CN111159341B - 基于用户投资理财偏好的资讯推荐方法及装置 - Google Patents

基于用户投资理财偏好的资讯推荐方法及装置 Download PDF

Info

Publication number
CN111159341B
CN111159341B CN201911355303.4A CN201911355303A CN111159341B CN 111159341 B CN111159341 B CN 111159341B CN 201911355303 A CN201911355303 A CN 201911355303A CN 111159341 B CN111159341 B CN 111159341B
Authority
CN
China
Prior art keywords
investment
data
information
financing
generating
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.)
Active
Application number
CN201911355303.4A
Other languages
English (en)
Other versions
CN111159341A (zh
Inventor
李斌
郭涵
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN201911355303.4A priority Critical patent/CN111159341B/zh
Publication of CN111159341A publication Critical patent/CN111159341A/zh
Application granted granted Critical
Publication of CN111159341B publication Critical patent/CN111159341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于用户投资理财偏好的资讯推荐方法及装置，该方法包括：根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；根据所述文章标签生成匹配检索规则；根据所述匹配检索规则推荐资讯至用户。本方法通过引入产品关系知识图谱使资讯推荐能够更加深入的理解投资理财相关产品及其关联信息。

Description

基于用户投资理财偏好的资讯推荐方法及装置
技术领域
本发明涉及金融资讯技术领域，具体涉及一种基于用户投资理财偏好的资讯推荐方法及装置。
背景技术
随着时代的发展，客户对投资理财的需求日益增长，客户的专业性需求越来越强烈。进入智能金融时代，如资讯服务这样的增值服务在客户投教、保持客户粘性等方面越来越重要。互联网时代信息***，一方面各类资讯信息种类繁多，数量庞大；另一方面客户时间呈现碎片化，无法在大量资讯中快速检索出自己感兴趣的资讯信息，尤其是针对投资理财领域这个专业性非常强的领域。虽然目前有大量内容服务平台，如今日头条、网易新闻等，但其针对投资理财领域无法做到深入细致的分析得到很好的推荐效果，大多还是基于群体智慧分析如协同过滤等方法。
资讯服务作为银行金融服务中的增值服务，越来越受到重视，其价值也越来越大。传统的一些推荐模型和推荐流程无法很好的利用到现有的丰富的金融数据，其中就包括客户在各类产品***中所产生的交易、持仓等数据。现有的很多推荐***并没有针对金融投资理财领域做深度的分析和建模。针对投资理财领域，如果提高资讯推荐服务的专业性、准确性是一个亟待解决的难题。目前市场上提供投资理财领域资讯服务的产品大都只是按照话题热度、和新颖度进行推荐，没有过多的考虑个性化推荐。比较热门内容服务应用如今日头条、网易新闻等也主要是基于客户历史阅读文章的文本内容来构建客户的阅读兴趣，没有结合客户投资理财相关数据。
发明内容
针对现有技术中的问题，本发明所提供的基于用户投资理财偏好的资讯推荐方法，搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种基于用户投资理财偏好的资讯推荐方法，包括：
根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；
利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；
根据所述文章标签生成匹配检索规则；
