TWM650496U - 基於大型語言模型的信用卡推薦系統 - Google Patents
基於大型語言模型的信用卡推薦系統 Download PDFInfo
- Publication number
- TWM650496U TWM650496U TW112209559U TW112209559U TWM650496U TW M650496 U TWM650496 U TW M650496U TW 112209559 U TW112209559 U TW 112209559U TW 112209559 U TW112209559 U TW 112209559U TW M650496 U TWM650496 U TW M650496U
- Authority
- TW
- Taiwan
- Prior art keywords
- credit card
- training
- card recommendation
- trained
- recommendation system
- Prior art date
Links
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000393496 Electra Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種基於大型語言模型的信用卡推薦系統包括一銀行伺服器及一信用卡推薦伺服器。銀行伺服器包含一客戶資料庫。信用卡推薦伺服器連接至銀行伺服器，其中該信用卡推薦伺服器包含一大型語言訓練單元，該大型語言訓練單元從該客戶資料庫獲取客戶資料進行訓練。
Description
本新型是有關於一種信用卡推薦系統。
目前的信用卡市場發展蓬勃，金融機構不斷推陳出新，不但數量眾多，各張信用卡的優惠項目及使用限制等更是琳瑯滿目，常讓使用者在尋找適合自己之信用卡的過程中耗費大量的時間及精神。
一般的信用卡商品推薦系統是依照使用者個人需求篩選信用卡屬性或規格後，再依照某種價值做排序後推薦給使用者。
然而，對使用者而言，其通常考量的不會僅根據單一條件之優劣即決定是否申辦一張信用卡，通常都有綜合考量，且自然也希望信用卡能提供多方的優惠，或者也會有個人的偏好。因此顯然需要更符合現代人需求的信用卡商品推薦機制。
本案的一實施態樣係提供一種基於大型語言模型的信用卡推薦系統，其包括一銀行伺服器及一信用卡推薦伺服器。銀行伺服器包含一客戶資料庫。信用卡推薦伺服器連接至銀行伺服器，其中該信用卡推薦伺服器包含一大型語言訓練單元，該大型語言訓練單元從該客戶資料庫獲取客戶資料進行訓練。
在一些實施例中，該信用卡推薦伺服器還包含一信用卡商品資料庫，該大型語言訓練單元從該信用卡商品資料庫獲取信用卡資料進行訓練。
在一些實施例中，該信用卡推薦伺服器還包含一訓練成果資料庫，該大型語言訓練單元用以將已訓練的客戶資料或已訓練的信用卡資料儲存於該訓練成果資料庫。
在一些實施例中，該信用卡推薦伺服器還包含一訓練成果資料庫，該大型語言訓練單元用以將已訓練的客戶資料儲存於該訓練成果資料庫。
在一些實施例中，該銀行伺服器包含一網路介面卡用以與一客戶端電子裝置連接並接收一信用卡推薦需求。
在一些實施例中，該銀行伺服器包含一記憶體用以暫存該信用卡推薦需求。
在一些實施例中，該銀行伺服器包含一處理器用以根據該信用卡推薦需求，從該訓練成果資料庫篩選該已訓練的客戶資料或該已訓練的信用卡資料。
在一些實施例中，該銀行伺服器包含一儲存裝置用以儲存已篩選的該已訓練的客戶資料或該已訓練的信用卡資料。
在一些實施例中，該處理器用以根據該已篩選的該已訓練的客戶資料或該已訓練的信用卡資料向該客戶端電子裝置發送信用卡推薦訊息。
在一些實施例中，該大型語言訓練單元包含圖形處理單元或張量處理單元以進行客戶資料訓練或信用卡資料訓練。
本案揭露之基於大型語言模型的信用卡推薦系統包含個性化建議、自動化處理、擴展性及自然語言理解等優點，利用大型語言模型技術進行客戶行為分析，通過對客戶的歷史消費、興趣、偏好、行為等數據進行分析，推算出最符合客戶需求的信用卡產品。再根據客戶的喜好，向其發送定制化的行銷郵件、簡訊或推播，提供特定的信用卡產品和優惠，從而提高客戶的轉換率和忠誠度。
以下將以圖式及詳細敘述清楚說明本案之精神，任何所屬技術領域中具有通常知識者在瞭解本案之實施例後，當可由本案所教示之技術，加以改變及修飾，其並不脫離本案之精神與範圍。
本文之用語只為描述特定實施例，而無意為本案之限制。單數形式如「一」、「這」、「此」、「本」以及「該」，如本文所用，同樣也包含複數形式。
關於本文中所使用之『包含』、『包括』、『具有』、『含有』等等，均為開放性的用語，即意指包含但不限於。
本案之大樓管理系統是一種集成的技術解決方案，旨在協助大樓的管理和運營，從而提高效率、節省成本並提供更好的使用者體驗。大樓管理系統的架構由多個重要組件組成，以下將參照圖式更詳細地擴展闡述。
請同時參照第1、2圖，第1圖繪示根據本案一些實施例之基於大型語言模型的信用卡推薦系統100的硬體配置圖，第2圖繪示根據本案一些實施例之基於大型語言模型的信用卡推薦系統運作的方法200。基於大型語言模型的信用卡推薦系統100包括一銀行伺服器120及一信用卡推薦伺服器130。銀行伺服器120包含一客戶資料庫129。信用卡推薦伺服器130連接至銀行伺服器120，其中信用卡推薦伺服器130包含一大型語言訓練單元132，大型語言訓練單元132從客戶資料庫129獲取客戶資料進行訓練。銀行伺服器120藉由其網路介面卡122、處理器124、記憶體126和儲存裝置128執行交易動作的過程通常包括以下步驟。
身份驗證： 使用者發起匯款動作時，金融機構的系統會先進行身份驗證，確保使用者是合法的帳戶持有人，並具有執行該匯款的授權。
授權確認： 當身份驗證通過後，系統會檢查使用者是否有足夠的餘額或授信額度來執行匯款。這可能涉及到帳戶餘額檢查、信用額度確認等步驟。
交易創建：系統根據使用者提供的匯款資訊，如受款人資訊、金額等，創建一筆交易記錄。
交易審核：有些金融機構會進行交易審核，以確保交易的合法性和安全性。這可能包括風險評估、反洗錢檢查等程序。
資金轉移：一旦交易經過驗證和審核，系統會啟動資金轉移的過程。這涉及將款項從匯款人的帳戶轉移到受款人的帳戶。
交易記錄更新：系統會更新帳戶的交易記錄，包括扣除匯款金額、記錄匯款相關資訊等。
通知和確認：一旦匯款完成，系統可能會發出通知給匯款人，確認交易已成功完成。
交易動作的整個過程中，銀行伺服器120的處理器124負責執行各項操作的邏輯，記憶體126和儲存裝置128用於保存交易和帳戶資訊，網路介面卡122則用於與其他系統、銀行或支付網路進行通信，以實現資金轉移和資訊交換。
基於大型語言模型的信用卡推薦系統100另包含一信用卡推薦伺服器130以加強其信用卡推薦的功能。所謂的「大型語言模型」是指擁有大量參數和龐大語料庫訓練而成的自然語言處理模型。這些模型可以理解和生成自然語言文本，包括文字生成、機器翻譯、問答系統等應用。它們以深度學習技術為基礎，通常使用遞歸神經網絡（RNN）或變換器模型（如Transformer）等架構。常見的大型語言模型可例如GPT-3（Generative Pre-trained Transformer 3）：由OpenAI開發的，具有1.75萬億個參數的模型，是最大的語言模型之一；BERT（Bidirectional Encoder Representations from Transformers）：由Google開發，以雙向訓練方式預訓練，適用於多種自然語言處理任務；T5（Text-to-Text Transfer Transformer）：Google的一個模型，採用統一的文本輸入和輸出格式，適用於多種任務，如翻譯、摘要等；XLNet：由紐約大學和谷歌AI團隊聯合開發，基於Transformer架構，利用順序建模和反向順序建模訓練；RoBERTa：Facebook AI基於BERT進行了進一步的優化和訓練，取得了在多個自然語言處理任務上的出色表現； Turing-NLG：由Microsoft開發，具有拓展的自然語言生成能力；ELECTRA：一種更加節省計算資源的模型，通過替換遮罩語言模型的訓練方法以提高效率；及GPT-4（Generative Pre-trained Transformer 4）等。
信用卡推薦伺服器130之大型語言訓練單元132通常需要強大的硬體資源以進行大型語言模型的訓練。大型語言訓練單元132可包含括以下主要元件。
高效的圖形處理單元（GPU）或張量處理單元（TPU）是訓練大型語言模型所需的核心硬體。這些硬體加速器可以處理大量矩陣運算，加快訓練速度。通常，越多的GPU或TPU越有助於更快速的訓練。
大容量記憶體：大型語言模型需要大量的記憶體來儲存模型參數和中間計算結果。因此，高容量的GPU或TPU之記憶體是必要的。
快速存儲：高速存儲（如固態硬碟SSD）用於儲存和讀取大型數據集，以減少輸入輸出等待時間，提高訓練效率。
高效的中央處理器（CPU）：雖然大部分計算在GPU或TPU上進行，但中央處理器仍然在訓練過程中扮演重要角色，用於數據的預處理、參數更新等操作。
冷卻系統：大型模型的訓練會產生大量熱量，需要有效的冷卻系統來確保硬體不過熱。
電源供應：大型語言模型訓練過程需要大量電能，因此需要穩定且足夠的電源供應。
管理軟體：通常需要用於管理和監視硬體資源的軟體，以確保訓練過程的穩定性和效率。
在本新型的一些實施例中，信用卡推薦伺服器130還包含一信用卡商品資料庫134，大型語言訓練單元132從信用卡商品資料庫134獲取信用卡資料進行訓練。
在本新型的一些實施例中，信用卡推薦伺服器130還包含一訓練成果資料庫136，大型語言訓練單元132用以將已訓練的客戶資料或已訓練的信用卡資料儲存於訓練成果資料庫136。
在本新型的一些實施例中，銀行伺服器120包含一網路介面卡122用以與一客戶端電子裝置110連接並接收一信用卡推薦需求。
在本新型的一些實施例中，銀行伺服器120包含一記憶體126用以暫存客戶端電子裝置110所發送的信用卡推薦需求。
在本新型的一些實施例中，銀行伺服器120包含一處理器124用以根據信用卡推薦需求，從訓練成果資料庫136篩選已訓練的客戶資料或已訓練的信用卡資料。
在本新型的一些實施例中，銀行伺服器120包含一儲存裝置128用以儲存已篩選的已訓練的客戶資料或已訓練的信用卡資料。
在本新型的一些實施例中，處理器124還用以根據已篩選的已訓練的客戶資料或已訓練的信用卡資料向客戶端電子裝置110發送信用卡推薦訊息。
在本新型的一些實施例中，大型語言訓練單元132包含圖形處理單元或張量處理單元以進行客戶資料訓練或信用卡資料訓練。
請參照第2圖之信用卡推薦系統運作的方法200。在方法200之步驟202中，大型語言訓練單元132從客戶資料庫129獲取資料進行訓練。
在方法200之步驟204中，大型語言訓練單元132從信用卡商品資料庫134獲取資料進行訓練。步驟202與步驟204可需求同時或交替進行。
在方法200之步驟206中，大型語言訓練單元132將已訓練模型及/或已訓練資料儲存於訓練成果資料庫136。
在方法200之步驟208中，根據客戶端需求（例如客戶端電子裝置110所發送的信用卡推薦需求），使用已訓練模型及/或已訓練資料進行信用卡推薦（例如處理器124根據信用卡推薦需求從訓練成果資料庫136篩選已訓練的客戶資料或已訓練的信用卡資料，並據以向客戶端電子裝置110發送信用卡推薦訊息）。
要使用信用卡推薦伺服器130的大型語言訓練單元132、信用卡商品資料庫134和訓練成果資料庫136，以加強信用卡推薦功能並與客戶資料庫129配合，可進行以下步驟。
首先，將客戶資料庫129中的客戶資訊提取出來，包括個人資料、交易歷史、信用評分等。這些資訊將成為推薦系統的基礎。
將信用卡商品資料庫134中的各種信用卡產品資訊整合進系統。這包括每張信用卡的利率、年費、獎勵計畫、優惠等相關資訊。
利用大型語言訓練模型：使用大型語言訓練單元132來處理自然語言輸入。客戶可以以自然語言形式提出問題，例如「我需要一張低利率的信用卡」或「我想要帶來旅遊獎勵的信用卡」。模型可以理解這些問題並生成相應的回答或建議。
個性化推薦：基於客戶資料和信用卡商品資料，系統可以使用機器學習算法來生成個性化的信用卡推薦。這包括匹配客戶的信用評分、支出習慣、需求和信用卡的特點。
更新訓練成果資料庫：根據客戶的回饋和交易歷史，定期更新訓練成果資料庫136，以改善模型的預測能力和客戶推薦。
監控和安全性：確保系統的運作安全，特別關注客戶資料的隱私保護和安全性。遵循相關法規和法律要求。
用戶互動：提供用戶友好的界面，以便他們能夠輕鬆查詢信用卡資訊、提出問題，並接受信用卡建議。
這種整合可以提供一個更智能和個性化的信用卡推薦服務，幫助客戶更好地選擇最適合他們需求的信用卡。同時，這也需要持續的監控和維護，以確保系統保持高水準的性能和安全性。
綜合以上，本案揭露之基於大型語言模型的信用卡推薦系統包含以下的優點：
個性化建議：大型語言模型可以根據客戶的特定需求和優惠來提供高度個性化的信用卡建議，這有助於提高客戶滿意度和信用卡申請成功率。
自動化處理：這種方法可以自動處理大量的客戶資料，節省了時間和人力成本，同時確保建議是基於最新的市場條件和客戶資訊。
擴展性：大型語言模型可以應對不斷變化的市場趨勢和產品資訊，因此可以更輕鬆地擴展到不同的信用卡產品和市場。
自然語言理解：它可以理解客戶的自然語言輸入，這使得客戶可以更輕鬆地提出問題和疑慮，並得到相應的回答。
雖然本案以實施例揭露如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。
100:信用卡推薦系統
110:客戶端電子裝置
120:銀行伺服器
122:網路介面卡
124:處理器
126:記憶體
128:儲存裝置
129:客戶資料庫
130:信用卡推薦伺服器
132:大型語言訓練單元
134:信用卡商品資料庫
136:訓練成果資料庫
200:方法
202:步驟
204:步驟
206:步驟
208:步驟
此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本新型的實施例，並與說明書一起用於說明本新型實施例的技術方案。
第1圖繪示根據本案一些實施例之基於大型語言模型的信用卡推薦系統的硬體配置圖。
第2圖繪示根據本案一些實施例之基於大型語言模型的信用卡推薦系統運作的方法。
100:信用卡推薦系統
110:客戶端電子裝置
120:銀行伺服器
122:網路介面卡
124:處理器
126:記憶體
128:儲存裝置
129:客戶資料庫
130:信用卡推薦伺服器
132:大型語言訓練單元
134:信用卡商品資料庫
136:訓練成果資料庫
Claims (10)
- 一種基於大型語言模型的信用卡推薦系統，包括：一銀行伺服器，包含一客戶資料庫；以及一信用卡推薦伺服器，連接至該銀行伺服器，其中該信用卡推薦伺服器包含一大型語言訓練單元，該大型語言訓練單元從該客戶資料庫獲取客戶資料進行訓練。
- 如請求項1所述之信用卡推薦系統，其中該信用卡推薦伺服器還包含一信用卡商品資料庫，該大型語言訓練單元從該信用卡商品資料庫獲取信用卡資料進行訓練。
- 如請求項2所述之信用卡推薦系統，其中該信用卡推薦伺服器還包含一訓練成果資料庫，該大型語言訓練單元用以將已訓練的客戶資料或已訓練的信用卡資料儲存於該訓練成果資料庫。
- 如請求項1所述之信用卡推薦系統，其中該信用卡推薦伺服器還包含一訓練成果資料庫，該大型語言訓練單元用以將已訓練的客戶資料儲存於該訓練成果資料庫。
- 如請求項3所述之信用卡推薦系統，其中 該銀行伺服器包含一網路介面卡用以與一客戶端電子裝置連接並接收一信用卡推薦需求。
- 如請求項5所述之信用卡推薦系統，其中該銀行伺服器包含一記憶體用以暫存該信用卡推薦需求。
- 如請求項6所述之信用卡推薦系統，其中該銀行伺服器包含一處理器用以根據該信用卡推薦需求，從該訓練成果資料庫篩選該已訓練的客戶資料或該已訓練的信用卡資料。
- 如請求項7所述之信用卡推薦系統，其中該銀行伺服器包含一儲存裝置用以儲存已篩選的該已訓練的客戶資料或該已訓練的信用卡資料。
- 如請求項8所述之信用卡推薦系統，其中該處理器用以根據該已篩選的該已訓練的客戶資料或該已訓練的信用卡資料向該客戶端電子裝置發送信用卡推薦訊息。
- 如請求項1或請求項2所述之信用卡推薦系統，其中該大型語言訓練單元包含圖形處理單元或張量處理單元以進行客戶資料訓練或信用卡資料訓練。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112209559U TWM650496U (zh) | 2023-09-05 | 2023-09-05 | 基於大型語言模型的信用卡推薦系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112209559U TWM650496U (zh) | 2023-09-05 | 2023-09-05 | 基於大型語言模型的信用卡推薦系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM650496U true TWM650496U (zh) | 2024-01-11 |
Family
ID=90456199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112209559U TWM650496U (zh) | 2023-09-05 | 2023-09-05 | 基於大型語言模型的信用卡推薦系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM650496U (zh) |
-
2023
- 2023-09-05 TW TW112209559U patent/TWM650496U/zh unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11170433B2 (en) | Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations | |
| Zheng et al. | FinBrain: when finance meets AI 2.0 | |
| CN107659548A (zh) | 一种基于事件的流程处理方法及装置和客户端 | |
| US10685301B2 (en) | Method and system for providing sales information and insights through a conversational interface | |
| EP3680823A1 (en) | System, method, and computer program product for incorporating knowledge from more complex models in simpler models | |
| CN110751286A (zh) | 神经网络模型的训练方法和训练系统 | |
| US11593622B1 (en) | Artificial intelligence system employing graph convolutional networks for analyzing multi-entity-type multi-relational data | |
| US20220358487A1 (en) | Systems and methods for payment option curation | |
| US11544780B2 (en) | Customized credit card debt reduction plans | |
| CN107635012A (zh) | 一种消息匹配方法、服务器和计算机可读存储介质 | |
| Qin | Research on financial risk forecast model of listed companies based on convolutional neural network | |
| Chandwani et al. | Virtual Assistant for Appointment Booking | |
| Wahsheh et al. | E-Commerce Product Retrieval Using Knowledge from GPT-4 | |
| CN113269635A (zh) | 信息处理方法及装置、可读存储介质、电子设备 | |
| CN113052679A (zh) | 基于多视角学习的模型训练方法、预测方法、装置和电子设备 | |
| TWI752367B (zh) | 基於自然語言處理的智能對話管理方法及系統 | |
| TWM650496U (zh) | 基於大型語言模型的信用卡推薦系統 | |
| US11900062B2 (en) | Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models | |
| JP2018005767A (ja) | 相続業務支援システムおよび相続業務支援方法 | |
| WO2023069244A1 (en) | System, method, and computer program product for denoising sequential machine learning models | |
| TWM590719U (zh) | 基於自然語言處理的智能對話管理系統 | |
| TWM649080U (zh) | 智能取號系統 | |
| US12131124B2 (en) | Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models | |
| Jiang et al. | Is equity crowdfunding the leapfrog to companies’ success? Financial performance in China | |
| CN116308393B (zh) | 一种基于风控规则引擎的交易监管系统 |