CN112330426A - 一种产品推荐方法、装置及存储介质 - Google Patents
一种产品推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112330426A CN112330426A CN202011398387.2A CN202011398387A CN112330426A CN 112330426 A CN112330426 A CN 112330426A CN 202011398387 A CN202011398387 A CN 202011398387A CN 112330426 A CN112330426 A CN 112330426A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- information
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种产品推荐方法,其中,该方法包括:在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;根据该目标用户的标签特性,从该初始产品集合中筛选出目标产品;将该目标产品推荐给该目标用户。通过本发明实施例提供的产品推荐方法,可以有效地根据用户标签信息进行产品的推荐。
Description
技术领域
本发明涉及信息技术领域,具体涉及一种产品推荐方法、装置及存储介质。
背景技术
在信贷类产品的营销场景中,传统的模式是客户经理根据客户基本信息、贷款用途,结合可售贷款产品特征进行匹配推荐。
随着***线上化、数据线上化的发展,以及大数据技术的不断成熟,***通过记录用户的基本信息、埋点跟踪用户浏览行为等方式为用户打上一个个特征标签,基于用户标签的推荐方法也成为近几年主流的营销手段。标签作为一种具有可分类、相互独立的特征值属性,广泛应用于对某一类特定群体或对象的某项特征进行的抽象分类和概括中。目前常采集的标签分为两大类:用户属性标签,以及用户行为类标签。然而无论是用户属性标签,还是用户行为标签,都仅是对用户已发生行为的一种客观记录,虽然一定程度上可以反应用户的习惯,但在用户行为实时分析时,仍缺乏指导价值。
发明内容
本发明实施例提供了一种产品推荐方法、装置及存储介质,可以更有效地根据用户标签信息进行产品的推荐。
本发明实施例提供了一种产品推荐方法,其中,包括:在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品;将所述目标产品推荐给所述目标用户。
可选的,所述根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品,包括:根据所述目标用户的属性标签、产品偏好标签以及还款能力标签,从所述初始产品集合中筛选出所述目标产品。
可选的,在根据预设模型获取初始产品集合之前,所述方法还包括:获取预设产品的特征信息,将所述特征信息作为所述预设模型的特征,其中,所述特征信息包括以下至少之一:产品贷款金额、产品贷款期限;获取预设用户的产品使用信息,将所述产品使用信息作为所述预设模型的训练参数,其中,所述产品使用信息包括以下至少之一:产品试算信息、产品申请信息、用户按期还款信息、用户还款催收信息;使用所述产品使用信息对所述预设模型进行训练。
可选的,在获取预设用户的产品使用信息之后,所述方法还包括:在所述产品使用信息包括产品申请信息的情况下,将所述产品使用信息标记为第一数据;在所述产品使用信息包括产品试算信息的情况下,将所述产品使用信息标记为第二数据。
可选的,在将所述产品使用信息标记为第二参数之后,所述方法还包括:将所述第二数据输入第一模型,得到分类概率;在所述分类概率大于预设阈值的情况下,将所述第二数据的标签更新为第一数据。
可选的,所述使用所述产品使用信息对所述预设模型进行训练,包括:将所述第一数据输入到第二模型进行训练得到第一参数;使用所述第二数据对所述第一参数进行处理以实现对所述预设模型的训练。
可选的,所述获取预设用户的产品使用信息,包括:获取预设用户发送的产品使用信息,并将所述产品使用信息同步到异步消息队列。
本发明实施例提供了一种产品推荐装置,包括获取模块、筛选模块和推荐模块,其中,所述获取模块,用于在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;所述筛选模块,用于根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品;所述推荐模块,用于将所述目标产品推荐给所述目标用户。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例中的任意一种方法。
本发明实施例还提供了一种电子装置,包括存储器和处理器,所述处理器通过执行所述存储器中的程序实现本发明实施例中的任意一种方法。
通过本发明实施例提供的产品推荐方法,可以更有效地根据用户标签信息进行产品的推荐。
附图说明
图1是根据本发明实施例的一种产品推荐方法的流程图;
图2是根据本发明实施例的一种数据采集方法的示意图;
图3是根据本发明实施例的一种基于KNN模型进行用户数据标签处理的方法的流程图;
图4是根据本发明实施例的一种模型训练方法的流程图;
图5是根据本发明实施例的一种产品推荐装置的框架图;
图6是根据本发明实施例的一种产品策略推荐方法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
另外,在本发明实施例中,“可选的”或者“示例性的”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选的”或者“示例性的”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“可选的”或者“示例性的”等词旨在以具体方式呈现相关概念。
本发明实施例提供了一种产品推荐方法,图1是根据本发明实施例的一种产品推荐方法的流程图,如图1所示,该方法包括:
