CN111882318A - 一种基于神经网络的智能卡片推荐方法及装置 - Google Patents
一种基于神经网络的智能卡片推荐方法及装置 Download PDFInfo
- Publication number
- CN111882318A CN111882318A CN202010639662.9A CN202010639662A CN111882318A CN 111882318 A CN111882318 A CN 111882318A CN 202010639662 A CN202010639662 A CN 202010639662A CN 111882318 A CN111882318 A CN 111882318A
- Authority
- CN
- China
- Prior art keywords
- user
- card
- users
- recommendation
- data
- 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
Links
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/34—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using cards, e.g. integrated circuit [IC] cards or magnetic cards
- G06Q20/356—Aspects of software for card payments
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的智能卡片推荐方法及装置，该方法包括获取用户的卡片推荐请求，根据用户的卡片推荐请求，提取出用户的用户特征，将用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数，智能卡片推荐模型是对由各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的，将推荐分数大于预设阈值的卡片推荐给用户。由于在训练智能卡片推荐模型时，使用的数据来源多，数据维度广，使得智能卡片推荐模型的推荐成功率高，进而可以提高用户的申卡或用卡效率。
Description
技术领域
本发明涉及卡片推荐技术领域，尤其涉及一种基于神经网络的智能卡片推荐方法及装置。
背景技术
近年来，随着智能手机的蓬勃发展，人们越来越频繁地使用手机钱包来进行交易结算的支付，但手机中绑定多张不同银行卡(借记卡、贷记卡)、交通卡也会带来一些不便。例如，当用户选择手机钱包支付时，应用会弹出***默认的借记卡，而用户偏向于使用***时需要手动进行选择，支付效率较低。本专利提案提供了一种手机钱包智能发卡、选卡方法，用于在发卡时自动推荐发卡行和卡片，颠覆现有发卡模式，提高发卡效率；在支付时，向用户推荐付款卡片，减少用户操作、提高支付效率、改善用户的支付体验。
发明内容
本发明实施例提供一种基于神经网络的智能卡片推荐方法及装置，用以实现根据用户的需求自动向用户推荐卡片，降低用户的操作步骤，提高用户的用卡效率。
第一方面，本发明实施例提供一种基于神经网络的智能卡片推荐方法，包括：
获取用户的卡片推荐请求；
根据所述用户的卡片推荐请求，提取出所述用户的用户特征；
将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对由各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；
将推荐分数大于预设阈值的卡片推荐给所述用户。
上述技术方案中，由于在训练智能卡片推荐模型时，使用的数据来源多，数据维度广，使得智能卡片推荐模型的推荐成功率高，进而可以提高用户的申卡或用卡效率。
可选的，所述对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到所述智能卡片推荐模型，包括：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。
上述技术特征中，通过设置反馈特征进行反馈训练，可以使得推荐的卡片能够更准确及时，推荐结果更能被用户所接受。
可选的，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。
可选的，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。
可选的，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。
可选的，在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，还包括：
获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。
第二方面，本发明实施例提供一种基于神经网络的智能卡片推荐装置，包括：
获取单元，用户获取用户的卡片推荐请求；
处理单元，用户根据所述用户的卡片推荐请求，提取出所述用户的用户特征；将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；将推荐分数大于预设阈值的卡片推荐给所述用户。
可选的，所述处理单元具体用于：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。
可选的，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。
可选的，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述处理单元具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。
可选的，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述处理单元具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。
可选的，所述处理单元还用于：
在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述基于神经网络的智能卡片推荐方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述基于神经网络的智能卡片推荐方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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为本发明实施例提供的一种***架构的示意图；
图2为本发明实施例提供的一种基于神经网络的智能卡片推荐方法的流程示意图；
图3为本发明实施例提供的一种智能卡片发卡的示意图；
图4为本发明实施例提供的一种智能卡片用卡的示意图；
图5为本发明实施例提供的一种神经网络模型结构的示意图；
图6为本发明实施例提供的一种基于神经网络的智能卡片推荐装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种***架构。如图1所示，该***架构可以包括智能卡片发卡计算平台100、智能卡片发卡训练平台200、智能卡片用卡计算平台300和智能卡片用卡训练平台400。
其中，智能卡片发卡计算平台100用于获取发卡请求，然后基于智能卡片发卡训练平台200训练的智能卡片发卡模型，对发卡请求进行计算，确定出不同卡片的推荐分数，然后根据推荐分数向用户推荐卡片。
智能卡片发卡训练平台200用于基于用户的历史数据和不同平台的数据进行智能卡片发卡模型的训练。
智能卡片用卡计算平台300用于获取用卡请求，然后基于智能卡片用卡训练平台400训练的智能卡片用卡模型，对用卡请求进行计算，确定出不同卡片的推荐分数，然后根据推荐分数向用户推荐卡片。
智能卡片用卡训练平台400用于基于用户的历史数据和不同平台的数据进行智能卡片用卡模型的训练。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2详细的示出了本发明实施例提供的一种基于神经网络的智能卡片推荐方法的流程，该流程可以由基于神经网络的智能卡片推荐装置执行。
如图2所示，该流程具体包括：
步骤201，获取用户的卡片推荐请求。
在本发明实施例中，该卡片推荐请求可以为卡片发卡请求或卡片用卡请求，当用户需要申请卡片时，发起的是卡片发卡请求；当用于需要用卡消费时，发起的是卡片用卡请求。
在获取该卡片推荐请求之前，还需要先对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练得到智能卡片推荐模型，具体是获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据，然后对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集。再对训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征。最后，将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。在本发明实施例中，卡片组织可以为银行卡联合组织，例如银联。
其中，群体特征可以包括移动终端设备用户群特点、卡用户群特点和商户用户群特点。用户特征可以包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据。反馈特征可以包括用户使用勘误、用户推荐接受度和补充勘误。
该群体特征、用户特征和反馈特征都是根据用户实际需求从历史数据及各平台的数据中选取的。具体的，群体特征描述的是当前移动终端、商户和消费卡片目标用户的群体画像，包括移动终端设备用户群特点(如设备类型、设备类型分布、设备占有率、用户性别、年龄、消费习惯、职业等)、卡用户群特点(如卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯、职业等)、商户用户群特点(如交易金额、交易笔数、消费人群等)。
这部分数据是通过移动终端设备(例如手机)厂商平台、发卡行平台、银联平台注入，不依赖于用户本身的历史数据。
用户特征可以分为用户的自身画像(如用户性别、年龄、职业、手机设备类型、拥有卡片类型、消费习惯等)、用户的历史交易数据(例如最近若干次交易，内容包括使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点、交易商户类型等)和相似用户的历史交易数据(维度与用户历史交易数据的维度相同)。
对于相似用户的选取主要是基于用户的历史交易数据的若干维度。例如，用户A上次交易历史数据有特征维度：时间A1、支付卡片A2、支付金额A3、交易商户类型A4、使用营销信息A5…AN，则选取与用户A的各维度有较大相似性的用户B、C、D…作为相似用户(维度相似度的判断不限于：按照维度重合的数量设置阈值、将各维度按照重要性排序、各维度按照重要性设定权重以求取相似度得分等)，将相似用户的历史交易数据输入模型进行训练。
用户自身画像的生成需要长时间的用户历史数据，故我们针对用户上次交易(或最近若干次交易)数据分析引入相似用户的交易数据，对于神经网络的训练数据集进行有效补充，当用户没有足够历史数据、或是用户到了新的交易场景时，以最小的数据取得最准确的结果；而另一方面，相似用户数据的使用，能让网络的训练数据集范围更为准确，不再是宽泛的群体数据。
反馈特征是将用户不满意模型推荐结果、手动选择的情况输入模型进行对抗训练，主要包括用户使用勘误、用户推荐接受度。
用户使用勘误包括本次交易中推荐卡片信息(aj)、用户手动选取的卡片信息(ai)及相关交易信息(ak)，其中，相关交易信息(ak)包含了是否存在营销优惠、用户是否使用营销优惠，提取营销优惠信息影响用户手动选择的情况。
用户推荐接受度包括用户本人对于当前推荐卡的接受率和支付成功率、相似勘误用户对于当前推荐卡的接受率和支付成功率。相似勘误用户的选取主要是基于用户本次卡片推荐维度(包括推荐卡、推荐发卡行、推荐优惠等)和若干交易数据维度，例如，用户A在交易时包括了卡片信息(a1)、发卡行(a2)、营销优惠信息(a3)等基础推荐信息，和其他交易信息(时间(a4)、交易商户类型(a5)、手机类型(a6)…等)，选取与用户A的基础推荐信息维度相同、交易信息维度重合度高的用户X、Y、Z…作为相似用户(维度相似度的判断不限于：按照维度重合的数量设置阈值、将各维度按照重要性排序、各维度按照重要性设定权重以求取相似度得分等)。
此外，可进一步筛选相似勘误用户X、Y、Z…，从中选择不满意推荐结果、手动选择的用户X、Y，类似相似用户提取历史交易数据的过程，提取其历史交易数据各特征维度作为补充勘误训练集。
需要说明的是，用户推荐接受度也可包含用户本人和相似勘误用户对于营销优惠的接受率。
针对用户是否选择推荐卡片并支付成功的情况设计勘误流程，通过反馈训练使得推荐能够更准确及时，且推荐结果更能被用户所接受，提高了支付效率。其中相似勘误用户的引入，一是能精简数据选择范围、排除过多数据量的干扰；二是能在用户本人数据较少、推荐成功率这一数值参考性不高时，优化数据输入；三是能通过筛选相似勘误用户，补充丰富神经网络训练集。而添加营销信息对于卡片手动选择的判断优化了营销因素的影响。
针对于不同的智能卡片推荐模型，提取的特征是不同的，当智能卡片推荐模型为智能卡片发卡模型时，可以通过下述步骤确定模型训练时使用的群体特征、用户特征和反馈特征：
针对群体特征，可以根据训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出各用户的群体特征中的移动终端设备用户群特点；根据训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出各用户的群体特征中的卡用户群特点；根据训练集中的交易金额、交易笔数和消费人群，确定出各用户的群体特征中的商户用户群特点。
针对用户特征，可以根据训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出各用户的用户特征中的用户的自身画像；根据训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出各用户的用户特征中的用户的历史交易数据和申卡数据；根据各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为各用户的相似用户，并确定出各用户的用户特征中的相似用户的历史交易数据和申卡数据。
针对反馈特征，可以根据训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出各用户的反馈特征中的用户使用勘误；根据训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出各用户的反馈特征的用户推荐接受度；从相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为各用户的反馈特征的补充勘误。
也就是说，当智能卡片推荐模型为智能卡片发卡模型时，需求提取的特征包括且不限于：
1)群体特征分为移动终端设备用户群特点(如设备类型、设备类型分布、设备占有率、用户性别、年龄、消费习惯、职业等)、卡用户群特点(如卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯、职业等)、商户用户群特点(如交易金额、交易笔数、消费人群等)；
2)用户特征分为当前用户自身画像(如用户性别、年龄、职业、手机设备类型、拥有卡片类型、消费习惯等)、用户上次历史交易和申卡数据(可拓展到最近若干次交易，内容包括交易使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息等)和相似用户历史交易和申卡数据(维度同用户历史交易和申卡数据)；
3)反馈特征包括用户申卡勘误(推荐卡片信息、手动勘误卡片信息、是否存在营销优惠、用户是否使用营销优惠等相关申卡信息)、用户推荐接受度(用户和相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率)和补充勘误训练集。
当智能卡片推荐模型为智能卡片用卡模型时，可以通过下述步骤确定模型训练时使用的群体特征、用户特征和反馈特征：
针对群体特征，可以根据训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出各用户的群体特征中的移动终端设备用户群特点；根据训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出各用户的群体特征中的卡用户群特点；根据训练集中的交易金额、交易笔数和消费人群，确定出各用户的群体特征中的商户用户群特点。
针对用户特征，可以根据训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出各用户的用户特征中的用户的自身画像；根据训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出各用户的用户特征中的用户的历史交易数据；根据各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为各用户的相似用户，并确定出各用户的用户特征中的相似用户的历史交易数据。
针对反馈勘误，可以根据训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出各用户的反馈特征中的用户使用勘误；根据训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出各用户的反馈特征的用户推荐接受度；从相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将不满意推荐结果且手动选取卡片的用户的历史交易数据确定为各用户的反馈特征的补充勘误。
也就是说，当智能卡片推荐模型为智能卡片用卡模型时，需求提取的特征包括且不限于：
1)群体特征分为移动终端设备用户群特点(如设备类型、设备类型分布、设备占有率、用户性别、年龄、消费习惯、职业等)、卡用户群特点(如卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯、职业等)、商户用户群特点(如交易金额、交易笔数、消费人群等)；
2)用户特征分为当前用户自身画像(如用户性别、年龄、职业、手机设备类型、拥有卡片类型、消费习惯等)、用户上次历史交易数据(可拓展到最近若干次交易，内容包括使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点、交易商户类型等)和相似用户历史交易数据(维度同用户历史交易数据)；
3)反馈特征包括用户使用勘误(推荐卡片信息、手动勘误卡片信息、是否存在营销优惠、用户是否使用营销优惠等相关交易信息)、用户推荐接受度(用户和相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率)和补充勘误训练集。
将上述提取的特征输入到预设的神经网络模型的输入层之后，进行训练，直到模型收敛，可以得到相应的智能卡片推荐模型。
步骤202，根据所述用户的卡片推荐请求，提取出所述用户的用户特征。
根据用户不同的需求，可以提取出不同的用户特征，当卡片推荐请求为卡片发卡请求时，请求中包括的交易数据，可以根据交易数据提取出用户特征。
当卡片推荐请求为卡片用卡请求时，请求中包括申卡数据，可以根据申卡数据提取出用户特征。
步骤203，将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数。
将上述步骤提取的用户特征输入到智能卡片推荐模型中，进行预测可以得到不同卡片的推荐分数。
步骤204，将推荐分数大于预设阈值的卡片推荐给所述用户。
对推荐分数进行排序，然后将推荐分数大于预设阈值的卡片确定为推荐结果，并将推荐结果推荐给用户，以使用户根据推荐结果确定是否选择推荐的卡片。
此外，本发明实施例还设有勘误流程，可以获取用户的卡片选取结果，在确定卡片选取结果为未选取推荐分数大于预设阈值的卡片时，将卡片推荐请求、推荐分数大于预设阈值的卡片、卡片选取结果和用户手动选取的卡片存储为训练数据，以使智能卡片推荐模型继续使用训练数据进行训练，进一步提高卡片推荐的成功率。
为了更好的解释本发明实施例，下面将在具体的实施场景下来描述上述智能卡片推荐的流程。
实施例一，智能卡片发卡的过程：
如图3所示，具体流程包括：
1、用户在手机钱包中发起发卡流程。
2、手机厂商平台将发卡请求数据发送到银联智能发卡计算平台。
3、银联智能发卡计算平台使用训练好的神经网络模型对输入的申卡特征数据进行计算，确定不同卡片的推荐分数，并根据推荐打分结果推荐对应卡片。
发卡神经网络模型经过了预先训练，输入的训练数据来自用户历史数据、手机厂商平台数据、发卡行数据、银联平台数据。
与选卡情况类似，群体特征、用户特征和反馈特征都是根据实际应用需求从历史数据中通过特征工程选取的，包括且不限于：
1)手机设备用户群特点(如设备类型、设备类型分布、设备占有率、用户性别、年龄、消费习惯、职业等)、卡用户群特点(如卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯、职业等)、商户用户群特点(如交易金额、交易笔数、消费人群等)；
2)用户特征分为当前用户自身画像(如用户性别、年龄、职业、手机设备类型、拥有卡片类型、消费习惯等)、用户上次历史交易和申卡数据(可拓展到最近若干次交易，内容包括交易使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息等)和相似用户历史交易和申卡数据(维度同用户历史交易和申卡数据)；
3)反馈特征包括用户申卡勘误(推荐卡片信息、手动勘误卡片信息、是否存在营销优惠、用户是否使用营销优惠等相关申卡信息)、用户推荐接受度(用户和相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率)和补充勘误训练集。
将提取后的特征输入到神经网络中实现训练。
4、银联智能发卡计算平台将计算的发卡推荐结果返回到手机厂商平台。
5、手机厂商平台将发卡推荐结果发送手机设备等待用户确认。
6-1、如果发卡推荐符合用户需求，在用户确认后向推荐发卡行申请推荐卡片。
6-2、如果发卡推荐不符合用户需求，用户手动选卡进行申请，在用户选择后将数据经手机厂商平台发送到训练平台进行勘误。
勘误流程为根据用户实际选择对应的申卡信息，选取用户本人和相似勘误用户的相关反馈特征输入到网络模型做正向反馈训练。
实施例二，智能卡片用卡的流程：
如图4所示，具体流程包括：
1、收单终端设备侦听NFC手机。
2、收单终端设备感应到NFC手机，激活手机选卡。
3、手机设备发起选卡，上传数据到手机厂商平台。
4、手机厂商平台将数据透传到智能选卡计算平台。
5、银联智能选卡计算平台使用神经网络模型对输入的交易特征数据进行计算，确定不同支付卡的推荐分数，并根据推荐打分结果推荐对应支付卡片。
神经网络模型经过了预先训练，输入的训练数据来自用户历史数据、手机厂商平台数据、发卡行数据、银联平台数据。
以DNN(Deep Neural Networks，深度神经网络)为例，结构如图5所示，群体特征、用户特征和反馈特征都是根据实际应用需求从交易数据中通过特征工程选取的，包括且不限于：
1)手机设备用户群特点(如设备类型、设备类型分布、设备占有率、用户性别、年龄、消费习惯、职业等)、卡用户群特点(如卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯、职业等)、商户用户群特点(如交易金额、交易笔数、消费人群等)；
2)用户特征分为当前用户自身画像(如用户性别、年龄、职业、手机设备类型、拥有卡片类型、消费习惯等)、用户上次历史交易数据(可拓展到最近若干次交易，内容包括使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点、交易商户类型等)和相似用户历史交易数据(维度同用户历史交易数据)；
3)反馈特征包括用户使用勘误(推荐卡片信息、手动勘误卡片信息、是否存在营销优惠、用户是否使用营销优惠等相关交易信息)、用户推荐接受度(用户和相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率)和补充勘误训练集。
将提取后的特征输入到连接层(如隐藏层)中，实现DNN的训练。
6、银联智能选卡计算平台将选卡推荐结果透传到手机厂商平台。
7、手机厂商平台将选卡推荐结果发送手机设备等待用户确认。
8-1、如果选卡推荐符合用户需求，在用户确认后进行交易。
8-2、如果选卡推荐不符合用户需求，用户手动选卡进行交易，在用户选择后将数据经手机厂商平台发送到训练平台进行勘误。
勘误流程为根据用户实际选择对应的交易信息，选取用户本人和相似勘误用户的相关反馈特征输入到网络模型做正向反馈训练。
本发明实施例中的智能卡片推荐方法同时具备发卡、用卡的预测功能，且数据来源不只局限于NFC手机/条形码的用户本人历史交易数据，通过对接各手机厂商平台、银联平台和发卡行平台，数据来源更广，数据维度更多，预测效果更好：
1)不需要监控用户交易数据一段时间以生成用户自身画像，针对用户上次交易(或最近若干次交易)数据引入“相似用户”的交易数据，对神经网络的训练数据集进行有效补充，当用户没有足够历史数据、或是用户到了新的交易场景时，以最小的数据取得最准确的结果，同时使得网络的训练数据集范围更为精准有效，不再是宽泛的用户群数据；
2)设计勘误流程，增加用户推荐接受度、用户使用勘误进行反馈训练，使得推荐能够更准确及时、推荐结果更能被用户所接受，提高了支付效率。其中，“相似勘误用户”的引入，一是能精简数据选择范围、排除过多数据量的干扰；二是能在用户本人数据较少、推荐成功率这一数值参考性不高时，优化数据输入；三是能通过筛选相似勘误用户，补充神经网络勘误训练集；
3)最大化利用银联交易数据和发卡行数据，有效引入营销特征变量，并在勘误流程中添加营销信息对于卡片手动选择的影响判断，强化营销推荐；
4)相较于现有智能选卡方法中的特征变量局限于用户本人交易历史信息，本方案引入手机厂商、发卡行、银联平台的用户群数据，对于新用户也能实现预测推荐。
在本发明实施例中，获取用户的卡片推荐请求，根据用户的卡片推荐请求，提取出用户的用户特征，将用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数，智能卡片推荐模型是对由各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的，将推荐分数大于预设阈值的卡片推荐给用户。由于在训练智能卡片推荐模型时，使用的数据来源多，数据维度广，使得智能卡片推荐模型的推荐成功率高，进而可以提高用户的申卡或用卡效率。
基于相同的技术构思，图6示例性的示出了本发明实施例提供的一种基于神经网络的智能卡片推荐装置的结构，该装置可以执行基于神经网络的智能卡片推荐流程。
如图6所示，该装置具体包括：
获取单元601，用户获取用户的卡片推荐请求；
处理单元602，用户根据所述用户的卡片推荐请求，提取出所述用户的用户特征；将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；将推荐分数大于预设阈值的卡片推荐给所述用户。
可选的，所述处理单元602具体用于：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。
可选的，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。
可选的，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述处理单元602具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。
可选的，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述处理单元602具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。
可选的，所述处理单元602还用于：
在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用存储器中存储的程序指令，按照获得的程序执行上述基于神经网络的智能卡片推荐方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机执行上述基于神经网络的智能卡片推荐方法。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种基于神经网络的智能卡片推荐方法，其特征在于，包括：
获取用户的卡片推荐请求；
根据所述用户的卡片推荐请求，提取出所述用户的用户特征；
将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；
将推荐分数大于预设阈值的卡片推荐给所述用户。
2.如权利要求1所述的方法，其特征在于，所述对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到所述智能卡片推荐模型，包括：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。
3.如权利要求2所述的方法，其特征在于，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。
4.如权利要求3所述的方法，其特征在于，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。
5.如权利要求3所述的方法，其特征在于，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。
6.如权利要求1至5任一项所述的方法，其特征在于，在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，还包括：
获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。
7.一种基于神经网络的智能卡片推荐装置，其特征在于，包括：
获取单元，用户获取用户的卡片推荐请求；
处理单元，用户根据所述用户的卡片推荐请求，提取出所述用户的用户特征；将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；将推荐分数大于预设阈值的卡片推荐给所述用户。
8.如权利要求7所述的装置，其特征在于，所述处理单元具体用于：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。
9.如权利要求8所述的装置，其特征在于，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。
10.如权利要求9所述的装置，其特征在于，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述处理单元具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。
11.如权利要求9所述的装置，其特征在于，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述处理单元具体用于：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。
12.如权利要求7至11任一项所述的装置，其特征在于，所述处理单元还用于：
在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。
13.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至6任一项所述的方法。
14.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010639662.9A CN111882318A (zh) | 2020-07-06 | 2020-07-06 | 一种基于神经网络的智能卡片推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010639662.9A CN111882318A (zh) | 2020-07-06 | 2020-07-06 | 一种基于神经网络的智能卡片推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882318A true CN111882318A (zh) | 2020-11-03 |
Family
ID=73149876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010639662.9A Pending CN111882318A (zh) | 2020-07-06 | 2020-07-06 | 一种基于神经网络的智能卡片推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882318A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112783984A (zh) * | 2021-02-10 | 2021-05-11 | 中国人民银行数字货币研究所 | 一种信息展示方法和装置 |
| CN113436023A (zh) * | 2021-07-06 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的理财产品推荐方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108093304A (zh) * | 2017-12-29 | 2018-05-29 | 东莞市纽格力信息技术有限公司 | 一种基于用户习惯的智能推荐方法和*** |
| CN109255606A (zh) * | 2018-08-31 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 默认支付工具的推荐方法、装置及支付终端 |
| CN110245935A (zh) * | 2019-05-06 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 支付渠道推荐方法、装置及设备 |
| WO2019195263A1 (en) * | 2018-04-03 | 2019-10-10 | Bonfigli Michael | Systems and methods for credit card selection based on a consumer's personal spending |
| CN110399550A (zh) * | 2019-03-14 | 2019-11-01 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法及装置 |
| CN110825978A (zh) * | 2019-10-26 | 2020-02-21 | 复旦大学 | 一种基于近邻用户特征共享的多任务协同过滤方法 |
| CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
-
2020
- 2020-07-06 CN CN202010639662.9A patent/CN111882318A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108093304A (zh) * | 2017-12-29 | 2018-05-29 | 东莞市纽格力信息技术有限公司 | 一种基于用户习惯的智能推荐方法和*** |
| WO2019195263A1 (en) * | 2018-04-03 | 2019-10-10 | Bonfigli Michael | Systems and methods for credit card selection based on a consumer's personal spending |
| CN109255606A (zh) * | 2018-08-31 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 默认支付工具的推荐方法、装置及支付终端 |
| CN110399550A (zh) * | 2019-03-14 | 2019-11-01 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法及装置 |
| CN110245935A (zh) * | 2019-05-06 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 支付渠道推荐方法、装置及设备 |
| CN110825978A (zh) * | 2019-10-26 | 2020-02-21 | 复旦大学 | 一种基于近邻用户特征共享的多任务协同过滤方法 |
| CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112783984A (zh) * | 2021-02-10 | 2021-05-11 | 中国人民银行数字货币研究所 | 一种信息展示方法和装置 |
| CN113436023A (zh) * | 2021-07-06 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的理财产品推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104850993A (zh) | 支付方法及装置 | |
| CN106097044A (zh) | 一种数据推荐处理方法以及装置 | |
| US12033068B2 (en) | Method and device for cash advance recognition | |
| CN109102387A (zh) | 一种额度调整方法、服务器及计算机可读介质 | |
| CN108765144A (zh) | 电子资源包的处理方法、终端设备及介质 | |
| CN108492170A (zh) | 一种还款方法、计算机可读存储介质及终端设备 | |
| CN111882318A (zh) | 一种基于神经网络的智能卡片推荐方法及装置 | |
| WO2015004692A1 (ja) | 決済システム、サーバ装置、端末装置、方法、および、プログラム | |
| CN109816134A (zh) | 收货地址预测方法、装置以及存储介质 | |
| CN107392614B (zh) | 线下交易的实现方法和装置 | |
| CN109376811A (zh) | 一种智能换卡方法、装置、终端及计算机可读介质 | |
| CN110415104A (zh) | 数据处理方法和装置，电子设备和存储介质 | |
| CN111309887A (zh) | 一种训练文本关键内容提取模型的方法和*** | |
| CN105610768A (zh) | 网络操作处理方法及装置 | |
| CN111178865A (zh) | 一种支付方法及装置 | |
| CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
| CN111539807A (zh) | 转账方法及装置 | |
| CN109858952A (zh) | 服务场景下的数据处理方法和装置 | |
| CN114723568A (zh) | 理财产品的推荐方法、装置、服务器、介质及产品 | |
| CN112381617A (zh) | 网络购物方法及装置 | |
| CN111667357A (zh) | 银行产品推送方法及装置 | |
| US20210383466A1 (en) | Banking operation support system, banking operation support method, and banking operation support program | |
| CN111047366A (zh) | 充值返利方法及装置 | |
| KR102615395B1 (ko) | 어플리케이션 거래 서비스 제공 방법 및 장치 | |
| CN108573446A (zh) | 银行卡认证方法、装置、设备及可读存储介质 |
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 |