CN111292171A - 金融理财产品推送方法及装置 - Google Patents
金融理财产品推送方法及装置 Download PDFInfo
- Publication number
- CN111292171A CN111292171A CN202010130521.4A CN202010130521A CN111292171A CN 111292171 A CN111292171 A CN 111292171A CN 202010130521 A CN202010130521 A CN 202010130521A CN 111292171 A CN111292171 A CN 111292171A
- Authority
- CN
- China
- Prior art keywords
- target
- node
- community
- financial product
- similarity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 239000000872 buffer Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000689227 Cora <basidiomycete fungus> Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种金融理财产品推送方法及装置,方法包括:自包含有多个节点的历史用户社会关系网络图中选取目标节点以生成目标社区,目标社区的初始化状态为仅包含目标节点的标识,以及目标社区初始的社区嵌入向量为目标节点的嵌入向量,目标节点的嵌入向量基于LINE对历史用户社会关系网络图的边文件训练后得到;应用各个节点各自对应的邻居节点列表增加目标社区中的节点标识以形成目标节点的相似社区;向相似社区中邻居节点分别推送金融理财产品推荐信息。本申请能够有效提高获取金融理财产品推送对象的精确性及针对性,并能够有效降低获取金融理财产品推送对象过程的数据处理量,进而能够有效提高金融理财产品推送的可靠性及精确性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及金融理财产品推送方法及装置。
背景技术
金融理财产品是商业银行在对潜在目标客户群进行分析研究的基础上,针对特定目标客户群开发设计并销售的资金投资和管理计划。在理财产品这种投资方式中,银行有时需要主动向潜在客户进行金融理财产品的推荐,而如果准确获取这些潜在客户则是金融理财产品推荐是否精准的关系。
目前,银行在确定金融理财产品的推荐对象时,通常通过确定与已购买理财产品的客户存在相似社会关系的人作为潜在客户,而在确定这些相似社会关系的人时,通常只考虑与已购买理财产品的客户存在一阶邻近度的人,且需要经过大量且全局的数据处理,因此使得当前的金融理财产品推送方式存在获取潜在客户的精确度低且数据处理过程冗余等问题。
发明内容
针对现有技术中的问题,本申请提供一种金融理财产品推送方法及装置,能够有效提高获取金融理财产品推送对象的精确性及针对性,并能够有效降低获取金融理财产品推送对象过程的数据处理量,提高获取金融理财产品推送对象过程的效率和智能化程度,进而能够有效提高金融理财产品推送的可靠性及精确性。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种金融理财产品推送方法,包括:
自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点;
生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到;
基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区;
向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
进一步地,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
进一步地,在所述自预获取的历史用户社会关系网络图中选取目标节点之前,还包括:
接收历史用户社会关系网络图对应的边文件;
获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
进一步地,在所述接收历史用户社会关系网络图对应的边文件之后,还包括:
基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
进一步地,所述生成目标节点对应的目标社区,包括:
对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
进一步地,在所述对目标节点对应的目标社区进行初始化处理之前,还包括:
设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
进一步地,所述基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区,包括:
相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度;
在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识;
判断所述目标相似度是否大于预设的相似度阈值,若是,则将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区;若否,则将当前的目标社区作为所述目标节点对应的相似社区;
将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值;
返回执行所述相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,将当前的目标社区作为所述目标节点对应的相似社区。
进一步地,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。
进一步地,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
进一步地,所述向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息,包括:
向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
第二方面,本申请提供一种金融理财产品推送装置,包括:
目标节点选定模块,用于自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点;
目标社区生成模块,用于生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到;
相似社区获取模块,用于基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区;