S102,在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;
S104,根据该目标用户的标签特性,从该初始产品集合中筛选出目标产品;
S106,将该目标产品推荐给该目标用户。
通过提前训练得到上述预设模型,构建出一种近似专家理解的准预测行为模型。在后续目标用户发送产品申请请求的情况下,预设模型就可以根据目标用户的标签特性进行产品推荐。
可选的,该根据该目标用户的标签特性,从该初始产品集合中筛选出目标产品,包括:根据该目标用户的属性标签、产品偏好标签以及还款能力标签,从该初始产品集合中筛选出该目标产品。
其中,用户属性标签可以包含用户年龄、用户职业、用户性别等用户特征标签。此外,可以结合用户的产品偏好、用户贷款产品偿还能力,以及准预测行为评估等因素,与贷款产品特征进行匹配筛选处理,计算出当前最佳产品推荐策略集合,以提升后续推荐产品的适合度。
可选的,在根据预设模型获取到初始产品集合之前,该方法还包括:获取预设产品的特征信息,将该特征信息作为该预设模型的特征,其中,该特征信息包括以下至少之一:产品贷款金额、产品贷款期限;获取预设用户的产品使用信息,将该产品使用信息作为该预设模型的训练参数,其中,该产品使用信息包括以下至少之一:产品试算信息、产品申请信息、用户按期还款信息、用户还款催收信息;使用该产品使用信息对该预设模型进行训练。
在进行模型训练之前,首先需要采集用户数据。图2是根据本发明实施例的一种数据采集方法的示意图。如图2所示,在前端贷款产品详情页链接进行埋点,用户点击后当前商品标签计数加一;用户发起贷款试算时,信贷***计算试算结果及还款方案后,向异步消息队列同步一条试算信息;用户发起贷款申请时,信贷业务***向异步消息队列同步;用户按期还款发起后,信贷后台***接收用户还款记录,并向异步消息队列同步出当前期还款消息;若客户经理发起对该用户还款催收,信贷后台***向异步消息队列同步出催收消息。这里通过增加一种用户行为预测场景,即补充了追踪在个人贷款计算器模块的试算记录,以及增加用户还款执行记录与催收记录关联关系的追踪和标记,更加丰富了数据来源。
在分析***接收到异步消息后,先将消息元中属性对应***中已设置的模型标签进行转换存储,这部分数据作为原始数据进行临时存储。
针对借款协议的每期还款数据,如当前执行还款前有催收记录,则给当前用户增加“被动”标签,丰富标签类型,且增加还款执行能力评级的维度。
可选的,在获取预设用户的产品使用信息之后,还包括:在该产品使用信息包括产品申请信息的情况下,将该产品使用信息标记为第一数据;在该产品使用信息不包括产品申请信息的情况下,将该产品使用信息标记为第二数据。
可选的,在将该产品使用信息标记为第二参数之后,该方法还包括:将该第二数据输入第一模型,得到分类概率;在该分类概率大于预设阈值的情况下,将该第二数据的标签更新为第一数据。
可选的,该使用该产品使用信息对该预设模型进行训练,包括:将该第一数据输入到第二模型进行训练得到第一参数;使用该第二数据对该第一参数进行处理以实现对该预设模型的训练。
在实现为目标用户进行产品推荐之前,还需要根据采集的用户数据对预设模型进行训练。训练模型的方法如下:
首先,将产品属性抽象成类别,以及类别下的具体标签,如产品周期标签:短期,中期,中长期,长期;额度标签:小额、大额等。引入预先制定的可评估标签,包括用户属性标签、用户信贷类产品偏好标签、用户选择产品对应还款执行能力评级标签。其中用户属性标签组又包含用户年龄、用户职业、用户性别等用户特征标签。然后将贷款计算器中的贷款金额、期限、计划月还款等指标作为训练模型的特征。由于存在用户没有实际申请贷款,因此这部分用户的数据可作为无标签学习特征组(即前述的第二数据);有实际贷款申请的用户作为有标签学习特征组(即前述的第一数据)。图3是根据本发明实施例的一种基于KNN模型进行用户数据标签处理的方法的流程图。首先,根据有标签数据组训练初始K-近邻模型(KNN)。设置较高的初始分类概率阈值Th,然后将无标签数据经过KNN分类器(即前述的第一模型),得到一个结果标签和分类概率,将分类概率与Th进行比较,超过Th,则更新当前数据组的标签。
其次,使用用户数据对模型进行训练。
图4是根据本发明实施例的一种模型训练方法的流程图。将有标签数据带入全监督学习生成模型,估算出有标签数据的先验概率、均值和协方差,即P(Ci)、μi和Σ,进而得到某个数据属于某一种类标签中具体标签类别的概率值P(ci|x)。
公式一:
其中,n代表当前计算下标,m代表样本类型个数,ci代表类别i,x代表训练样本。
公式二:
其中,N代表全部样本个数,Ni代表属于类别Ci的样本个数,Xu代表未标记数据,Xr代表标记为类别Ci的样本。
随后引入半监督模型,初始化有标签数据的先验概率,均值和协方差,即P(Ci)、μi和Σ,初始化θ={P(C1),……,μ1,……,Σ}。
计算无标签数据的后验概率:Pθ(ci|xu),再使用后验概率对公式二的先验概率和均值进行更新,然后再将计算出的P(Ci)再带入Pθ(ci|xu)计算,直至参数收敛。
通过不断对半监督模型进行训练,最终得到前述的预设模型。
可选的,该获取预设用户的产品使用信息,包括:获取预设用户发送的产品使用信息,并将该产品使用信息同步到异步消息队列。
通过异步消息队列采集用户的试算、浏览和申请等行为数据,与业务***串行处理逻辑进行剥离,提高了流程处理效率。
本发明实施例还提供了一种产品推荐装置。图5是根据本发明实施例的一种产品推荐装置的框架图,如图5所示,该装置包括获取模块52、筛选模块54和推荐模块56,其中,
该获取模块52,用于在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;
该筛选模块54,用于根据该目标用户的标签特性,从该初始产品集合中筛选出目标产品;
该推荐模块56,用于将该目标产品推荐给该目标用户。
可选的,该筛选模块54,具体用于根据该目标用户的属性标签、产品偏好标签以及还款能力标签,从该初始产品集合中筛选出该目标产品。
