CN110135942A - 产品推荐方法、装置及计算机可读存储介质 - Google Patents

产品推荐方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110135942A
CN110135942A CN201910294774.2A CN201910294774A CN110135942A CN 110135942 A CN110135942 A CN 110135942A CN 201910294774 A CN201910294774 A CN 201910294774A CN 110135942 A CN110135942 A CN 110135942A
Authority
CN
China
Prior art keywords
finance product
data
user
product type
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910294774.2A
Other languages
English (en)
Inventor
刘金满
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
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 OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910294774.2A priority Critical patent/CN110135942A/zh
Publication of CN110135942A publication Critical patent/CN110135942A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种产品推荐方法，该方法包括：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。本发明根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。

Description

产品推荐方法、装置及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种产品推荐方法、装置及计算机可读存储介质。
背景技术
随着互联网与金融的不断融合和发展，理财产品APP作为移动互联网金融的一个重要板块，近年得到了迅速发展，越来越多的人开始尝试并接受这种新的理财方式。但已有理财产品直销APP无法整合银行相关业务的功能；而且也没有高低门槛之分，因此不具备风险评估功能，用户无法定位自己的风险承受范围，做出合理投资。
发明内容
本发明提供一种产品推荐方法、装置及计算机可读存储介质，其主要目的在于根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。
为实现上述目的，本发明还提供一种产品推荐方法，所述方法包括：
获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数，所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；
基于所述训练样本数据，训练得到理财产品类型预测模型；
获取目标用户的特征数据；
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
优选地，在获取训练样本数据之前，所述方法还包括：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
优选地，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
优选地，所述方法还包括：
获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
优选地，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：
从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；
将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益对照表。
为了实现上述目的、本发明还提供一种产品推荐装置，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的数据库设计文档程序，所述数据库设计文档程序被所述处理器执行时实现如下步骤：
获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数，所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；
基于所述训练样本数据，训练得到理财产品类型预测模型；
获取目标用户的特征数据；
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
优选地，在获取训练样本数据之前，所述处理器执行时还实现如下步骤：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
优选地，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
优选地，所述处理器执行时还实现如下步骤还包括：
获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据库设计文档程序，所述数据库设计文档程序可被一个或者多个处理器执行，以实现如上所述的产品推荐方法的步骤。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图；
图2为本发明一实施例提供的产品推荐装置的内部结构示意图；
图3为本发明一实施例提供的产品推荐装置中数据库设计文档程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种产品推荐方法。参照图1所示，为本发明一实施例提供的产品推荐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，产品推荐方法包括：
S10、获取训练样本数据。
在本实施例中，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据。
所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据。本申请中集成用户的多种数据，从而全面评估用户的消费能力、风险能力，从而为用户确定更符合用户的理财产品。例如，通过获取社交媒体数据还能预知用户的社交层次，从而预测用户的消费潜力及抗风险能力等等。
在获取训练样本数据之前，所述方法还包括：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
本发明实施例的原始样本数据，虽然经过质量检测，删除了其中的不完整数据和错误数据处理之后的数据，但仍可能存在没有达到业务标准或建模标准的数据。因此在对数据进行预处理操作中，还应对数据进行清洗处理。例如，对其中存在的异常值进行校正或者删除。
其中，缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。对缺失值常用的补偿方法有删除缺失值或插值补缺失值法。
其中，离散化处理，是指把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。
其中，归一化处理是指当不同的特征成列在一起的时候，由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况，这时需要对抽取出来的特征向量进行归一化处理，以保证每个特征被分类器平等对待。
S11、基于所述训练样本数据，训练得到理财产品类型预测模型。
在本实施例中，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
在本实施例中，所述预先训练的识别模型为训练后的深度卷积神经网络模型。所述深度卷积神经网络模型由1个输入层、20个卷积层、6个池化层、3个隐含层、1个分类层构成。所述深度卷积神经网络模型的模型架构如图3所示，其中，Conv a-b(例如，Conv 3-64)表示该层卷积核的维度为a×a，该层卷积核的个数为b；Maxpool2表示所述池化层的池化核的维度为2×2；FC-c(例如，FC-6)表示该隐含层(即：完全连接层)有c个输出节点；Soft-max表示该分类层使用Soft-max分类器对输入用户特征数据进行分类。
S12、获取目标用户的特征数据。
在本实施例中，所述目标用户的特征数据用户的银行业务数据、征信数据及生活业务数据。
所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据。
S13、将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型。
S14、从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
在本实施例中，所述方法还包括：获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
通过上述方法将理财产品库中的产品进行分类处理，并将每个理财产品的类型对应的关键词标注在页面上，可以直观地让用户查看，例如，一个理财产品为“高风险、高收益”。
在本实施例中，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：
从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；
将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益对照表。
例如，若目标用户的收入很高，信用很高及社交圈位于上流层次，则可预测目标用户的理财产品类型为高端产品类型。从理财产品库中，搜索高端产品类型展现给所述目标用户。
在一实施例中，当所述目标用户购买的理财产品为高端理财产品时，提醒用户进行安全设置，所述安全设置包括以下一种或者多种的组合：提高密码等级、采集人脸或指纹数据、填写手机号、填写紧急联系人的手机号等等。以提高对高端用户的高端理财产品的保护。
本发明获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。本发明根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。
本发明还提供一种产品推荐装置。参照图2所示，为本发明一实施例提供的产品推荐装置的内部结构示意图。