信息推送模块,用于向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
进一步地,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
进一步地,还包括:
边文件接收模块,用于接收历史用户社会关系网络图对应的边文件;
邻居节点获取模块,用于获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
进一步地,还包括:
LINE训练模块,用于基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
进一步地,所述目标社区生成模块包括:
目标社区初始化单元,用于对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
节点嵌入向量获取单元,用于在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
社区嵌入向量初始化单元,用于将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
进一步地,所述目标社区生成模块还包括:
标识及阈值设置单元,用于设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
进一步地,所述相似社区获取模块具体用于执行下述内容:
相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度;
在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识;
判断所述目标相似度是否大于预设的相似度阈值,若是,则将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区;若否,则将当前的目标社区作为所述目标节点对应的相似社区;
将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值;
返回执行所述相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,将当前的目标社区作为所述目标节点对应的相似社区。
进一步地,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。
进一步地,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
进一步地,所述信息推送模块具体用于执行下述内容:
向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
第三方面,本申请提供一种电子设备,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,所述处理器执行所述程序时实现所述的金融理财产品推送方法的步骤。
第四方面,本申请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所述的金融理财产品推送方法的步骤。
由上述技术方案可知,本申请提供的一种金融理财产品推送方法及装置,方法包括:自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点;生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到;基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区;向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息;即:本申请采用LINE模型计算出社会关系网络的节点嵌入向量并由目标点出发发现局部社区的方法,可以由已知购买某类理财产品的客户节点出发发现其所有相关并相似的节点组成的社区,并向他们推荐相同或相似的理财产品,由于该局部社区发现算法采用的LINE模型同时考虑节点的一阶邻近度和二阶邻近度,相比于传统的只考虑一阶邻近度的方法所得到的节点嵌入能够更加全面和准确地反映节点的社会属性和社交特征,因而预期能够在推荐相似理财产品上取得更好的效果。另外,由于该方法的可定制性,无需进行全局的社区发现,可以针对指定客户采取社区发现算法并对其相关相似节点客户进行推荐,另外发现社区的大小和相似度阈值负相关,可以通过调整阈值对社区大小和社区内节点相似程度进行灵活控制,因而具备减小成本和提高推荐精准度的优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是节点之间的一阶邻近度与二阶邻近度示意图。
图2是本申请中的基于LINE图嵌入的社区发现算法***的结构示意图。
图3是本申请中的基于LINE图嵌入的社区发现算法的流程示意图。
图4是本申请实施例中的金融理财产品推送方法的流程示意图。
图5是本申请实施例中的金融理财产品推送方法中的步骤010和步骤020的流程示意图。
图6是本申请实施例中的包含有步骤030的金融理财产品推送方法的流程示意图。
图7是本申请实施例中的金融理财产品推送方法中的步骤200的第一种具体流程示意图。
图8是本申请实施例中的金融理财产品推送方法中的步骤200的第二种具体流程示意图。
图9是本申请实施例中的金融理财产品推送方法中的步骤300的具体流程示意图。
图10是本申请实施例中的金融理财产品推送装置的第一种结构示意图。
图11是本申请实施例中的金融理财产品推送装置的第二种结构示意图。
图12是本申请实施例中的金融理财产品推送装置的第三种结构示意图。
图13是本申请实施例中的金融理财产品推送装置中目标社区生成模块的第一种结构示意图。
图14是本申请实施例中的金融理财产品推送装置中目标社区生成模块的第二种结构示意图。
图15是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现实中存在各种各样的复杂网络,如万维网、线上社交网络、金融网络、交通网络、电力网络乃至食物链,对于它们的研究一直是许多领域的热点,其中社区结构是复杂网络中的一个普遍特征,一般来讲,整个网络由多个社区构成。虽然社区并没有一个准确的定义,不过一般采取如下理解:
同一社区内的节点与节点之间的连接很紧密,而社区与社区之间的连接比较稀疏。
社区发现(community detection)的目的就是根据图的网络结构从中识别出一个个符合上述定义的社区。社区发现对研究网络特性十分重要,常常作为很多其他图算法的前驱步骤,将全图分解为节点相关性高的子图,从而降低问题的复杂度(如复杂度很高的中介中心性的计算)。
目前主流的社区发现算法均为全局社区发现算法,主要包括基于标签传播(LPA)的社区发现算法和基于模块度优化的社区发现算法。