可选的,该装置还包括第一获取模块、第二获取模块和训练模块,其中,该第一获取模块,用于获取预设产品的特征信息,将该特征信息作为该预设模型的特征,其中,该特征信息包括以下至少之一:产品贷款金额、产品贷款期限;该第二获取模块,用于获取预设用户的产品使用信息,将该产品使用信息作为该预设模型的训练参数,其中,该产品使用信息包括以下至少之一:产品试算信息、产品申请信息、用户按期还款信息、用户还款催收信息;该训练模块,用于使用该产品使用信息对该预设模型进行训练。
可选的,该装置还包括标记模块,用于在该产品使用信息包括产品申请信息的情况下,将该产品使用信息标记为第一数据;在该产品使用信息包括产品试算信息的情况下,将该产品使用信息标记为第二数据。
可选的,该装置还包括更新模块,用于将该第二数据输入第一模型,得到分类概率;在该分类概率大于预设阈值的情况下,将该第二数据的标签更新为第一数据。
可选的,该训练模块,具体用于将该第一数据输入到第二模型进行训练得到第一参数;使用该第二数据对该第一参数进行处理以实现对该预设模型的训练。
可选的,该第二获取模块,具体用于获取预设用户发送的产品使用信息,并将该产品使用信息同步到异步消息队列。
以下具体场景对本发明实施例进行说明。
网络贷款***中营销活动场景。通过采集用户浏览记录、贷款申请产品种类、还款记录及催收记录,生成原始模型标签数据。先在离线分析***训练从异步消息队列中接收的原始数据,然后通过KNN最近邻模型,将部分无标签数据进行分类,阈值设置为0.75;然后将有标签数据带入全监督学习生成模型,得到每个标签的期望值,协方差等数据,以及特征数据属于特定标签的概率值;通过半监督模型不断训练,完成计算,并更正模型。
图6是根据本发明实施例的一种产品策略推荐方法的流程图。如图6所示,当用户进入贷款计算器页面进行试算后,提取用户输入参数带入上述半监督模型中,根据计算概率得出产品标签组,根据产品标签,选出全部有标签特征的产品列表PL0。然后,按用户属性标签初步筛选出产品集合PL1,将PL0与PL1取并集得到产品推荐策略集合PL2。再次,根据用户信贷类产品偏好得到可售产品列表PL3,将PL2与PL3取并集得到PL4。根据还款执行能力评估结果,筛选出可推荐产品PL5,与PL4取交集得到PL6。
本发明实施例还提供了一种电子装置,该电子装置包括处理器和存储器;电子装置中处理器的数量可以是一个或多个,存储器作为一种计算机可读存储介质,可用于存储计算机可执行程序。处理器通过运行存储在存储器中的软件程序、指令,从而执行电子装置的各种功能应用以及数据处理,即实现上述任一实施例中的方法。
本申请实施例还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时实现上述任一实施例中的方法。
可选的,处理器通过执行指令以实现一种产品推荐方法,该方法包括:
S1,在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取到初始产品集合;
S2,根据该目标用户的标签特性,从该初始产品集合中筛选出目标产品;
S3,将该目标产品推荐给该目标用户。
以上仅为本申请的示例性实施例而已,并非用于限定本申请的保护范围。
一般来说,本申请的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如,一些方面可以被实现在硬件中,而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中,尽管本申请不限于此。
本申请的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现,例如在处理器实体中,或者通过硬件,或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本申请附图中的任何逻辑流程的框图可以表示程序步骤,或者可以表示相互连接的逻辑电路、模块和功能,或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现,例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和***(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型,例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(AS IC)、可编程逻辑器件(FGPA)以及基于多核处理器架构的处理器。
通过示范性和非限制性的示例,上文已提供了对本申请的示范实施例的详细描述。但结合附图和权利要求来考虑,对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的,但不偏离本发明的范围。因此,本发明的恰当范围将根据权利要求确定。
Claims (10)
1.一种产品推荐方法,其中,包括:
在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;
根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品;
将所述目标产品推荐给所述目标用户。
2.如权利要求1所述的方法,其中,所述根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品,包括:
根据所述目标用户的属性标签、产品偏好标签以及还款能力标签,从所述初始产品集合中筛选出所述目标产品。
3.如权利要求1所述的方法,其中,在根据预设模型获取初始产品集合之前,还包括:
获取预设产品的特征信息,将所述特征信息作为所述预设模型的特征,其中,所述特征信息包括以下至少之一:产品贷款金额、产品贷款期限;
获取预设用户的产品使用信息,将所述产品使用信息作为所述预设模型的训练参数,其中,所述产品使用信息包括以下至少之一:产品试算信息、产品申请信息、用户按期还款信息、用户还款催收信息;
使用所述产品使用信息对所述预设模型进行训练。
4.如权利要求3所述的方法,其中,在获取预设用户的产品使用信息之后,还包括:
在所述产品使用信息包括产品申请信息的情况下,将所述产品使用信息标记为第一数据;
在所述产品使用信息包括产品试算信息的情况下,将所述产品使用信息标记为第二数据。
5.如权利要求4所述的方法,其中,在将所述产品使用信息标记为第二参数之后,还包括:
将所述第二数据输入第一模型,得到分类概率;
在所述分类概率大于预设阈值的情况下,将所述第二数据的标签更新为第一数据。
6.如权利要求4或5所述的方法,其中,所述使用所述产品使用信息对所述预设模型进行训练,包括:
将所述第一数据输入到第二模型进行训练得到第一参数;
使用所述第二数据对所述第一参数进行处理以实现对所述预设模型的训练。
7.如权利要求3所述的方法,其中,所述获取预设用户的产品使用信息,包括:
获取预设用户发送的产品使用信息,并将所述产品使用信息同步到异步消息队列。
8.一种产品推荐装置,包括获取模块、筛选模块和推荐模块,其中,
所述获取模块,用于在接收到目标用户发送的产品申请请求的情况下,根据预设模型获取初始产品集合;
所述筛选模块,用于根据所述目标用户的标签特性,从所述初始产品集合中筛选出目标产品;
所述推荐模块,用于将所述目标产品推荐给所述目标用户。
9.一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存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述处理器通过执行所述存储器中的计算机程序实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398387.2A CN112330426A (zh) | 2020-12-04 | 2020-12-04 | 一种产品推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398387.2A CN112330426A (zh) | 2020-12-04 | 2020-12-04 | 一种产品推荐方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330426A true CN112330426A (zh) | 2021-02-05 |
Family
ID=74302049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011398387.2A Pending CN112330426A (zh) | 2020-12-04 | 2020-12-04 | 一种产品推荐方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330426A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674065A (zh) * | 2021-08-30 | 2021-11-19 | 中国平安人寿保险股份有限公司 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
CN114881725A (zh) * | 2022-04-22 | 2022-08-09 | 江苏中交车旺科技有限公司 | 信贷业务数据处理方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110270779A1 (en) * | 2010-04-30 | 2011-11-03 | Thomas Showalter | Data analytics models for loan treatment |
CN107785058A (zh) * | 2017-07-24 | 2018-03-09 | 平安科技(深圳)有限公司 | 反欺诈识别方法、存储介质和承载平安脑的服务器 |
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN108681961A (zh) * | 2018-05-24 | 2018-10-19 | 平安普惠企业管理有限公司 | 信贷产品推介方法、装置、设备及计算机可读存储介质 |
CN108765133A (zh) * | 2018-05-22 | 2018-11-06 | 考拉征信服务有限公司 | 贷款需求和贷款产品匹配的方法、装置、***及存储介质 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109272408A (zh) * | 2018-10-31 | 2019-01-25 | 平安科技(深圳)有限公司 | 车贷款金融产品智能推荐方法、装置、设备及介质 |
WO2019061612A1 (zh) * | 2017-09-29 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
CN109636501A (zh) * | 2018-10-30 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 产品数据处理方法、装置、计算机设备及计算机可读存储介质 |
CN111861569A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
-
2020
- 2020-12-04 CN CN202011398387.2A patent/CN112330426A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110270779A1 (en) * | 2010-04-30 | 2011-11-03 | Thomas Showalter | Data analytics models for loan treatment |
CN107785058A (zh) * | 2017-07-24 | 2018-03-09 | 平安科技(深圳)有限公司 | 反欺诈识别方法、存储介质和承载平安脑的服务器 |
WO2019061612A1 (zh) * | 2017-09-29 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN108765133A (zh) * | 2018-05-22 | 2018-11-06 | 考拉征信服务有限公司 | 贷款需求和贷款产品匹配的方法、装置、***及存储介质 |
CN108681961A (zh) * | 2018-05-24 | 2018-10-19 | 平安普惠企业管理有限公司 | 信贷产品推介方法、装置、设备及计算机可读存储介质 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109636501A (zh) * | 2018-10-30 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 产品数据处理方法、装置、计算机设备及计算机可读存储介质 |
CN109272408A (zh) * | 2018-10-31 | 2019-01-25 | 平安科技(深圳)有限公司 | 车贷款金融产品智能推荐方法、装置、设备及介质 |
CN111861569A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674065A (zh) * | 2021-08-30 | 2021-11-19 | 中国平安人寿保险股份有限公司 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
CN113674065B (zh) * | 2021-08-30 | 2023-09-22 | 中国平安人寿保险股份有限公司 | 基于服务触点的业务推荐方法、装置、电子设备及介质 |
CN114881725A (zh) * | 2022-04-22 | 2022-08-09 | 江苏中交车旺科技有限公司 | 信贷业务数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113508378B (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
US10635952B2 (en) | Cognitive analysis and classification of apparel images | |
CN103886067B (zh) | 使用标签隐含主题进行图书推荐的方法 | |
CN112785397A (zh) | 一种产品推荐方法、装置及存储介质 | |
CN107358247B (zh) | 一种确定流失用户的方法及装置 | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
CN107038237A (zh) | 基于大数据的用户画像***及画像方法 | |
Rahman et al. | Smartphone-based hierarchical crowdsourcing for weed identification | |
US20130263181A1 (en) | Systems and methods for defining video advertising channels | |
CN111898031A (zh) | 一种获得用户画像的方法及装置 | |
JP5012078B2 (ja) | カテゴリ作成方法、カテゴリ作成装置、およびプログラム | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN111159341A (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
US20220292328A1 (en) | Convolutional artificial neural network based recognition system in which registration, search, and reproduction of image and video are divided between and performed by mobile device and server | |
CN114238573A (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
Rizos et al. | Average jane, where art thou?–recent avenues in efficient machine learning under subjectivity uncertainty | |
CN112330426A (zh) | 一种产品推荐方法、装置及存储介质 | |
CN115775163A (zh) | 一种基于大数据的程序化广告投放方法、设备及介质 | |
Ertekin et al. | Approximating the crowd | |
CA3137753A1 (en) | Digital anthropology and ethnography system | |
CN111159241A (zh) | 一种点击转化预估方法及装置 | |
CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及*** | |
Boccignone et al. | How to look next? A data-driven approach for scanpath prediction | |
CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 |
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 |