根据所述匹配检索规则推荐资讯至用户。
一实施例中，所述历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
一实施例中，所述根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据，包括：
根据所述行为数据生成用户的兴趣模型；
根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
一实施例中，所述根据所述行为数据生成用户的兴趣模型，包括:
利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型；
对所述短期兴趣模型进行实时更新。
一实施例中，所述根据所述文章标签生成匹配检索规则，包括：
利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序；
利用余弦相似度或相关系数方法对资讯相似度进行计算。
第二方面，本发明提供一种基于用户投资理财偏好的资讯推荐装置，该装置包括：
投资理财偏好数据生成单元，用于根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；
文章标签生成单元，利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；
匹配检索规则生成单元，用于根据所述文章标签生成匹配检索规则；
资讯推荐单元，用于根据所述匹配检索规则推荐资讯至用户。
一实施例中，所述历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
一实施例中，所述投资理财偏好数据生成单元包括：
兴趣模型生成模块，用于根据所述行为数据生成用户的兴趣模型；
投资理财偏好数据生成模块，用于根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
一实施例中，所述兴趣模型生成模块包括:
兴趣模型生成模块，用于利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型；
兴趣模型更新模块，用于对所述短期兴趣模型进行实时更新。
一实施例中，所述匹配检索规则生成单元包括：
资讯排序模块，用于利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序；
相似度计算模块，用于利用余弦相似度或相关系数方法对资讯相似度进行计算。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于用户投资理财偏好的资讯推荐方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于用户投资理财偏好的资讯推荐方法的步骤。
从上述描述可知，本发明实施例提供基于用户投资理财偏好的资讯推荐方法及装置，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施例中的基于用户投资理财偏好的资讯推荐方法的流程示意图；
图2为本发明的实施例中的基于用户投资理财偏好的资讯推荐方法步骤100的流程示意图；
图3为本发明的实施例中的基于用户投资理财偏好的资讯推荐方法步骤1011的流程示意图；
图4为本发明的实施例中的基于用户投资理财偏好的资讯推荐方法步骤300的流程示意图；
图5为本发明的具体应用实例中基于用户投资理财偏好的资讯推荐方法的流程示意图；
图6为本发明的具体应用实例中客户兴趣建模流程示意图；
图7为本发明的具体应用实例中基于客户投资偏好资讯推荐整体架构图；
图8为本发明的具体应用实例中在线推荐流程图；
图9为本发明的具体应用实例中推荐策略管理器流程示意图；
图10为本发明的具体应用实例中资讯文章召回层处理流程示意图；
图11为本发明的具体应用实例中资讯文章排序层处理流程示意图；
图12为本发明的具体应用实例中资讯文章标签处理流程示意图；
图13为本发明的具体应用实例中相关资讯计算流程示意图；
图14为本发明的具体应用实例中排序模型训练数据整理流程示意图；
图15为本发明的实施例中的基于用户投资理财偏好的资讯推荐装置的结构框图；
图16为本发明的实施例中的投资理财偏好数据生成单元结构框图；
图17为本发明的实施例中的兴趣模型生成模块结构框图；
图18为本发明的实施例中的匹配检索规则生成单元结构框图；
图19为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于现有技术的缺点，本发明的实施例提供了一种基于用户投资理财偏好的资讯推荐方法的具体实施方式，参见图1，该方法具体包括如下内容：