LPA算法的基本思想是通过目标节点的邻居节点的标签情况来迭代更新自身的标签信息,其邻接节点的标签中出现次数最多的被认为最接近目标点的标签,通过不断地迭代式传播直到稳定,便完成了全图社区的划分。而模块度是一个用以衡量社区点内聚程度对社区间点联系程度的相对量,越大说明社区划分的效果越好。LPA算法的优点是计算速度快,缺点是社区划分效果不够好,实测发现找到的社区相比Louvain等算法往往过大。
最广为人知的基于模块度优化的社区发现算法为Louvain算法,该算法具有通过不断遍历图中节点,将局部模块度最优化,最终实现全局模块度最优从而输出高质量的社区划分结果。Louvain算法的优点是社区划分的效果好,并且速度也比较快,缺点是内存消耗很大,处理千万点边以上级别的图往往会出现内存不足的问题。
本申请提出的社区发现算法所基于的大规模信息网络嵌入LINE(Large-scaleInformation Network Embedding),同时考虑图节点一阶和二阶邻近度,结合negativesampling和edge sampling的方法,通过对网络结构的监督训练得到所有图节点的嵌入。相对的,传统的图嵌入算法大多只考虑一阶邻近度而丢失了很多节点之间的隐含联系,如图1所示:网络中节点1和节点2之间没有直接联系,但是有多个共同邻居,那么节点1和节点2的二阶邻近度较高,相对的,节点2和节点3之间虽然存在直接联系,但共同邻居的数目是0,因此虽然一阶邻近度高于节点1和节点2,二阶邻近度却为0。因而基于LINE的嵌入能够更加全面地反映节点的局部以及全局信息;另外negative sampling以及edge sampling的引入大大减小了训练过程的计算量,实测能够单机在小时量级的时间内完成亿级别节点数网络的图嵌入训练。
上述的这些算法均是对全图进行计算,划分出所有的社区。然而在实际应用中有些时候并不需要找到全部的社区,在这种情况下基于全图指标优化的算法不仅浪费了计算资源而且在局部社区的划分上精确度和定制灵活性不足。
本申请首先提出一种基于大规模信息网络嵌入(LINE)相似度计算的社区发现算法,提供一种从指定点出发找到它所在社区的方式。提升了精确度、灵活度,减少了计算时间。
本申请基于大规模信息网络嵌入模型(LINE),实现从自定义目标点出发的社区发现算法。参见图2,基于LINE图嵌入的社区发现算法***包括三个模块:
图节点邻居数据提取模块2-1:通过边文件输入获取所有节点的邻居信息,将每个点ID映射到其邻居列表。
LINE图节点嵌入训练模块2-2:输入边文件数据,通过两个目标函数的最小化实现获取全图节点嵌入的训练。
基于节点嵌入相似度的社区节点吸收模块2-3:输入指定目标节点的嵌入(向量),通过不断吸收最相似邻居的方式不断扩充社区,输出依据判据收敛的社区。
参见图3,应用所述基于LINE图嵌入的社区发现算法***实现基于LINE图嵌入的社区发现算法的具体过程如下:
原始数据:准备网络图边文件数据,具体格式为文件每行以’边起点ID+空格+边终点ID+空格+权重’,例:1311 24267 4。其中1311为边起点ID,24267为边终点ID,4为边权重,如果输入图没有权重参数,需要将所有边的权重都设置为1。
步骤3-1:通过图节点邻居数据提取模块处理边数据文件获取所有节点的邻居列表,存储起来待用。
步骤3-2:通过LINE算法对步骤3-1中的输入边文件数据进行训练得到全图节点的嵌入,嵌入维度n根据数据规模自定义。其中嵌入是指图节点空间映射到n维欧几里得空间的向量。LINE算法程序可以采用现有程序算法实现。
步骤3-3:设定目标节点ID以及停止更新社区的相似度阈值。
步骤3-4:引入社区嵌入的概念,初始化社区只包含目标节点自身,初始化社区嵌入为目标节点的嵌入(步骤3-2的LINE训练结果)。
步骤3-6:比较Sm与相似度阈值,若大于阈值,则跳转至步骤3-7,否则至步骤3-8。
步骤3-7:吸收该最相似的邻居节点进入社区,将更新后社区的嵌入取为该社区内现有节点嵌入的加权平均值,其中权值为节点的重要程度,可以根据具体情况有以下几种选择:度中心性、PageRank值和中介中心性等。更新社区信息后转回步骤5。
步骤3-8:终止程序,输出最终社区信息。
从上述描述可知,首先,本申请的社区发现算法具有广泛适用性,可以用于各种规模和类别的网络图,包括但不限于线上社交网络图、转账关系图、文献索引关系图、交通网络图等,甚至可以用于在自然语言中寻找近义词,在这种场景下,图的边被解释为一句话中紧接着出现的两个词组成的词对。相对的,传统的社区发现算法如标签传播算法在处理自然语言图和交通网络图时效果并不理想,会导致结果社区因为点互相连通而过大。
其次,本申请的社区发现算法具有很强的灵活性和自定义性,本申请作者将该社区发现算法用于cora论文索引数据集时,发现满足一定相似度阈值时,由某篇论文作为起始点所找到的论文社区(集合)中的所有其他论文绝大多数也属于同领域论文。相似度阈值设置地越高,社区内论文的属于同领域论文的比例就越大,同时社区就越小,因而通过设置不同的阈值可以满足不同的实际需求。而传统的社区划分算法均为全局社区发现,自定义性和灵活性不足,大量的时间和算力被用于发现最终并不需要使用的社区。
最后,本申请提供的基于的LINE算法对节点嵌入的训练速度非常快,后续的社区发现模块由于是局部网络的算法,并且可以采用python的numpy矩阵运算库,因此时间复杂度也很低,实测对于50维的节点嵌入,找到一个200点的社区仅需60ms。
基于上述社区算法内容,为了有效提高获取金融理财产品推送对象的精确性及针对性,并能够有效降低获取金融理财产品推送对象过程的数据处理量,提高获取金融理财产品推送对象过程的效率和智能化程度,进而能够有效提高金融理财产品推送的可靠性及精确性,本申请提供一种金融理财产品推送方法的实施例,参见图4,所述金融理财产品推送方法具体包含有如下内容:
步骤100:自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点。
在步骤100中,为了有效提高历史用户社会关系网络图的全面性及可靠性,进而提高目标节点对应的相似社区获取的可靠性及准确性,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
步骤200:生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到。
可以理解的是,为了有效提高基于LINE进行数据训练的准确性及可靠性,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。具体格式为文件每行以边起点ID+空格+边终点ID+空格+权重”,其中,边起点和边终点都是网络图中的节点,含义是一致的,例如均可以被认为是代表客户的节点;边用于表示两个节点之间具有的社会关系,比如亲戚关系、朋友关系、同事关系等。例:“1311 24267 4”。其中“1311”为边起点ID,“24267”为边终点ID,“4”为边权重,如果输入图没有权重参数,需要将所有边的权重都设置为1。
步骤300:基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区。
步骤400:向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