在本实施例中，产品推荐装置1可以是个人电脑(Personal Computer，PC)，也可以是智能手机、平板电脑、便携计算机等终端设备。该产品推荐装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是产品推荐装置1的内部存储单元，例如该产品推荐装置1的硬盘。存储器11在另一些实施例中也可以是产品推荐装置1的外部存储设备，例如产品推荐装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括产品推荐装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于产品推荐装置1的应用软件及各类数据，例如数据库设计文档程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行数据库设计文档程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在产品推荐装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及数据库设计文档程序01的产品推荐装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对产品推荐装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有数据库设计文档程序01；处理器12执行存储器11中存储的数据库设计文档程序01时实现如下步骤：
获取训练样本数据。
在本实施例中，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据。
所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据。本申请中集成用户的多种数据，从而全面评估用户的消费能力、风险能力，从而为用户确定更符合用户的理财产品。例如，通过获取社交媒体数据还能预知用户的社交层次，从而预测用户的消费潜力及抗风险能力等等。
在获取训练样本数据之前，所述方法还包括：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
本发明实施例的原始样本数据，虽然经过质量检测，删除了其中的不完整数据和错误数据处理之后的数据，但仍可能存在没有达到业务标准或建模标准的数据。因此在对数据进行预处理操作中，还应对数据进行清洗处理。例如，对其中存在的异常值进行校正或者删除。
其中，缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。对缺失值常用的补偿方法有删除缺失值或插值补缺失值法。
其中，离散化处理，是指把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。
其中，归一化处理是指当不同的特征成列在一起的时候，由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况，这时需要对抽取出来的特征向量进行归一化处理，以保证每个特征被分类器平等对待。
基于所述训练样本数据，训练得到理财产品类型预测模型。
在本实施例中，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
在本实施例中，所述预先训练的识别模型为训练后的深度卷积神经网络模型。所述深度卷积神经网络模型由1个输入层、20个卷积层、6个池化层、3个隐含层、1个分类层构成。所述深度卷积神经网络模型的模型架构如图3所示，其中，Conv a-b(例如，Conv 3-64)表示该层卷积核的维度为a×a，该层卷积核的个数为b；Maxpool2表示所述池化层的池化核的维度为2×2；FC-c(例如，FC-6)表示该隐含层(即：完全连接层)有c个输出节点；Soft-max表示该分类层使用Soft-max分类器对输入用户特征数据进行分类。
获取目标用户的特征数据。
在本实施例中，所述目标用户的特征数据用户的银行业务数据、征信数据及生活业务数据。
所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据。
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型。
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
在本实施例中，所述方法还包括：获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
通过上述方法将理财产品库中的产品进行分类处理，并将每个理财产品的类型对应的关键词标注在页面上，可以直观地让用户查看，例如，一个理财产品为“高风险、高收益”。
在本实施例中，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：
从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；
将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益对照表。
例如，若目标用户的收入很高，信用很高及社交圈位于上流层次，则可预测目标用户的理财产品类型为高端产品类型。从理财产品库中，搜索高端产品类型展现给所述目标用户。
在一实施例中，当所述目标用户购买的理财产品为高端理财产品时，提醒用户进行安全设置，所述安全设置包括以下一种或者多种的组合：提高密码等级、采集人脸或指纹数据、填写手机号、填写紧急联系人的手机号等等。以提高对高端用户的高端理财产品的保护。
本发明获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。本发明根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。
可选地，在其他实施例中，数据库设计文档程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述数据库设计文档程序在产品推荐装置中的执行过程。
例如，参照图3所示，为本发明产品推荐装置一实施例中的数据库设计文档程序的程序模块示意图，该实施例中，数据库设计文档程序可以被分割为板块获取模块10、训练模块20、输出模块30及推荐模块40，示例性地：
获取模块10、获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；
训练模块20、基于所述训练样本数据，训练得到理财产品类型预测模型；
所述获取模块20还用于获取目标用户的特征数据；
输出模块30、将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
推荐模块40从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
上述获取模块10、训练模块20、输出模块30及推荐模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有数据库设计文档程序，所述数据库设计文档程序可被一个或多个处理器执行，以实现如下操作：
获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；
基于所述训练样本数据，训练得到理财产品类型预测模型；
获取目标用户的特征数据；
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
本发明计算机可读存储介质具体实施方式与上述产品推荐装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种产品推荐方法，其特征在于，所述方法包括：
获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据,所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；
基于所述训练样本数据，训练得到理财产品类型预测模型；
获取目标用户的特征数据；
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
2.如权利要求1所述的产品推荐方法，其特征在于，在获取训练样本数据之前，所述方法还包括：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
3.如权利要求1所述的产品推荐方法，其特征在于，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
4.如权利要求1所述的产品推荐方法，其特征在于，所述方法还包括：
获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
5.如权利要求1至4中任一项所述的产品推荐方法，其特征在于，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：
从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；
将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益对照表。
6.如权利要求1所述的产品推荐方法，其特征在于，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程包括：
从训练样本数据中得到每种理财产品类型下的样本集合；
从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；
将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。
7.如权利要求1所述的产品推荐方法，其特征在于，所述方法还包括：
获取理财产品库中各个理财产品的描述；
从各个理财产品的描述中提取关键词；
根据各个理财产品对应的关键词，确定各个理财产品的类型。
8.一种产品推荐装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的数据库设计文档程序，所述数据库设计文档程序被所述处理器执行时实现如下步骤：
获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据，所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；
基于所述训练样本数据，训练得到理财产品类型预测模型；
获取目标用户的特征数据；
将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；
从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。
9.如权利要求8所述的产品推荐装置，其特征在于，所述处理器执行所述数据库设计文档程序，在获取训练样本数据之前，时还实现如下步骤：
采集原始样本数据；
对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据库设计文档程序，所述数据库设计文档程序可被一个或者多个处理器执行，以实现如权利要求1至7中任一项所述的产品推荐方法。
CN201910294774.2A 2019-04-12 2019-04-12 产品推荐方法、装置及计算机可读存储介质 Pending CN110135942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910294774.2A CN110135942A (zh) 2019-04-12 2019-04-12 产品推荐方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910294774.2A CN110135942A (zh) 2019-04-12 2019-04-12 产品推荐方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110135942A true CN110135942A (zh) 2019-08-16

Family

ID=67569949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910294774.2A Pending CN110135942A (zh) 2019-04-12 2019-04-12 产品推荐方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110135942A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969350A (zh) * 2019-11-28 2020-04-07 中国银行股份有限公司 产品信息推荐方法、装置、电子设备及存储介质
CN111626821A (zh) * 2020-05-26 2020-09-04 山东大学 基于集成特征选择实现客户分类的产品推荐方法及***
CN111698332A (zh) * 2020-06-23 2020-09-22 深圳壹账通智能科技有限公司 业务对象的分配方法、装置、设备及存储介质
CN111738863A (zh) * 2020-06-22 2020-10-02 中国银行股份有限公司 用户数据筛选方法、装置及***
CN112633962A (zh) * 2020-12-03 2021-04-09 北京道隆华尔软件股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112634061A (zh) * 2020-07-21 2021-04-09 中国再保险(集团)股份有限公司 一种用户数据处理方法及装置
CN113052653A (zh) * 2021-03-24 2021-06-29 珠海华发金融科技研究院有限公司 一种金融产品内容推荐方法、***及计算机可读存储介质
CN113112318A (zh) * 2020-01-10 2021-07-13 阿里巴巴集团控股有限公司 确定产品组合的方法、装置、电子设备及计算机存储介质
CN113781139A (zh) * 2020-10-19 2021-12-10 北京沃东天骏信息技术有限公司 物品推荐方法、物品推荐装置、设备和介质
CN113935776A (zh) * 2021-10-19 2022-01-14 中国银行股份有限公司 一种基于大数据的精准营销方法、装置及设备
CN115511569A (zh) * 2022-10-09 2022-12-23 湖南工商大学 一种金融风险监控装置和方法
CN115880076A (zh) * 2022-04-20 2023-03-31 北京中关村科金技术有限公司 信托产品推荐方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766580A (zh) * 2017-11-20 2018-03-06 北京奇虎科技有限公司 消息的推送方法及装置
CN108399565A (zh) * 2017-10-09 2018-08-14 平安科技（深圳）有限公司 金融产品推荐装置、方法及计算机可读存储介质
CN108776922A (zh) * 2018-06-04 2018-11-09 北京至信普林科技有限公司 基于大数据的理财产品推荐方法及装置
CN109360072A (zh) * 2018-11-13 2019-02-19 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质
CN109359812A (zh) * 2018-09-04 2019-02-19 深圳壹账通智能科技有限公司 理财产品推荐方法、服务器及计算机可读存储介质
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399565A (zh) * 2017-10-09 2018-08-14 平安科技（深圳）有限公司 金融产品推荐装置、方法及计算机可读存储介质
CN107766580A (zh) * 2017-11-20 2018-03-06 北京奇虎科技有限公司 消息的推送方法及装置
CN108776922A (zh) * 2018-06-04 2018-11-09 北京至信普林科技有限公司 基于大数据的理财产品推荐方法及装置
CN109359812A (zh) * 2018-09-04 2019-02-19 深圳壹账通智能科技有限公司 理财产品推荐方法、服务器及计算机可读存储介质
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质
CN109360072A (zh) * 2018-11-13 2019-02-19 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969350A (zh) * 2019-11-28 2020-04-07 中国银行股份有限公司 产品信息推荐方法、装置、电子设备及存储介质
CN113112318A (zh) * 2020-01-10 2021-07-13 阿里巴巴集团控股有限公司 确定产品组合的方法、装置、电子设备及计算机存储介质
CN113112318B (zh) * 2020-01-10 2022-04-29 阿里巴巴集团控股有限公司 确定产品组合的方法、装置、电子设备及计算机存储介质
CN111626821A (zh) * 2020-05-26 2020-09-04 山东大学 基于集成特征选择实现客户分类的产品推荐方法及***
CN111626821B (zh) * 2020-05-26 2024-03-12 山东大学 基于集成特征选择实现客户分类的产品推荐方法及***
CN111738863B (zh) * 2020-06-22 2024-02-02 中国银行股份有限公司 用户数据筛选方法、装置及***
CN111738863A (zh) * 2020-06-22 2020-10-02 中国银行股份有限公司 用户数据筛选方法、装置及***
CN111698332A (zh) * 2020-06-23 2020-09-22 深圳壹账通智能科技有限公司 业务对象的分配方法、装置、设备及存储介质
CN112634061A (zh) * 2020-07-21 2021-04-09 中国再保险(集团)股份有限公司 一种用户数据处理方法及装置
CN113781139A (zh) * 2020-10-19 2021-12-10 北京沃东天骏信息技术有限公司 物品推荐方法、物品推荐装置、设备和介质
CN112633962A (zh) * 2020-12-03 2021-04-09 北京道隆华尔软件股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN113052653A (zh) * 2021-03-24 2021-06-29 珠海华发金融科技研究院有限公司 一种金融产品内容推荐方法、***及计算机可读存储介质
CN113935776A (zh) * 2021-10-19 2022-01-14 中国银行股份有限公司 一种基于大数据的精准营销方法、装置及设备
CN115880076A (zh) * 2022-04-20 2023-03-31 北京中关村科金技术有限公司 信托产品推荐方法、装置及存储介质
CN115511569A (zh) * 2022-10-09 2022-12-23 湖南工商大学 一种金融风险监控装置和方法

Similar Documents

Publication Publication Date Title
CN110135942A (zh) 产品推荐方法、装置及计算机可读存储介质
US20210173711A1 (en) Integrated value chain risk-based profiling and optimization
CN109299997A (zh) 产品推荐方法、装置及计算机可读存储介质
CN110163476A (zh) 项目智能推荐方法、电子装置及存储介质
CN110516910A (zh) 基于大数据的保单核保模型训练方法和核保风险评估方法
US20210264448A1 (en) Privacy preserving ai derived simulated world
CN107871276A (zh) 贷款产品的查询装置、方法及计算机可读存储介质
CN107688987A (zh) 电子装置、保险推荐方法、及计算机可读存储介质
CN108399565A (zh) 金融产品推荐装置、方法及计算机可读存储介质
CN105744005A (zh) 客户定位分析方法及服务器
CN110162566A (zh) 业务数据的关联分析方法、装置、计算机设备及存储介质
CN108614859A (zh) 智能搜索方法、服务器及存储介质
CN109285082A (zh) 保险产品推荐方法、装置及计算机可读存储介质
CN109598542A (zh) 一种营销权益的投放方法、装置及电子设备
CN110852785A (zh) 用户分级方法、装置及计算机可读存储介质
CN109544266A (zh) 产品数据推送方法、装置及计算机可读存储介质
CN110347789A (zh) 文本意图智能分类方法、装置及计算机可读存储介质
US10140367B2 (en) Apparatus, method and computer program product for characterizing an individual based on musical preferences
CN113592605A (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN110032731A (zh) 企业经营范围判断方法、装置及计算机可读存储介质
CN112511632A (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
CN109978607A (zh) 广告推荐方法、装置及计算机可读存储介质
CN109816234A (zh) 服务准入方法、服务准入装置、电子设备及存储介质
CN110163482B (zh) 确定活动方案的安全方案数据的方法、终端设备及服务器
CN113094595A (zh) 对象识别方法、装置、计算机***及可读存储介质

Legal Events

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