步骤100：根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据。
可以理解的是，步骤100中的历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
步骤200：利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签。
具体地，结合投资理财业务和产品特征构建标签体系，考虑了不同金融市场、产品类型，主要包括基金市场、股票市场、信托市场、债券市场、贵金属市场等。各类市场涉及的主题，话题，实体等作为二级或三级标签，构建完整的标签体系。采用自然语言处理的多标签分类模型和启发式规则相结合的方式对资讯文章进行标签标注。
步骤300：根据所述文章标签生成匹配检索规则。
首先根据资讯文章的主题标签和文章内容出现的实体提及在产品知识图谱中进行语义检索，检索结果可能直接匹配某类产品或某个投资领域主题，抽取出代表该资讯文章的投资理财主题向量，然后根据得到的投资理财主题向量计算不同资讯在投资理财主题方向上的相似性。
步骤400：根据所述匹配检索规则推荐资讯至用户。
从上述描述可知，本发明实施例提供基于用户投资理财偏好的资讯推荐方法，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。
一实施例中，参见图2，步骤100具体包括：
步骤101：根据所述行为数据生成用户的兴趣模型。
可以理解的是，客户阅读兴趣分为长期兴趣和短期兴趣。随着客户使用资讯服务***的时间的推移会积累大量的客户行为数据，主要包括资讯展现、点击阅读数据以及喜欢、不喜欢、收藏、分享、屏蔽等行为数据。优选地，长期兴趣的构建基于长时间范围的历史数据。短期兴趣的构建基于流式处理的方式，由Kafka接入资讯点击阅读数据，由SparkStream订阅Kafka实时消费每一笔点击阅读记录。每接入一笔资讯点击阅读数据边及时更新客户相关资讯标签及其权重，最近阅读的文章的标签权重越高。
步骤102：根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
一实施例中，参见图3，步骤101进一步包括：
步骤1011：利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型。
步骤1012：对所述短期兴趣模型进行实时更新。
基于客户针对资讯产生的展现、点击以及如点赞、喜欢、转发、屏蔽等行为数据构建客户兴趣模型。优选地，基于流式计算利用SparkStream实时处理客户行为数据，更新客户短期兴趣模型。基于长周期范围的行为数据构建客户的长期兴趣模型，长期兴趣模型的更新频率较低，更新频率一般为半个月或一个月。
一实施例中，参见图4，步骤300具体包括：
步骤301：利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序。
可以理解的是，Wide&Deep以及Deep&Cross深度学习模型使用Keras基于Tensorflow后端进行建模。收集一定时间段内的展现数据和点击数据作为训练数据用于模型训练，数据收集的时间范围可以任意调整。
步骤302：利用余弦相似度或相关系数方法对资讯相似度进行计算。
相关资讯的计算传统的做法是基于文本内容计算字面上的相似性，比如利用余弦相似度。在投资理财领域对于相关资讯的计算具有较高的专业程度和业务目的。首先根据资讯文章的主题标签和文章内容出现的实体提及在产品知识图谱中进行语义检索，检索结果可能直接匹配某类产品或某个投资领域主题，抽取出代表该资讯文章的投资理财主题向量，然后根据得到的投资理财主题向量计算不同资讯在投资理财主题方向上的相似性。可以采用余弦相似度或相关系数等方法进行相似度计算。
从上述描述可知，本发明实施例提供基于用户投资理财偏好的资讯推荐方法，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
为进一步地说明本方案，本发明提供一基于用户投资理财偏好的资讯推荐方法的具体应用实例，该具体应用实例具体包括如下内容，参见图5。
本具体应用实例通过接入代理基金、贵金属、外汇等产品***的持仓和交易数据构建了客户的资产关系图谱。其中使用HBase、Hive作为主要的存储，Solr作为搜索引擎，Spark作为计算引擎。
S0：根据所述行为数据生成用户的兴趣模型。