在本申请的一个或多个实施例中,为了有效提高金融产品推送的全面性以进一步提高邻居节点对应的潜在客户的购买意向,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
为了进一步提高所述目标节点对应的相似社区的获取过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送方法的一实施例中,参见图5,所述金融理财产品推送方法的步骤100之前还具有包含有建立所述邻居节点列表的步骤,具体如下:
步骤010:接收历史用户社会关系网络图对应的边文件。
步骤020:获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
为了进一步提高所述目标节点对应的相似社区的获取过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送方法的一实施例中,参见图6,所述金融理财产品推送方法的步骤010之后及100之前还具有包含有LINE训练的步骤,具体如下:
步骤030:基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
为了进一步提高所述目标节点对应的目标社区的生成过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送方法的一实施例中,参见图7,所述金融理财产品推送方法的步骤200具有包含有如下内容:
步骤210:对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
步骤220:在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
步骤230:将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
为了有效提高形成所述目标节点对应的相似社区的智能化程度,在本申请提供的金融理财产品推送方法的一实施例中,参见图8,所述金融理财产品推送方法的步骤100之后以及步骤210之前还具有包含有如下内容:
步骤240:设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
为了进一步提高形成的所述目标节点对应的相似社区的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送方法的一实施例中,参见图9,所述金融理财产品推送方法的步骤300具有包含有如下内容:
步骤310-相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度。
步骤320:在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识。
步骤330:判断所述目标相似度是否大于预设的相似度阈值,若是,则执行步骤340;若否,则执行步骤360。
步骤340:将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区。
步骤350:将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值。
返回执行步骤310-相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,执行步骤360。
步骤360:将当前的目标社区作为所述目标节点对应的相似社区。
为了有效提高金融理财产品推送的智能化程度,在本申请提供的金融理财产品推送方法的一实施例中,所述金融理财产品推送方法的步骤400具有包含有如下内容:
步骤410:向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
为进一步地说明本方案,本申请提供一种金融理财产品推送方法的具体应用实例,该金融理财产品推送方法的全流程如下:
S1:获取包含有多个节点的社会关系网络图对应的边文件。
其中,所述社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户;
所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。
S2:获取所述边文件中各个所述节点各自对应的邻居节点列表。
其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
S3:基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量。
其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量的维度相同。
S4:在所述社会关系网络图中选取一节点作为当前的目标节点。
S5:设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
S6:对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识。
S7:在S3中获取的边文件中各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量。
S8:将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
S9:基于S2中获取的所述边文件中各个所述节点各自对应的邻居节点列表,分别计算当前的目标社区中各个所述目标节点与对应的邻居节点之间的cosine相似度。
S10:在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识。
S11:判断所述目标相似度是否大于预设的相似度阈值,若是,则执行S12;若否,则执行S14。将当前的目标社区作为所述目标节点对应的相似社区。
S12:将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区。
S13:将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值,返回执行S9。
S14:将当前的目标社区作为所述目标节点对应的相似社区。
S15:向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
其中,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
从软件层面来说,为了有效提高获取金融理财产品推送对象的精确性及针对性,并能够有效降低获取金融理财产品推送对象过程的数据处理量,提高获取金融理财产品推送对象过程的效率和智能化程度,进而能够有效提高金融理财产品推送的可靠性及精确性,本申请提供一种用于实现所述金融理财产品推送方法中全部或部分内容的金融理财产品推送装置的实施例,参见图10,所述金融理财产品推送装置具体包含有如下内容:
目标节点选定模块10,用于自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点。
其中,为了有效提高历史用户社会关系网络图的全面性及可靠性,进而提高目标节点对应的相似社区获取的可靠性及准确性,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
目标社区生成模块20,用于生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到。
可以理解的是,为了有效提高基于LINE进行数据训练的准确性及可靠性,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。具体格式为文件每行以“边起点ID+空格+边终点ID+空格+权重”,例:“1311 24267 4”。其中“1311”为边起点ID,“24267”为边终点ID,“4”为边权重,如果输入图没有权重参数,需要将所有边的权重都设置为1。
相似社区获取模块30,用于基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区。
信息推送模块40,用于向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
在本申请的一个或多个实施例中,为了有效提高金融产品推送的全面性以进一步提高邻居节点对应的潜在客户的购买意向,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
为了进一步提高所述目标节点对应的相似社区的获取过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送装置的一实施例中,参见图11,所述金融理财产品推送装置还具有包含有如下内容:
边文件接收模块01,用于接收历史用户社会关系网络图对应的边文件;
邻居节点获取模块02,用于获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
为了进一步提高所述目标节点对应的相似社区的获取过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送装置的一实施例中,参见图12,所述金融理财产品推送装置还具有包含有如下内容:
LINE训练模块03,用于基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
为了进一步提高所述目标节点对应的目标社区的生成过程的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送装置的一实施例中,参见图13,所述金融理财产品推送装置的目标社区生成模块20具有包含有如下内容:
目标社区初始化单元21,用于对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
节点嵌入向量获取单元22,用于在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
社区嵌入向量初始化单元23,用于将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
为了有效提高形成所述目标节点对应的相似社区的智能化程度,在本申请提供的金融理财产品推送装置的一实施例中,参见图14,所述金融理财产品推送装置中的目标社区生成模块20还具有包含有如下内容:
标识及阈值设置单元24,用于设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
为了进一步提高形成的所述目标节点对应的相似社区的可靠性以及相似社区的获取结果的精确性,在本申请提供的金融理财产品推送装置的一实施例中,所述金融理财产品推送装置的相似社区获取模块30具体用于执行下述内容:
相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度;
在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识;
判断所述目标相似度是否大于预设的相似度阈值,若是,则将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区;若否,则将当前的目标社区作为所述目标节点对应的相似社区;
将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值;
返回执行所述相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,将当前的目标社区作为所述目标节点对应的相似社区。
为了有效提高金融理财产品推送的智能化程度,在本申请提供的金融理财产品推送装置的一实施例中,所述金融理财产品推送装置的信息推送模块40具体用于执行下述内容:
向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
从上述描述可知,本申请实施例提供的金融理财产品推送装置,采用LINE模型计算出社会关系网络的节点嵌入向量并由目标点出发发现局部社区的方法,可以由已知购买某类理财产品的客户节点出发发现其所有相关并相似的节点组成的社区,并向他们推荐相同或相似的理财产品,由于该局部社区发现算法采用的LINE模型同时考虑节点的一阶邻近度和二阶邻近度,相比于传统的只考虑一阶邻近度的方法所得到的节点嵌入能够更加全面和准确地反映节点的社会属性和社交特征,因而预期能够在推荐相似理财产品上取得更好的效果。另外,由于该方法的可定制性,无需进行全局的社区发现,可以针对指定客户采取社区发现算法并对其相关相似节点客户进行推荐,另外发现社区的大小和相似度阈值负相关,可以通过调整阈值对社区大小和社区内节点相似程度进行灵活控制,因而具备减小成本和提高推荐精准度的优点。
从硬件层面来说,为了有效提高获取金融理财产品推送对象的精确性及针对性,并能够有效降低获取金融理财产品推送对象过程的数据处理量,提高获取金融理财产品推送对象过程的效率和智能化程度,进而能够有效提高金融理财产品推送的可靠性及精确性,本申请提供一种用于实现所述金融理财产品推送方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现电子设备与用户终端以及相关数据库等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例中的金融理财产品推送方法的实施例,以及,金融理财产品推送装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图15为本申请实施例的电子设备9600的***构成的示意框图。如图15所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图15是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在一实施例中,金融理财产品推送功能可以被集成到中央处理器中。其中,中央处理器可以被配置为进行如下控制:
步骤100:自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点。
在步骤100中,为了有效提高历史用户社会关系网络图的全面性及可靠性,进而提高目标节点对应的相似社区获取的可靠性及准确性,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
步骤200:生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到。
可以理解的是,为了有效提高基于LINE进行数据训练的准确性及可靠性,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。具体格式为文件每行以“边起点ID+空格+边终点ID+空格+权重”,例:“1311 24267 4”。其中“1311”为边起点ID,“24267”为边终点ID,“4”为边权重,如果输入图没有权重参数,需要将所有边的权重都设置为1。
步骤300:基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区。
步骤400:向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
从上述描述可知,本申请实施例提供的电子设备,采用LINE模型计算出社会关系网络的节点嵌入向量并由目标点出发发现局部社区的方法,可以由已知购买某类理财产品的客户节点出发发现其所有相关并相似的节点组成的社区,并向他们推荐相同或相似的理财产品,由于该局部社区发现算法采用的LINE模型同时考虑节点的一阶邻近度和二阶邻近度,相比于传统的只考虑一阶邻近度的方法所得到的节点嵌入能够更加全面和准确地反映节点的社会属性和社交特征,因而预期能够在推荐相似理财产品上取得更好的效果。另外,由于该方法的可定制性,无需进行全局的社区发现,可以针对指定客户采取社区发现算法并对其相关相似节点客户进行推荐,另外发现社区的大小和相似度阈值负相关,可以通过调整阈值对社区大小和社区内节点相似程度进行灵活控制,因而具备减小成本和提高推荐精准度的优点。
在另一个实施方式中,金融理财产品推送装置可以与中央处理器9100分开配置,例如可以将金融理财产品推送装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现金融理财产品推送功能。
如图15所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图15中所示的所有部件;此外,电子设备9600还可以包括图15中没有示出的部件,可以参考现有技术。
如图15所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的金融理财产品推送方法中全部步骤的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执行主体为服务器或客户端的金融理财产品推送方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点。
在步骤100中,为了有效提高历史用户社会关系网络图的全面性及可靠性,进而提高目标节点对应的相似社区获取的可靠性及准确性,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
步骤200:生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到。
可以理解的是,为了有效提高基于LINE进行数据训练的准确性及可靠性,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。具体格式为文件每行以“边起点ID+空格+边终点ID+空格+权重”,例:“1311 24267 4”。其中“1311”为边起点ID,“24267”为边终点ID,“4”为边权重,如果输入图没有权重参数,需要将所有边的权重都设置为1。
步骤300:基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区。
步骤400:向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
从上述描述可知,本申请实施例提供的计算机可读存储介质,采用LINE模型计算出社会关系网络的节点嵌入向量并由目标点出发发现局部社区的方法,可以由已知购买某类理财产品的客户节点出发发现其所有相关并相似的节点组成的社区,并向他们推荐相同或相似的理财产品,由于该局部社区发现算法采用的LINE模型同时考虑节点的一阶邻近度和二阶邻近度,相比于传统的只考虑一阶邻近度的方法所得到的节点嵌入能够更加全面和准确地反映节点的社会属性和社交特征,因而预期能够在推荐相似理财产品上取得更好的效果。另外,由于该方法的可定制性,无需进行全局的社区发现,可以针对指定客户采取社区发现算法并对其相关相似节点客户进行推荐,另外发现社区的大小和相似度阈值负相关,可以通过调整阈值对社区大小和社区内节点相似程度进行灵活控制,因而具备减小成本和提高推荐精准度的优点。
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、装置、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(装置)、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 (22)
1.一种金融理财产品推送方法,其特征在于,包括:
自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点;
生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到;
基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区;
向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
2.根据权利要求1所述的金融理财产品推送方法,其特征在于,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
3.根据权利要求1所述的金融理财产品推送方法,其特征在于,在所述自预获取的历史用户社会关系网络图中选取目标节点之前,还包括:
接收历史用户社会关系网络图对应的边文件;
获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
4.根据权利要求3所述的金融理财产品推送方法,其特征在于,在所述接收历史用户社会关系网络图对应的边文件之后,还包括:
基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
5.根据权利要求4所述的金融理财产品推送方法,其特征在于,所述生成目标节点对应的目标社区,包括:
对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
6.根据权利要求5所述的金融理财产品推送方法,其特征在于,在所述对目标节点对应的目标社区进行初始化处理之前,还包括:
设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
7.根据权利要求3所述的金融理财产品推送方法,其特征在于,所述基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区,包括:
相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度;
在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识;
判断所述目标相似度是否大于预设的相似度阈值,若是,则将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区;若否,则将当前的目标社区作为所述目标节点对应的相似社区;
将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值;
返回执行所述相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,将当前的目标社区作为所述目标节点对应的相似社区。
8.根据权利要求1所述的金融理财产品推送方法,其特征在于,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。
9.根据权利要求1所述的金融理财产品推送方法,其特征在于,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
10.根据权利要求1所述的金融理财产品推送方法,其特征在于,所述向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息,包括:
向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
11.一种金融理财产品推送装置,其特征在于,包括:
目标节点选定模块,用于自预获取的包含有多个节点的历史用户社会关系网络图中选取目标节点;
目标社区生成模块,用于生成目标节点对应的目标社区,且该目标社区的初始化状态为:仅包含有所述目标节点的标识,以及所述目标社区初始的社区嵌入向量为所述目标节点的嵌入向量,其中,所述目标节点的嵌入向量预先基于LINE对所述历史用户社会关系网络图对应的边文件进行训练后得到;
相似社区获取模块,用于基于预设的相似度阈值,应用预先获取的各个所述节点各自对应的邻居节点列表增加所述目标社区中的节点的标识以形成所述目标节点对应的相似社区;
信息推送模块,用于向所述目标节点对应的相似社区中的各个邻居节点分别推送金融理财产品推荐信息。
12.根据权利要求11所述的金融理财产品推送装置,其特征在于,所述金融理财产品推荐信息包括目标金融理财产品以及该目标金融理财产品对应的预设相似目标金融理财产品的推荐信息。
13.根据权利要求11所述的金融理财产品推送装置,其特征在于,还包括:
边文件接收模块,用于接收历史用户社会关系网络图对应的边文件;
邻居节点获取模块,用于获取所述边文件中各个所述节点各自对应的邻居节点列表,其中,所述邻居节点列表用于存储与任意一节点存在相邻的社会关系的至少一个邻居节点。
14.根据权利要求13所述的金融理财产品推送装置,其特征在于,还包括:
LINE训练模块,用于基于预设的LINE算法对所述边文件进行训练,得到该边文件中各个所述节点各自对应的嵌入向量,其中,所述嵌入向量是指对应的节点自图节点空间映射到欧几里得空间的向量,且该欧几里得空间的维度与嵌入向量预先设置的维度相同。
15.根据权利要求14所述的金融理财产品推送装置,其特征在于,所述目标社区生成模块包括:
目标社区初始化单元,用于对目标节点对应的目标社区进行初始化处理,使得当前的目标社区中仅包含有目标节点的标识;
节点嵌入向量获取单元,用于在所述边文件中的各个所述节点各自对应的嵌入向量中获取所述目标节点对应的嵌入向量;
社区嵌入向量初始化单元,用于将所述目标节点对应的嵌入向量作为所述目标社区当前的社区嵌入向量。
16.根据权利要求15所述的金融理财产品推送装置,其特征在于,所述目标社区生成模块还包括:
标识及阈值设置单元,用于设置所述目标节点的标识以及用于停止更新该目标节点对应的目标社区的相似度阈值。
17.根据权利要求13所述的金融理财产品推送装置,其特征在于,所述相似社区获取模块具体用于执行下述内容:
相似度确定步骤:基于所述边文件中各个所述节点各自对应的邻居节点列表,分别确定当前的目标社区中各个所述目标节点与对应的邻居节点之间的出相似度;
在各个所述目标节点与对应的邻居节点之间的cosine相似度中选择数值最大的cosine相似度作为当前的目标相似度,并获取该目标相似度对应的邻居节点的标识;
判断所述目标相似度是否大于预设的相似度阈值,若是,则将所述目标相似度对应的邻居节点的标识加入当前的目标社区中以更新该目标社区;若否,则将当前的目标社区作为所述目标节点对应的相似社区;
将更新后的目标社区的社区嵌入向量更新为该目标社区内全部节点的嵌入向量的加权平均值;
返回执行所述相似度确定步骤,直至所述目标相似度小于或等于所述相似度阈值后,将当前的目标社区作为所述目标节点对应的相似社区。
18.根据权利要求11所述的金融理财产品推送装置,其特征在于,所述边文件用于存储各个所述节点各自对应的边信息,且该边信息用于存储边起点标识、边终点标识以及权重之间的对应关系。
19.根据权利要求11所述的金融理财产品推送装置,其特征在于,所述历史用户社会关系网络图中的各个节点分别用于表示各个已购买目标金融理财产品和/或已展示针对所述目标金融理财产品的购买意向的历史用户。
20.根据权利要求11所述的金融理财产品推送装置,其特征在于,所述信息推送模块具体用于执行下述内容:
向所述目标节点对应的相似社区中的各个邻居节点各自对应的客户端设备中发送所述金融理财产品推荐信息。
21.一种电子设备,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10任一项所述的金融理财产品推送方法的步骤。
22.一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10任一项所述的金融理财产品推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130521.4A CN111292171B (zh) | 2020-02-28 | 2020-02-28 | 金融理财产品推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130521.4A CN111292171B (zh) | 2020-02-28 | 2020-02-28 | 金融理财产品推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292171A true CN111292171A (zh) | 2020-06-16 |
CN111292171B CN111292171B (zh) | 2023-06-27 |
Family
ID=71024579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010130521.4A Active CN111292171B (zh) | 2020-02-28 | 2020-02-28 | 金融理财产品推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292171B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344664A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 非典型信息过载的金融产品推送方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN106934722A (zh) * | 2017-02-24 | 2017-07-07 | 西安电子科技大学 | 基于k节点更新与相似度矩阵的多目标社区检测方法 |
CN107704512A (zh) * | 2017-08-31 | 2018-02-16 | 平安科技(深圳)有限公司 | 基于社交数据的金融产品推荐方法、电子装置及介质 |
WO2018103456A1 (zh) * | 2016-12-06 | 2018-06-14 | ***股份有限公司 | 一种基于特征匹配网络的社团划分方法、装置及电子设备 |
CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109428928A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息推送对象的选择方法、装置及设备 |
-
2020
- 2020-02-28 CN CN202010130521.4A patent/CN111292171B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
WO2018103456A1 (zh) * | 2016-12-06 | 2018-06-14 | ***股份有限公司 | 一种基于特征匹配网络的社团划分方法、装置及电子设备 |
CN106934722A (zh) * | 2017-02-24 | 2017-07-07 | 西安电子科技大学 | 基于k节点更新与相似度矩阵的多目标社区检测方法 |
CN107704512A (zh) * | 2017-08-31 | 2018-02-16 | 平安科技(深圳)有限公司 | 基于社交数据的金融产品推荐方法、电子装置及介质 |
CN109428928A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息推送对象的选择方法、装置及设备 |
CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344664A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 非典型信息过载的金融产品推送方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111292171B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210256403A1 (en) | Recommendation method and apparatus | |
WO2020114022A1 (zh) | 一种知识库对齐方法、装置、计算机设备及存储介质 | |
CN111445020B (zh) | 一种基于图的卷积网络训练方法、装置及*** | |
CN111310074B (zh) | 兴趣点的标签优化方法、装置、电子设备和计算机可读介质 | |
CN112348081B (zh) | 用于图像分类的迁移学习方法、相关装置及存储介质 | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN111898698B (zh) | 对象的处理方法及装置、存储介质和电子设备 | |
CN112381216A (zh) | 混合图神经网络模型的训练、预测方法和装置 | |
CN109408468A (zh) | 文件处理方法和装置、计算设备及存储介质 | |
US11763204B2 (en) | Method and apparatus for training item coding model | |
CN115512360A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN114398973A (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
CN111292171B (zh) | 金融理财产品推送方法及装置 | |
WO2022001233A1 (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN112559868B (zh) | 信息召回方法、装置、存储介质及电子设备 | |
CN113657411A (zh) | 神经网络模型的训练方法、图像特征提取方法及相关装置 | |
CN111488494B (zh) | 账户资金转账网络图着色方法及装置 | |
CN112069412A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN111459780A (zh) | 用户识别方法、装置、可读介质及电子设备 | |
CN111127481A (zh) | 基于tof图像联通区域的图像识别方法及装置 | |
CN116152368A (zh) | 字体生成方法、字体生成模型的训练方法、装置及设备 | |
CN112967146B (zh) | 一种基于标签传播的科研社区发现方法及装置 | |
CN111935259A (zh) | 目标帐号集合的确定方法和装置、存储介质及电子设备 | |
EP4318375A1 (en) | Graph data processing method and apparatus, computer device, storage medium and computer program product | |
CN115374360B (zh) | 媒体资源的召回方法和媒体资源召回模型的训练方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |