申請案的實施例而已，並不用於限制本申請案。對於本領域技術人員來說，本申請案可以有各種更改和變化。凡在本申請案的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本申請案的申請專利範圍之內。
101、102、103‧‧‧步驟
11、12、13‧‧‧步驟
21、22、23‧‧‧步驟
231、232‧‧‧步驟
201‧‧‧獲取單元
202‧‧‧第一確定單元
203‧‧‧第二確定單元
100‧‧‧使用者設備
200‧‧‧確定使用者的風險偏好程度的裝置
300‧‧‧伺服器
400‧‧‧第一資料庫
500‧‧‧第二資料庫
圖1為根據一示例性實施例示出的一種確定使用者風險偏好的方法的流程； 　　圖2為根據一示例性實施例示出的一種訓練風險偏好模型的過程； 　　圖3為根據一示例性實施例示出的一種確定與使用者的風險偏好程度有相關性的設定變量的過程； 　　圖4為根據一示例性實施例示出的一種電子設備的硬體結構； 　　圖5為根據一示例性實施例示出的一種確定使用者風險偏好的裝置的方塊圖； 　　圖6為根據一示例性實施例示出的一種系統架構。

Claims (14)

  1. 一種確定使用者風險偏好的方法，包括： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。
  2. 根據請求項1所述的方法，透過以下過程訓練出所述風險偏好模型： 　　篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者； 　　獲得所述多個樣本使用者中每個樣本使用者在預設的多個設定變量中每個設定變量下的特徵值； 　　根據獲得的特徵值及每個樣本使用者對應的風險偏好類型，訓練得到風險偏好模型，其中，所述風險偏好模型的輸入為所述多個設定變量中每個設定變量下的特徵值，所述風險偏好模型的輸出為使用者被分類為高風險偏好類型的可能性。
  3. 根據請求項1所述的方法，透過如下過程確定影響使用者的風險偏好程度的設定變量： 　　篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者； 　　對於待驗證的設定變量，獲得所述多個樣本使用者中每一樣本使用者在該待驗證的設定變量下的特徵值； 　　若獲得的特徵值符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量。
  4. 根據請求項3所述的方法，所述若獲得的特徵值符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量，包括： 　　基於獲得的特徵值，確定所述多個高風險偏好類型的樣本使用者對應的第一特徵值規律，以及所述多個低風險偏好類型的樣本使用者對應的第二特徵值規律； 　　確定所述第一特徵值規律和所述第二特徵值規律之間的差異； 　　若所述差異符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量。
  5. 根據請求項2或3所述的方法，所述篩選出多個樣本使用者，包括： 　　基於定義的高風險偏好規則和低風險偏好規則，將使用者資料符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將使用者資料符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者；和/或， 　　基於用於測試使用者風險偏好的實驗應用及定義的高風險偏好規則和低風險偏好規則，將在所述實驗應用中的行為符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將在所述實驗應用中的行為符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。
  6. 根據請求項1所述的方法，所述涉及風險的業務包括：存在資金損失風險的業務、和/或相關聯的事件存在風險的業務。
  7. 一種資訊推薦方法，包括： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低； 　　根據所述使用者的風險偏好指數，向所述使用者推薦與所述風險偏好指數相匹配的理財產品資訊。
  8. 一種確定使用者風險偏好的裝置，包括： 　　獲取單元，獲取使用者在涉及風險的業務中產生的使用者資料； 　　第一確定單元，根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　第二確定單元，將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。
  9. 根據請求項8所述的裝置，所述裝置還包括： 　　樣本篩選單元，篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者； 　　第一獲取單元，獲得所述多個樣本使用者中每個樣本使用者在預設的多個設定變量中每個設定變量下的特徵值； 　　模型訓練單元，根據獲得的特徵值及每個樣本使用者對應的風險偏好類型，訓練得到風險偏好模型，其中，所述風險偏好模型的輸入為所述多個設定變量中每個設定變量下的特徵值，所述風險偏好模型的輸出為使用者被分類為高風險偏好類型的可能性。
  10. 根據請求項8所述的裝置，所述裝置還包括： 　　樣本篩選單元，篩選出多個樣本使用者，所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者； 　　第二獲取單元，對於待驗證的設定變量，獲得所述多個樣本使用者中每一樣本使用者在該待驗證的設定變量下的特徵值； 　　驗證單元，若獲得的特徵值符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量。
  11. 根據請求項10所述的裝置，所述驗證單元包括： 　　規律確定單元，基於獲得的特徵值，確定所述多個高風險偏好類型的樣本使用者對應的第一特徵值規律，以及所述多個低風險偏好類型的樣本使用者對應的第二特徵值規律； 　　差異確定單元，確定所述第一特徵值規律和所述第二特徵值規律之間的差異； 　　相關變量確定單元，若所述差異符合設定規則，確定所述待驗證的設定變量為影響使用者的風險偏好程度的設定變量。
  12. 根據請求項9或10所述的方法，所述樣本篩選單元：基於定義的高風險偏好規則和低風險偏好規則，將使用者資料符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將使用者資料符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者；和/或， 　　所述樣本篩選單元：基於用於測試使用者風險偏好的實驗應用及定義的高風險偏好規則和低風險偏好規則，將在所述實驗應用中的行為符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者，將在所述實驗應用中的行為符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。
  13. 根據請求項8所述的裝置，所述涉及風險的業務包括：存在資金損失風險的業務、和/或相關聯的事件存在風險的業務。
  14. 一種電腦設備，包括： 　　處理器； 　　用於儲存處理器可執行指令的記憶體； 　　所述處理器被配置為： 　　獲取使用者在涉及風險的業務中產生的使用者資料； 　　根據所述使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值，所述多個設定變量中包括至少一個影響使用者的風險偏好程度的設定變量； 　　將所述使用者在每個設定變量下的特徵值輸入風險偏好模型，並將所述風險偏好模型的輸出確定為所述使用者的風險偏好指數，所述風險偏好指數用以衡量使用者的風險偏好程度的高低。
TW107109028A 2017-05-26 2018-03-16 確定使用者風險偏好的方法、資訊推薦方法及裝置 TW201842473A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710385292.9A CN107437198A (zh) 2017-05-26 2017-05-26 确定用户风险偏好的方法、信息推荐方法及装置
??201710385292.9 2017-05-26

Publications (1)

Publication Number Publication Date
TW201842473A true TW201842473A (zh) 2018-12-01

Family

ID=60458664

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107109028A TW201842473A (zh) 2017-05-26 2018-03-16 確定使用者風險偏好的方法、資訊推薦方法及裝置

Country Status (4)

Country Link
US (1) US10783457B2 (zh)
CN (1) CN107437198A (zh)
TW (1) TW201842473A (zh)
WO (1) WO2018214935A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI766187B (zh) * 2019-03-08 2022-06-01 開曼群島商創新先進技術有限公司 風險決策方法及裝置

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437198A (zh) * 2017-05-26 2017-12-05 阿里巴巴集团控股有限公司 确定用户风险偏好的方法、信息推荐方法及装置
CN108846758A (zh) * 2018-06-01 2018-11-20 苏州富源盈硕信息技术有限公司 基于游戏交互的智能投资顾问方法
CN109670960A (zh) * 2018-09-26 2019-04-23 深圳壹账通智能科技有限公司 产品数据的推送方法、装置、设备及存储介质
CN109636081A (zh) * 2018-09-29 2019-04-16 阿里巴巴集团控股有限公司 一种用户安全意识检测方法和装置
CN109559013A (zh) * 2018-10-18 2019-04-02 深圳壹账通智能科技有限公司 基于小游戏的风险测试方法及装置、电子设备及可读存储介质
CN109636510A (zh) * 2018-11-28 2019-04-16 阿里巴巴集团控股有限公司 一种确定用户风险偏好、理财产品的推荐方法和装置
CN112016985B (zh) * 2019-05-31 2023-10-27 京东方科技集团股份有限公司 用户身份识别方法及装置、电子设备、存储介质
CN110866681B (zh) * 2019-10-30 2022-04-19 支付宝(杭州)信息技术有限公司 一种风险信息推送策略的配置方法及装置
CN111179037B (zh) * 2019-12-31 2023-07-25 中国银行股份有限公司 理财产品的推荐方法及装置
US20220164885A1 (en) * 2020-11-24 2022-05-26 Joseph Gradante Method and system for fully-automated full spectrum dynamic efficient frontier investment allocation
CN112819379A (zh) * 2021-02-28 2021-05-18 广东电力交易中心有限责任公司 风险偏好信息的获取方法、系统、电子装置及存储介质
CN112990389B (zh) * 2021-05-18 2021-08-06 上海冰鉴信息科技有限公司 一种风控场景下的流量分层方法及装置
CN113628748A (zh) * 2021-08-16 2021-11-09 未鲲(上海)科技服务有限公司 用户风险承受倾向的评估方法、装置、设备及存储介质
CN114782150B (zh) * 2022-06-21 2022-09-13 北京梦幻天下科技有限公司 一种基于金融产品定向筛选的金融产品推荐方法和系统
CN116308738B (zh) * 2023-02-10 2024-03-08 之江实验室 一种模型训练的方法、业务风控的方法及装置

Family Cites Families (93)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5644727A (en) 1987-04-15 1997-07-01 Proprietary Financial Products, Inc. System for the operation and management of one or more financial accounts through the use of a digital communication and computation system for exchange, investment and borrowing
AU1999392A (en) 1991-06-04 1993-01-08 S.E.I. Corporation Methods and systems for financing and investing using income growth securities
AU5530196A (en) 1995-03-30 1996-10-16 Hogan Systems, Inc. Method of and system for determining and assessing credit ri sks
US6021397A (en) 1997-12-02 2000-02-01 Financial Engines, Inc. Financial advisory system
US7016870B1 (en) 1997-12-02 2006-03-21 Financial Engines Identifying a recommended portfolio of financial products for an investor based upon financial products that are available to the investor
US6430542B1 (en) 1998-08-26 2002-08-06 American Express Financial Corporation Computer-implemented program for financial planning and advice system
US20040019560A1 (en) 1999-03-12 2004-01-29 Evans Scott L. System and method for debt presentment and resolution
AUPP961599A0 (en) 1999-04-07 1999-04-29 Ps & Jag Pty Ltd Compliance monitoring for anomaly detection
US20030088489A1 (en) * 1999-12-13 2003-05-08 Optimizeusa.Com Automated investment advisory software and method
US7016873B1 (en) 2000-03-02 2006-03-21 Charles Schwab & Co., Inc. System and method for tax sensitive portfolio optimization
WO2002005153A2 (en) 2000-07-07 2002-01-17 2020Me Holdings Ltd. System, method and medium for facilitating transactions over a network
US8429051B1 (en) 2001-01-19 2013-04-23 Robert K. Samson Investment guidance system which enables individuals to rate and select assets based on personal investment preferences
US7272575B2 (en) 2001-07-13 2007-09-18 Lilly Mae Vega Method and system for facilitating service transactions
KR20040019378A (ko) 2001-07-31 2004-03-05 아메리칸 익스프레스 트레블 릴레이티드 서비스즈 컴퍼니, 아이엔씨. 재정 계획 및 자문 제공 시스템 및 방법
US7730063B2 (en) 2002-12-10 2010-06-01 Asset Trust, Inc. Personalized medicine service
US20060020526A1 (en) 2002-02-28 2006-01-26 Victor Viner Investment portfolio analysis system
US20030065241A1 (en) 2002-08-27 2003-04-03 Joerg Hohnloser Medical risk assessment system and method
US7747525B2 (en) 2002-11-04 2010-06-29 The Western Union Company Systems and methods for customizing mortgage characteristics
US8090594B2 (en) 2002-11-04 2012-01-03 The Western Union Company Systems and methods for directing recurring financial transfer operations
WO2004055621A2 (en) 2002-11-25 2004-07-01 Joel Jameson Optimal scenario forecasting, risk sharing, and risk trading
US8306908B1 (en) 2002-12-31 2012-11-06 West Corporation Methods and apparatus for intelligent selection of goods and services in telephonic and electronic commerce
GB2413875A (en) 2003-01-23 2005-11-09 Jr Frank Duane Lortscher System and method for generating transaction based recommendations
US7801758B2 (en) 2003-12-12 2010-09-21 The Pnc Financial Services Group, Inc. System and method for conducting an optimized customer identification program
WO2005119534A1 (en) 2004-06-01 2005-12-15 Transcon Securities Pty Ltd A system and method for analysing risk associated with an investment portfolio
US20060020531A1 (en) 2004-07-21 2006-01-26 Veeneman David C Risk return presentation method
US20070011071A1 (en) 2005-06-23 2007-01-11 Cuscovitch Samuel T Systems and methods for strategic financial independence planning
US20070016542A1 (en) 2005-07-01 2007-01-18 Matt Rosauer Risk modeling system
US8874477B2 (en) 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method
US20070271166A1 (en) 2006-04-17 2007-11-22 Blips Partners, Llc System and method for creating an investment policy statement
US20070255638A1 (en) 2006-05-01 2007-11-01 Peng Chen System and method for allocating investor wealth to at least one risky asset and life insurance
US8768810B2 (en) 2006-05-19 2014-07-01 Gerd Infanger Dynamic asset allocation using stochastic dynamic programming
US20110046970A1 (en) 2006-06-23 2011-02-24 Craig Fontenot Electronic Client Data Acquisition and Analysis System
US8200527B1 (en) 2007-04-25 2012-06-12 Convergys Cmg Utah, Inc. Method for prioritizing and presenting recommendations regarding organizaion's customer care capabilities
CA2588347A1 (en) 2007-05-11 2008-11-11 Presage Group Inc. Method for assessing and communicating organizational human error risk
US20090018969A1 (en) * 2007-06-07 2009-01-15 Ian Ayres Systems and methods for providing investment strategies
US8086525B2 (en) 2007-10-31 2011-12-27 Equifax, Inc. Methods and systems for providing risk ratings for use in person-to-person transactions
CN101493913A (zh) * 2008-01-23 2009-07-29 阿里巴巴集团控股有限公司 一种评估网上用户信用的方法及系统
WO2010003137A1 (en) 2008-07-02 2010-01-07 Cake Financial Corporation Systems and methods for providing investment performance data to investors
CN101685526A (zh) 2008-09-28 2010-03-31 阿里巴巴集团控股有限公司 一种贷款准入评估方法和系统
TW201025177A (en) 2008-12-19 2010-07-01 Folion Financial Technology Co Ltd Money investment simulation system based on investment analysis, and combination of time compression and event schedule
US8799150B2 (en) 2009-09-30 2014-08-05 Scorelogix Llc System and method for predicting consumer credit risk using income risk based credit score
US20110161110A1 (en) 2009-10-06 2011-06-30 Mault James R System And Method For An Online Platform Distributing Condition Specific Programs Used For Monitoring The Health Of A Participant And For Offering Health Services To Participating Subscribers
US9773288B2 (en) * 2009-11-17 2017-09-26 Endera Systems, Llc Radial data visualization system
US20120278258A1 (en) 2009-12-24 2012-11-01 Amir Ayal Means and method of investment portfolio management
US20110251978A1 (en) 2010-03-24 2011-10-13 Gregory Bryn Davies Methods and systems for assessing financial personality
US20110270780A1 (en) 2010-03-24 2011-11-03 Gregory Bryn Davies Methods and systems for assessing financial personality
US8694401B2 (en) 2011-01-13 2014-04-08 Lenddo, Limited Systems and methods for using online social footprint for affecting lending performance and credit scoring
CN102117469A (zh) 2011-01-18 2011-07-06 中国工商银行股份有限公司 一种对信用风险进行评估的系统和方法
US20130138555A1 (en) 2011-11-30 2013-05-30 Rawllin International Inc. System and method of interpreting results based on publicly available data
US20140074688A1 (en) 2012-09-13 2014-03-13 Rawllin International Inc. Behavioral based score
US20150295808A1 (en) 2012-10-31 2015-10-15 Matt O'Malley System and method for dynamically monitoring, analyzing, managing, and alerting packet data traffic and applications
US20140142988A1 (en) 2012-11-21 2014-05-22 Hartford Fire Insurance Company System and method for analyzing privacy breach risk data
US20140195412A1 (en) 2013-01-04 2014-07-10 Michael Sidney METZ Increased efficiency for underwriting loans
WO2014117149A1 (en) 2013-01-28 2014-07-31 Seniorlink Incorporated Managing the care of a client in a care management system
US20140244476A1 (en) 2013-02-26 2014-08-28 Rawllin International Inc. Continuous dialog to reduce credit risks
CN103208081A (zh) 2013-03-01 2013-07-17 杭州智才广赢信息技术有限公司 一种投融资风险评估方法
US20140279693A1 (en) 2013-03-14 2014-09-18 Jemstep, Inc. Goal-Based Portfolio Management System
US20150161738A1 (en) * 2013-12-10 2015-06-11 Advanced Insurance Products & Services, Inc. Method of determining a risk score or insurance cost using risk-related decision-making processes and decision outcomes
US20150161733A1 (en) 2013-09-25 2015-06-11 Fmr Llc Life Cycle Based Portfolio Construction Platform Apparatuses, Methods and Systems
US20150095150A1 (en) 2013-09-30 2015-04-02 The Toronto-Dominion Bank Systems and methods for administering investment portfolios based on transaction data
US20150227869A1 (en) 2014-02-10 2015-08-13 Bank Of America Corporation Risk self-assessment tool
US20150227868A1 (en) 2014-02-10 2015-08-13 Bank Of America Corporation Risk self-assessment process configuration using a risk self-assessment tool
US9524466B2 (en) * 2014-06-16 2016-12-20 International Business Machines Corporation Automated multi-objective solution selection
US10424019B2 (en) 2014-09-15 2019-09-24 Aesthetic Integration Limited System and method for modeling and verifying financial trading platforms
US11227335B2 (en) 2014-10-19 2022-01-18 Robert M. Hayden Direct-to-consumer financial analysis and advisor comparison system
CN104318268B (zh) 2014-11-11 2017-09-08 苏州晨川通信科技有限公司 一种基于局部距离度量学习的多交易账户识别方法
US10445152B1 (en) 2014-12-19 2019-10-15 Experian Information Solutions, Inc. Systems and methods for dynamic report generation based on automatic modeling of complex data structures
US20160247232A1 (en) 2015-02-20 2016-08-25 Xerox Corporation Efficient methods for predictive action strategy optimization for risk driven multi-channel communication
US20160267595A1 (en) 2015-03-10 2016-09-15 Bank Of America Corporation Financial wellness system
US11069430B2 (en) 2015-07-02 2021-07-20 ZYUS Life Sciences US Ltd. Patient state representation architectures and uses thereof
US20170024821A1 (en) 2015-07-21 2017-01-26 Tectonic Advisors, LLC Predictive, integrated software designed to optimize human and financial capital over life of user
CN106469376B (zh) * 2015-08-20 2021-12-03 创新先进技术有限公司 一种风险控制方法和设备
CN106503562A (zh) 2015-09-06 2017-03-15 阿里巴巴集团控股有限公司 一种风险识别方法及装置
CN105303445A (zh) 2015-11-04 2016-02-03 中国农业大学 农业投融资平台风险评估装置及系统
TWI584215B (zh) 2015-12-31 2017-05-21 玉山商業銀行股份有限公司 監控可疑交易的方法
US20170200220A1 (en) 2016-01-07 2017-07-13 Tangerine Bank Performance of a remotely managed customer service system
US20170221078A1 (en) 2016-02-02 2017-08-03 International Business Machines Corporation Dynamic generation of survey questions from context based rules
CN105843909A (zh) 2016-03-24 2016-08-10 上海诺亚投资管理有限公司 金融信息的推送方法及装置
US9721296B1 (en) * 2016-03-24 2017-08-01 Www.Trustscience.Com Inc. Learning an entity's trust model and risk tolerance to calculate a risk score
TWI578252B (zh) 2016-04-08 2017-04-11 Network buy the whole single system
CN106022924A (zh) 2016-05-13 2016-10-12 中国建设银行股份有限公司 一种适用于客户风险评估的信息处理方法和系统
CN105930983A (zh) 2016-05-13 2016-09-07 中国建设银行股份有限公司 一种银行业资产管理系统
US20190213660A1 (en) 2016-05-24 2019-07-11 Wallupt, Inc. Systems and methods for providing user-specific results based on test-drive of product or service
CN106056241A (zh) * 2016-05-26 2016-10-26 中国太平洋保险（集团）股份有限公司 一种基于大数据预测用户行为的控制方法及装置
CN106056407A (zh) * 2016-06-03 2016-10-26 北京网智天元科技股份有限公司 基于用户行为分析的网银用户画像方法及设备
US10366378B1 (en) 2016-06-30 2019-07-30 Square, Inc. Processing transactions in offline mode
CN106127576A (zh) 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于用户行为的银行风险评估系统
CN106875206A (zh) 2016-07-18 2017-06-20 阿里巴巴集团控股有限公司 信息获取、评估、问卷调查方法、装置及服务器
US10357713B1 (en) * 2016-08-05 2019-07-23 Wells Fargo Bank, N.A. Utilizing gaming behavior to evaluate player traits
CN106485585A (zh) 2016-09-29 2017-03-08 上海陆家嘴国际金融资产交易市场股份有限公司 用于等级评定的方法及系统
CN107437198A (zh) * 2017-05-26 2017-12-05 阿里巴巴集团控股有限公司 确定用户风险偏好的方法、信息推荐方法及装置
CN107203939A (zh) 2017-05-26 2017-09-26 阿里巴巴集团控股有限公司 确定用户风险等级的方法及装置、计算机设备
CN107403381A (zh) 2017-05-27 2017-11-28 阿里巴巴集团控股有限公司 用于风险测评的数据采集方法及装置和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI766187B (zh) * 2019-03-08 2022-06-01 開曼群島商創新先進技術有限公司 風險決策方法及裝置

Also Published As

Publication number Publication date
US10783457B2 (en) 2020-09-22
CN107437198A (zh) 2017-12-05
US20200090077A1 (en) 2020-03-19
WO2018214935A1 (zh) 2018-11-29

Similar Documents

Publication Publication Date Title
TWI679604B (zh) 確定使用者風險等級的方法及裝置、電腦設備
US10783457B2 (en) Method for determining risk preference of user, information recommendation method, and apparatus
US7519562B1 (en) Automatic identification of unreliable user ratings
US10726377B2 (en) Task similarity clusters for worker assessment
US10860742B2 (en) Privacy risk information display
US8731983B2 (en) System and method for designing effective business policies via business rules analysis
US10832250B2 (en) Long-term short-term cascade modeling for fraud detection
CN112734559B (zh) 企业信用风险评价方法、装置及电子设备
EP1361526A1 (en) Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value
Burnie Exploring the interconnectedness of cryptocurrencies using correlation networks
CN111967779A (zh) 一种风险评估方法、装置及设备
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
JP2020501232A (ja) リスク制御イベント自動処理の方法および装置
CN111260368A (zh) 一种账户交易风险判断方法、装置及电子设备
US20140236796A1 (en) System and method for evaluating financial trading strategies
JP2021043840A (ja) 会計監査支援装置、会計監査支援方法及び会計監査支援プログラム
CN112200402B (zh) 一种基于风险画像的风险量化方法、装置及设备
Aydemir et al. A dimension reduction approach to player rankings in European football
Jorgensen et al. Not so fair: The impact of presumably fair machine learning models
US20220067460A1 (en) Variance Characterization Based on Feature Contribution
De Andrés et al. Using nonlinear quantile regression for the estimation of software cost
Chatterjee et al. An integrated fuzzy cognitive map approach in modelling factors of management quality in banking performance
CN109993529B (zh) 去中心化应用程序的评测方法、装置及电子设备
CN110766544A (zh) 信用风险的检测方法及装置、存储介质、电子装置
Mertová The Impact of News on Videogame Stock Market Prices and Volatility