一方面基于资产关系可以直接得到客户所持有、关注或曾经交易过的产品信息；另一方面基于客户在资讯服务***中产生的展现、点击以及如点赞、喜欢、转发、屏蔽等行为数据构建客户兴趣模型。基于流式计算利用SparkStream实时处理客户行为数据，更新客户短期兴趣模型。基于长周期范围的行为数据构建客户的长期兴趣模型，长期兴趣模型的更新频率较低，更新频率一般为半个月或一个月。针对资讯文章从投资理财的角度搭建了完善的标签体系，并针对文章主题，相关产品等实现了相关资讯推荐的功能。并借助知识图谱进行语义扩展提高资讯推荐的多样性和准确性，参见图6。
S1：根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
S2：利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签。
具体地，针对投资领域为资讯文章搭建了一套完善的标签体系，并对接入的资讯文章进行多标签分类处理。客户的长期兴趣根据客户历史阅读文章(长时间范围的历史数据)所属的主题和所包含的标签来得到，比如客户在一个月阅读的文章主题分布是基金(53％)、股票(23％)、贵金属(15％)、其它(9％)，则客户的长期兴趣可以确定为基金、股票和贵金属，兴趣权重分别为基金(0.53/(0.53+0.23+0.15)＝0.58)、股票(0.23/(0.53+0.23+0.15)＝0.25)、贵金属(0.15/(0.53+0.23+0.15)＝0.17)。客户的短期兴趣主要用于跟踪客户当前即时的阅读兴趣，通过客户最近点击阅读的文章所对应的主题、标签来确定。长期兴趣由客户在近1个月或者3个月的阅读历史来建模，短期兴趣则是根据客户最近N次点击阅读的文章来确定(N建议取值为1-10)。
另外，针对文章，从标题、正文、主题、标签、内容提及(相关产品)不同角度实现了相关资讯计算，满足不同相关资讯推荐的需求。引入基于各类产品关系数据的知识图谱在资讯文章召回步骤中对检索词进行了语义扩展。本方案主要分为在线推荐和离线批处理两部分，参见图7。
在线推荐首先通过策略管理器识别客户和请求方，得到请求方配置的推荐策略。整个推荐过程分为召回、精准排序和列表优化三个部分，充分考虑推荐结果的准确性、多样性、新颖性等需求。在线推荐的流程如图8所示。
S3：客户发起请求。
客户请求主要包含客户唯一识别编号和请求方编号。其中客户唯一识别编号用于在资讯推荐***中识别客户，请求方编号用于在推荐流程中识别请求方。
S4：生成策略管理器。
参见图9，策略管理器统一管理维护针对不同类型客户，请求方所配置的推荐策略。作为统一的资讯推荐平台需要灵活兼容不同的推荐需求。策略管理器包含规则集合和规则引擎两个部分。其中基础规则由业务专家统一定制。同时也提供了业务管理台给业务人员用来配置特定的规则。规则主要从以下方面来配置：客群差异、分行差异、场景差异、渠道差异以及资讯要素差异。
每条推荐策略可针对资讯文章的来源、主题、体裁、发布时间、相关投资产品等不同维度和粒度的各类属性进行配置。也可以根据不同的场景，比如不同的时间点如年末可以配置优先推荐一些介绍大额存单或其它存款产品相关的资讯信息。也可以根据客群的不同来配置推荐规则，比如针对高净值的客群，可以配置优先推荐权益类产品相关的资讯。分行差异也是机构差异，不同的分行或支行可以配置适合自己的推荐规则，这些规则会适用于该机构下的客户。渠道差异是指针对资讯服务部署的不同渠道配置不同的推荐规则，比如针对STM这类智慧终端就不宜推内容很长的资讯信息，宜推荐短资讯或视频类资讯。规则引擎根据发送请求的客户信息、交易信息、机构信息、渠道信息等请求信息计算得到适配的规则集合，由这些得到的规则形成最终的推荐策略。每一条规则都对应了推荐过程中的一个召回策略。比如当前某机构设置最高优先级规则为“推荐xxx主题的资讯”，则在召回过程中，通过主题字段等于xxx条件检索到的资讯将被优先。
推荐策略可以从建议推荐和建议不推荐(屏蔽)两个方面进行配置，最大化的满足各类不同的推荐需求。
S5：生成资讯文章召回层。
参见图10，资讯文章召回层从大量的资讯文章中根据不同策略和角度筛选出相对少量的推荐候选文章。召回层依赖于由策略管理器得到的推荐策略作为筛选依据。基于客户投资理财偏好信息和阅读兴趣以及结合产品知识图谱对检索条件进行了语义扩展。比如找到客户持有某个基金产品，从产品知识图谱中可以得到该产品的类别信息、基金等级、管理人信息、所属基金公司及其相关属性等多维信息作为扩展检索条件。策略管理器负责指导和约束召回层的所有处理细节。
S6：利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序。
参见图11，,在召回层得到的候选推荐文章集合数量还是比较大的，客户的每一次请求一般为10-20条资讯。所以针对召回层返回的结果还需要进行精准排序。本项目主要使用了Wide&Deep和Deep&Cross两个深度学习模型作为排序模型。这两个模型使用Keras基于Tensorflow后端进行建模。收集一定时间段内的展现数据和点击数据作为训练数据用于模型训练，数据收集的时间范围可以任意调整。将推荐给客户但客户未点击查看的记录作为负样例；将推荐给客户，客户点击查看了的记录作为正样例。其中选取的特征主要包括以下部分：
(1)客户画像标签：主要从客户在银行内的交易数据和资产数据生成，针对建行客户是预生成的。比如投资产品偏好，是否为月光族，风险承受能力等等。
(2)客户阅读兴趣标签：收集客户在某一个时间段内所点击过的文章标签(点击过的文章所具有的标签)。特征值为客户对每个标签的点击率。
(3)客户基础信息：包含客户的性别、年龄、地址等
(4)客户行为数据：不同时间段在线的比例、单日在线平均时长、单文章阅读平均时长等等
(5)客户交易信息：交易过的投资理财产品、交易平均金额、平均持仓时间等等。
(6)资讯要素：包括资讯的来源、发布时间、主题、标签、内容长度、类型等等。
(7)资讯历史统计信息：资讯点击次数、收藏次数、点赞次数、分享次数等等。
Google提出这两个模型后在推荐领域得到了广泛应用，但是针对训练数据本项目主要考虑了与客户投资理财相关的数据和属性作为特征。将客户在产品交易***中产生的海量数据充分利用起来。利用结合了客户投资理财数据的训练数据使得模型能够自动挖掘分析客户的投资理财偏好与文章之间的关系，使得最终的推荐结果更加精准。
可以理解的是，列表优化主要从推荐***的其它需求出发对最终排序得到的结果进行进一步的调整，比如考虑兴趣试探，人为将客户不经常看的或者将很少有客户阅读的资讯文章推荐给客户。
S7：离线批处理。
相对于在线处理，离线批处理主要负责给资讯文章打标签、倒排正排索引构建、客户兴趣建模(长短期兴趣)、相关资讯计算、排序模型训练数据整理等。结合投资理财业务和产品特征构建了一套完善的标签体系，考虑了不同金融市场、产品类型，主要包括基金市场、股票市场、信托市场、债券市场、贵金属市场等。各类市场涉及的主题，话题，实体等作为二级或三级标签，构建完整的标签体系。采用自然语言处理的多标签分类模型和启发式规则相结合的方式对资讯文章进行标签标注，参见图12。
S8：利用余弦相似度或相关系数方法对资讯相似度进行计算。
参见图13，相关资讯的计算传统的做法是基于文本内容计算字面上的相似性，比如利用余弦相似度。在投资理财领域对于相关资讯的计算具有较高的专业程度和业务目的。首先根据资讯文章的主题标签和文章内容出现的实体提及在产品知识图谱中进行语义检索，检索结果可能直接匹配某类产品或某个投资领域主题，抽取出代表该资讯文章的投资理财主题向量，然后根据得到的投资理财主题向量计算不同资讯在投资理财主题方向上的相似性。可以采用余弦相似度或相关系数等方法进行相似度计算。其次，从业务角度出发，***提供录入着重推荐标签的功能，业务人员可以新增标签，并配置新标签可以对应的文章实体提及。出现了所配置的实体提及的文章则加大其相关性权重。
S9：训练数据收集整理。
随着时间的推移，资讯服务***积累了大量的客户行为数据，但仅仅依靠这些行为数据训练排序模型没有考虑到客户的投资理财偏好。因此，本项目在收集排序模型训练数据时考虑了客户基本信息、客户历史行为数据以及客户在各产品交易***中的明细数据。通过整合这些数据得到最终的训练数据，参见图14。
从上述描述可知，本发明实施例提供基于用户投资理财偏好的资讯推荐方法，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
基于同一发明构思，本申请实施例还提供了基于用户投资理财偏好的资讯推荐装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于基于用户投资理财偏好的资讯推荐装置解决问题的原理与基于用户投资理财偏好的资讯推荐方法相似，因此基于用户投资理财偏好的资讯推荐装置的实施可以参见基于用户投资理财偏好的资讯推荐方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于用户投资理财偏好的资讯推荐方法的基于用户投资理财偏好的资讯推荐装置的具体实施方式，参见图15，基于用户投资理财偏好的资讯推荐装置具体包括如下内容：
投资理财偏好数据生成单元10，用于根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；
文章标签生成单元20，利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；
匹配检索规则生成单元30，用于根据所述文章标签生成匹配检索规则；
资讯推荐单元40，用于根据所述匹配检索规则推荐资讯至用户。
一实施例中，所述历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
一实施例中，参见图16，所述投资理财偏好数据生成单元10包括：
兴趣模型生成模块101，用于根据所述行为数据生成用户的兴趣模型；
投资理财偏好数据生成模块102，用于根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
一实施例中，参见图17，所述兴趣模型生成模块101包括:
兴趣模型生成模块1011，用于利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型；
兴趣模型更新模块1012，用于对所述短期兴趣模型进行实时更新。
一实施例中，参见图18，所述匹配检索规则生成单元30包括：
资讯排序模块301，用于利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序；
相似度计算模块302，用于利用余弦相似度或相关系数方法对资讯相似度进行计算。
从上述描述可知，本发明实施例提供基于用户投资理财偏好的资讯推荐装置，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
本申请的实施例还提供能够实现上述实施例中的基于用户投资理财偏好的资讯推荐方法中全部步骤的一种电子设备的具体实施方式，参见图19，电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、数据获取设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于用户投资理财偏好的资讯推荐方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据。
步骤200：利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签。
步骤300：根据所述文章标签生成匹配检索规则。
步骤400：根据所述匹配检索规则推荐资讯至用户。
从上述描述可知，本申请实施例中的电子设备，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
本申请的实施例还提供能够实现上述实施例中的基于用户投资理财偏好的资讯推荐方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于用户投资理财偏好的资讯推荐方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据。
步骤200：利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签。
步骤300：根据所述文章标签生成匹配检索规则。
步骤400：根据所述匹配检索规则推荐资讯至用户。
从上述描述可知，本申请实施例中的计算机可读存储介质，针对投资理财服务中的资讯文章信息，利用客户在银行各类投资理财产品***中的持仓数据、交易明细数据分析客户投资理财偏好，结合投资理财领域知识图谱引入语义扩展信息，并为资讯文章构建投资理财领域标签，并与客户投资理财偏好进行匹配映射，实现了一套完善的基于客户投资理财偏好的资讯推荐服务方法。具体地，本发明具有以下优点：
1.基于客户投资理财相关数据明细分析客户投资理财偏好作为资讯推荐的基础。
2.针对投资理财领域构建一套完善的资讯文章标签体系。
3.整理排序模型的训练数据结合了客户的投资理财相关数据，引入了客户投资理财相关属性作为特征。
4.引入基于各类投资理财产品及其关系数据构建的知识图谱为召回层检索关键字进行语义扩展。
5.为资讯文章进行打标签时使用了产品关系知识图谱进行预标注处理，提高了打标签的准确度。
6.基于流式处理技术和大数据处理技术构建客户在投资理财领域的长短期阅读兴趣模型。
7.构建推荐策略管理器统一管理配置不同的推荐策略适配灵活多变的推荐需求。
综上，本发明以大数据作为基础平台，构建了针对投资理财领域的客户兴趣模型。针对资讯文章搭建了一套完善的投资理财领域标签，并对资讯文章从内容和相关产品的角度实现了相关资讯的推荐。以Solr作为搜索引擎，支持海量资讯数据，查询效率高，推荐准确度高，实施成本较低，基于Solr提供高效的分布式检索服务；基于Spark提供分布式计算和Kafka结合提供流式计算能力，能快速高效的挖掘分析客户行为数据。通过引入产品关系知识图谱使推荐***能够更加深入的理解投资理财相关产品及其关联信息。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于用户投资理财偏好的资讯推荐方法，其特征在于，包括：
根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；
利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；
根据所述文章标签生成匹配检索规则；
根据所述匹配检索规则推荐资讯至用户；
所述根据所述文章标签生成匹配检索规则，包括：
利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序；
利用余弦相似度或相关系数方法对资讯相似度进行计算。
2.如权利要求1所述的资讯推荐方法，其特征在于，所述历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
3.如权利要求1所述的资讯推荐方法，其特征在于，所述根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据，包括：
根据所述行为数据生成用户的兴趣模型；
根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
4.如权利要求3所述的资讯推荐方法，其特征在于，所述根据所述行为数据生成用户的兴趣模型，包括:
利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型；
对所述短期兴趣模型进行实时更新。
5.一种基于用户投资理财偏好的资讯推荐装置，其特征在于，包括：
投资理财偏好数据生成单元，用于根据用户的历史投资理财数据、行为数据以及当前的持仓数据生成其投资理财偏好数据；
文章标签生成单元，利用领域知识图谱方法以及自然语言处理方法，根据所述投资理财偏好数据生成文章标签；
匹配检索规则生成单元，用于根据所述文章标签生成匹配检索规则；
资讯推荐单元，用于根据所述匹配检索规则推荐资讯至用户；
所述匹配检索规则生成单元包括：
资讯排序模块，用于利用Wide&Deep以及Deep&Cross深度学习模型对所述文章标签对应的资讯进行排序；
相似度计算模块，用于利用余弦相似度或相关系数方法对资讯相似度进行计算。
6.如权利要求5所述的资讯推荐装置，其特征在于，所述历史投资理财数据包括：投资理财交易数据以及投资理财行为数据，所述投资理财行为数据包括对各类资讯的展现、点击、喜欢、分享、收藏以及屏蔽。
7.如权利要求5所述的资讯推荐装置，其特征在于，所述投资理财偏好数据生成单元包括：
兴趣模型生成模块，用于根据所述行为数据生成用户的兴趣模型；
投资理财偏好数据生成模块，用于根据所述兴趣模型以及所述持仓数据生成所述投资理财偏好数据。
8.如权利要求7所述的资讯推荐装置，其特征在于，所述兴趣模型生成模块包括:
兴趣模型生成模块，用于利用流式处理方法，根据预设时间以及所述行为数据分别生成长期兴趣模型以及短期兴趣模型；
兴趣模型更新模块，用于对所述短期兴趣模型进行实时更新。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述基于用户投资理财偏好的资讯推荐方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述基于用户投资理财偏好的资讯推荐方法的步骤。
CN201911355303.4A 2019-12-25 2019-12-25 基于用户投资理财偏好的资讯推荐方法及装置 Active CN111159341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911355303.4A CN111159341B (zh) 2019-12-25 2019-12-25 基于用户投资理财偏好的资讯推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911355303.4A CN111159341B (zh) 2019-12-25 2019-12-25 基于用户投资理财偏好的资讯推荐方法及装置

Publications (2)

Publication Number Publication Date
CN111159341A CN111159341A (zh) 2020-05-15
CN111159341B true CN111159341B (zh) 2023-04-14

Family

ID=70558002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911355303.4A Active CN111159341B (zh) 2019-12-25 2019-12-25 基于用户投资理财偏好的资讯推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111159341B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680073A (zh) * 2020-06-11 2020-09-18 天元大数据信用管理有限公司 一种基于用户数据的金融服务平台政策资讯推荐方法
CN111986006A (zh) * 2020-09-02 2020-11-24 深圳壹账通智能科技有限公司 基于知识图谱的产品推荐方法、装置、计算机设备及存储介质
CN112102097A (zh) * 2020-09-28 2020-12-18 中国银行股份有限公司 投资能力的评估方法、装置、电子设备及计算机存储介质
CN113240472B (zh) * 2021-05-19 2024-02-02 深圳索信达数据技术有限公司 理财产品推荐方法、电子设备及存储介质
CN114463136A (zh) * 2022-01-06 2022-05-10 弘量科技(深圳)有限公司 基于多维数据挖掘和逻辑推演的基金推荐方法、装置、设备
CN116150477A (zh) * 2022-12-06 2023-05-23 上海贝耳塔信息技术有限公司 一种财经资讯个性化推荐方法、装置、设备及介质
CN118069930A (zh) * 2024-04-17 2024-05-24 杭州高能云科技有限公司 一种基于匹配分析的投资动态推荐方法与***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885886A (zh) * 2017-12-07 2018-04-06 百度在线网络技术（北京）有限公司 对信息推荐结果排序的方法、装置及服务器
CN110245259A (zh) * 2019-05-21 2019-09-17 北京百度网讯科技有限公司 基于知识图谱的视频打标签方法及装置、计算机可读介质
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质
CN110458641A (zh) * 2019-06-28 2019-11-15 苏宁云计算有限公司 一种电商推荐方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006294A1 (en) * 2013-06-28 2015-01-01 Linkedln Corporation Targeting rules based on previous recommendations
US20190129958A1 (en) * 2017-10-30 2019-05-02 Facebook, Inc. Optimizing the Mapping of Qualitative Labels to Scores for Calculating Gain in Search Results

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885886A (zh) * 2017-12-07 2018-04-06 百度在线网络技术（北京）有限公司 对信息推荐结果排序的方法、装置及服务器
CN110245259A (zh) * 2019-05-21 2019-09-17 北京百度网讯科技有限公司 基于知识图谱的视频打标签方法及装置、计算机可读介质
CN110458641A (zh) * 2019-06-28 2019-11-15 苏宁云计算有限公司 一种电商推荐方法及***
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大规模知识图谱及其应用研究;孙雨生等;《情报理论与实践》;20181127(第11期);全文 *

Also Published As

Publication number Publication date
CN111159341A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111159341B (zh) 基于用户投资理财偏好的资讯推荐方法及装置
US9704185B2 (en) Product recommendation using sentiment and semantic analysis
JP3389948B2 (ja) 表示広告選択システム
CN108885624B (zh) 信息推荐***及方法
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN112785397A (zh) 一种产品推荐方法、装置及存储介质
Cleger-Tamayo et al. Top-N news recommendations in digital newspapers
WO2020088058A1 (zh) 生成信息的方法和装置
JP2004164578A (ja) 分散型データベースの文書をカテゴリー分けしてプレゼンテーションする方法及び装置
CN106105096A (zh) 用于连续社交通信的***和方法
CN110111167A (zh) 一种确定推荐对象的方法和装置
US20110004508A1 (en) Method and system of generating guidance information
CN110413888A (zh) 一种书籍推荐方法及装置
CN112116426A (zh) 一种推送物品信息的方法和装置
CN110795613A (zh) 商品搜索方法、装置、***及电子设备
US20200073925A1 (en) Method and system for generating a website from collected content
CN111859138B (zh) 搜索方法及装置
CN112330426A (zh) 一种产品推荐方法、装置及存储介质
CN117149804A (zh) 数据处理方法、装置、电子设备及存储介质
CN112182414A (zh) 文章推荐方法、装置及电子设备
CN109299368B (zh) 一种用于环境信息资源ai智能个性化推荐的方法及***
CN111753151A (zh) 一种基于互联网用户行为的服务推荐方法
CN116431895A (zh) 安全生产知识个性化推荐方法及***
CN115858815A (zh) 确定映射信息的方法、广告推荐方法、装置、设备及介质
Madadipouya A location-based movie recommender system using collaborative filtering

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
TA01 Transfer of patent application right

Effective date of registration: 20220915

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant