CN114693409A - 产品匹配方法、装置、计算机设备、存储介质和程序产品 - Google Patents
产品匹配方法、装置、计算机设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN114693409A CN114693409A CN202210445601.8A CN202210445601A CN114693409A CN 114693409 A CN114693409 A CN 114693409A CN 202210445601 A CN202210445601 A CN 202210445601A CN 114693409 A CN114693409 A CN 114693409A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- financial
- grade
- historical
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种产品匹配方法、装置、计算机设备、存储介质和计算机程序产品。通过获取用户的历史行为数据和账户收支数据,并将历史行为数据和账户收支数据输入预设分类模型,获得用于表征用户的抗金融风险能力的用户等级;根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录,产品数据库中包括多个具有标签信息的金融产品;即通过对用户对金融产品的历史搜索记录和历史浏览记录进行分析,以及对用户的历史账户收支数据进行分析,来确定用户的抗金融风险等级,进而根据用户的抗金融风险等级为用户匹配更合适的金融产品,提高了金融产品与用户的匹配程度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种产品匹配方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在金融行业,为了满足用户多样性的理财需求,不同类型的金融产品越来越多,比如银行根据用户的不同需求设定的不同类型的金融理财产品以及不同类型的存款产品等,对于银行来说,如何高效地将金融产品推销至客户是当下亟待解决的重要问题。
传统技术中,在进行金融产品推销时,通常是当用户走进银行营业网点时,通过银行的柜面营销人员为用户推销不同的金融产品;或者,通过银行的客户端(即用户终端上的银行客户端)向用户推送不同的金融产品。
然而,现有金融产品的推销方式针对性不强,存在向用户推销的金融产品与用户的匹配程度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高产品与用户的匹配程度的产品匹配方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种产品匹配方法。该方法包括:
获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,产品数据库中包括多个具有标签信息的金融产品。
在其中一个实施例中,将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级,包括:
获取用户的特征向量;该用户的特征向量包括基于历史行为数据生成的第一特征向量和基于账户收支数据形成的第二特征向量;
将该特征向量输入至预设分类模型,获得用户的用户等级;其中,该预设分类模型为采用多个样本特征向量及其对应的等级标签对初始分类模型进行训练获得的。
在其中一个实施例中,获取用户的特征向量,包括:
对历史搜索记录进行特征提取,获得第一特征子向量;该第一特征子向量中的特征值包括搜索时间、搜索设备以及搜索关键词;
对历史浏览记录进行特征提取,获得第二特征子向量;该第二特征子向量中的特征值包括浏览时间、浏览设备以及历史浏览产品类型;第一特征向量包括第一特征子向量和第二特征子向量;
基于账户收支数据,获得第二特征向量;该第二特征向量中的特征值包括收入总额、支出总额以及单月最小收入额;
将第一特征子向量、第二特征子向量以及第二特征向量进行特征融合,获得用户的特征向量。
在其中一个实施例中,根据用户等级,从产品数据库中确定与用户匹配的第一目标产品,包括:
获取产品数据库中各金融产品的标签信息;该金融产品的标签信息包括产品类型、起购标准、风险等级、收益等级、年限中的至少一个;
根据用户等级以及各金融产品的标签信息,确定与用户匹配的第一目标产品。
在其中一个实施例中,根据用户等级以及各金融产品的标签信息,确定与用户匹配的第一目标产品,包括:
针对产品数据库中的各金融产品,确定金融产品的各个标签信息对应的参考等级,并根据用户等级与各个标签信息对应的参考等级确定金融产品对应的用户匹配度;
根据各金融产品对应的用户匹配度,选择与用户匹配的第一目标产品。
在其中一个实施例中,根据用户等级与各个标签信息对应的参考等级确定金融产品对应的用户匹配度,包括:
根据各个标签信息对应的参考等级,确定金融产品的各个标签信息中,与用户等级匹配的目标标签信息;
对各目标标签信息进行加权处理,确定金融产品对应的用户匹配度。
在其中一个实施例中,根据各金融产品对应的用户匹配度,选择与用户匹配的第一目标产品,包括:
将各金融产品对应的用户匹配度,按照从大到小的顺序进行排序处理;
将排序处理后的前预设数量的金融产品作为与用户匹配的第一目标产品。
在其中一个实施例中,该方法还包括:
获取用户通过目标客户端输入的当前搜索信息;
根据当前搜索信息、用户等级,从产品数据库中确定与当前搜索信息及用户等级匹配的第二目标产品;
将第二目标产品发送至目标客户端。
第二方面,本申请还提供了一种产品匹配装置。该装置包括:
第一获取模块,用于获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
第二获取模块,用于将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
确定模块,用于根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,该产品数据库中包括多个具有标签信息的金融产品。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行所述计算机程序时实现以下步骤:
获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,产品数据库中包括多个具有标签信息的金融产品。
第四方面,本申请还提供了一种计算机可读存储介质。该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以下步骤:
获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,产品数据库中包括多个具有标签信息的金融产品。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,产品数据库中包括多个具有标签信息的金融产品。
上述产品匹配方法、装置、计算机设备、存储介质和计算机程序产品,通过获取用户的历史行为数据和账户收支数据,并将该历史行为数据和账户收支数据输入预设分类模型,获得用于表征用户的抗金融风险能力的用户等级;接着,根据该用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录,产品数据库中包括多个具有标签信息的金融产品;也就是说,本申请实施例所提供的产品匹配方法,通过对用户所涉及的对金融产品的历史搜索记录和历史浏览记录进行分析,以及对用户的历史账户收支数据进行分析,来确定用户的抗金融风险等级,进而,根据用户的抗金融风险等级为用户匹配更合适的金融产品;即通过对用户喜好和抗金融风险能力进行综合评估,以此来匹配金融产品,能够大大提高金融产品与用户的匹配程度,实现为用户提供更精准的个性化定制理财服务,针对不同用户提供针对性更强的金融产品,还能提高用户的满意度,以及提高金融产品推荐的高效性。
附图说明
图1为一个实施例中产品匹配方法的应用环境图;
图2为一个实施例中产品匹配方法的流程示意图;
图3为另一个实施例中产品匹配方法的流程示意图;
图4为另一个实施例中产品匹配方法的流程示意图;
图5为另一个实施例中产品匹配方法的流程示意图;
图6为另一个实施例中产品匹配方法的流程示意图;
图7为一个实施例中产品匹配装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先,在具体介绍本公开实施例的技术方案之前,先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下,在进行金融产品推销时,可以包括两种方式,其一是通过银行客户端(比如手机银行、网上银行等客户端应用程序)向用户发送推荐的金融产品;该方式下,由于抗风险能力高低以及收入差异导致不同用户对于理财产品的需求不一样,简单的随机推销或者以盈利为主的金融产品推销不仅会降低用户满意度而且会导致用户利益受损不利于长期的营销业务开展。总结来说,就是对金融产品的定位不准确,导致金融产品与用户之间的匹配程度较低。
其二是通过营业网点的柜面营销,营业网点的产品推销往往是通过柜员或者大堂经理进行,这些金融从业者对于金融产品的认知以及风险把控是有限的,难以做到详细的为用户提供产品讲解以及整体理财方案的制定,且需要大量的人力物力来支撑金融产品营销。总结来说,就是金融理财业务人员对金融产品和用户之间的关联性较弱,导致金融产品与用户之间的匹配程度较低。
基于此,本申请实施例提供了一种产品匹配方法,能够通过用户的历史行为数据和账户收支数据对用户进行深度分析和定位确定用户等级,并对金融产品进行标签细化,进而根据用户等级和金融产品的标签信息,确定与用户匹配程度较高的金融产品,以此来提高金融产品与用户之间的匹配程度。另外,通过分析用户的兴趣、风险承担能力、收支情况等进行金融产品的精准推荐,不仅能为用户提供个性化且针对性强的理财方案,减少营销人员的业务压力,提高用户的满意度,还能有效提高金融产品营销的有效性和准确性。
下面结合本申请实施例所应用的场景,对本申请实施例涉及的技术方案进行介绍。
本申请实施例提供的产品匹配方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,以及金融营业厅中的智能操作终端等,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等,便携式可穿戴设备可为智能手表、智能手环、头戴设备等;在该终端102中可以安装有用于进行金融操作的客户端应用程序。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。用户通过终端102访问该客户端应用程序,并通过该客户端应用程序进行金融业务操作,服务器104通过用户的历史行为数据和用户的历史账户收支数据为用户匹配更合适的金融产品,并通过该客户端应用程序推送给用户。
在一个实施例中,如图2所示,提供了一种产品匹配方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤201,获取用户的历史行为数据和账户收支数据。
其中,该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录,账户收支数据可以包括但不限于是用户账户的所有收入和支出的交易数据,以及该用户的信贷交易数据。
可选地,用户通过登录账号登录客户端应用程序,在进入该客户端应用程序后,可以进行与金融业务相关的金融操作,如:浏览金融产品、搜索金融产品、分享金融产品、点击访问金融产品、以及进行金融转账操作等;通过对用户在客户端应用程序的行为操作进行监听,可以获取用户的历史搜索记录和历史浏览记录;可选地,为了进行实时数据流传输,可以利用Flume分布式日志聚合***监控文件进行数据收集,通过对进行文件配置自动收集跟用户相关的日志文件,并将日志文件传输至Kafka中;对于用户的历史行为(包括但不限于登录、浏览、搜索、分享、点击等行为)以及***运行日志等数据集进行访问,利用其消息队列***进行日志分析进行数据的实时分析处理;使用Flume监控用户行为,当有行为改变时自动采集文件数据并传输到Kafka进行处理;以获取到用户对于金融产品的历史搜索记录以及历史浏览记录。可选地,为了提高数据处理效率,可以采用离线处理的方式,为了方便处理可以对收集到的文件数据进行格式统一上传至分布式文件传输***,使用spark技术进行离线文件处理,并存储至HBase数据库。
可选地,服务器可以通过获取用户账户的历史收支数据作为用户的账户收支数据,该账户收支数据可以包括用户在历史预设时间段内的收支数据,也可以是用户在历史的所有收支数据;该预设时间段可以是月、季、年等。
步骤202,将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级。
其中,该用户等级用于表征用户的抗金融风险能力。可选地,该用户等级可以分为三级(如低级、中级、高级)、五级(如极低、较低、中等、中高、高)或者任意多个等级,等级越高,说明用户的抗金融风险能力越强;在实际应用中用户等级划分可以进行灵活调整和设置,本申请对此并不做限定。
可选地,该预设分类模型可以是基于深度学习的分类模型,也可以是基于神经网络的分类模型,还可以是基于机器学习的分类模型等;例如:该预设分类模型可以利用基于前馈神经网络的多层感知机分类器对用户进行分类,中间节点使用sigmod激活函数,输出层使用softmax函数进行归一化处理,输出层节点表示分类器的种类,即用户的不同用户等级。
通过该预设分类模型,可以根据用户的历史行为数据和账户收支数据,对用户进行用户等级划分,确定与用户匹配的用户等级;可选地,可以将用户的历史行为数据和该用户的账户收支数据输入至该预设分类模型,以此得到该用户对应的用户等级。
步骤203,根据用户等级,从产品数据库中确定与用户匹配的第一目标产品。
其中,产品数据库中包括多个具有标签信息的金融产品,也就是说,对于产品数据库中的每个金融产品,都具有不同的标签信息,每个金融产品可以对应至少一个标签信息,该标签信息可以包括但不限于是产品类型、金融产品的起购标准、金融产品的风险等级、金融产品的收益等级、金融产品的年限中的至少一个。
可选地,服务器可以根据用户等级、产品数据库中各个金融产品的标签信息、以及预设的不同标签与用户等级之间的对应关系,确定与用户等级匹配的金融产品,作为与该用户匹配的第一目标产品。可选地,与用户等级匹配的金融产品可以包括与用户等级相同的金融产品,或者比用户等级低的金融产品。另外,在金融产品包括多个标签信息的情况下,与用户等级匹配的金融产品可以是该金融产品中的至少一个标签信息与用户等级匹配的金融产品,或者,该金融产品的多个标签信息中存在预设数量的标签信息与用户等级匹配的金融产品,又或者是,该金融产品的多个标签信息中的预设标签信息与用户等级匹配的金融产品等。
对于上述所涉及的预设的不同标签与用户等级之间的对应关系,可以理解为每一个标签信息都可以包括多个与不同的用户等级匹配的子标签信息,如:起购标准可以包括与低抗金融风险能力的用户等级对应的起购标准、与中抗金融风险能力的用户等级对应的起购标准、以及与高抗金融风险能力的用户等级对应的起购标准。通过该对应关系,就可以判断金融产品的某一个标签信息是否与用户等级相匹配。
另外,服务器在确定出与用户匹配的第一目标产品之后,还可以将该第一目标产品推送至用户;可选地,可以将该第一目标产品发送至用户的客户端应用程序(如个人网上银行);也可以通过业务网点进行推荐,如将该第一目标产品发送至业务网点的终端设备上,以使业务网点的工作人员可以在用户进行现场业务办理时,将该第一目标产品推荐至用户,或者,业务网点的工作人员还可以通过语音电话的方式将该第一目标产品推荐至用户。需要说明的是,本申请实施例中对产品的推荐方式并不做具体限定。
上述产品匹配方法中,服务器通过获取用户的历史行为数据和账户收支数据,并将该历史行为数据和账户收支数据输入预设分类模型,获得用于表征用户的抗金融风险能力的用户等级;接着,根据该用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录,产品数据库中包括多个具有标签信息的金融产品;也就是说,本申请实施例所提供的产品匹配方法,通过对用户所涉及的对金融产品的历史搜索记录和历史浏览记录进行分析,以及对用户的历史账户收支数据进行分析,来确定用户的抗金融风险等级,进而,根据用户的抗金融风险等级为用户匹配更合适的金融产品;即通过对用户喜好和抗金融风险能力进行综合评估,以此来匹配金融产品,能够大大提高金融产品与用户的匹配程度,实现为用户提供更精准的个性化定制理财服务,针对不同用户提供针对性更强的金融产品,还能提高用户的满意度,以及提高金融产品推荐的高效性。
图3为另一个实施例中产品匹配方法的流程示意图。本实施例涉及的是将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级的一种可选的实现过程,在上述实施例的基础上,如图3所示,上述步骤202包括:
步骤301,获取用户的特征向量。
其中,该用户的特征向量包括基于历史行为数据生成的第一特征向量和基于账户收支数据形成的第二特征向量。
具体地,在获取到用户的历史行为数据之后,可以对用户的历史行为数据进行分析,提取出用于表征用户历史行为特征的第一特征向量;其中,该第一特征向量可以包括第一特征子向量和第二特征子向量,第一特征子向量为基于历史搜索记录生成的用于表征用户搜索行为特征的特征向量,第二特征子向量为基于历史浏览记录生成的用于表征用户浏览行为特征的的特征向量。
可选地,可以对历史行为数据中的历史搜索记录进行特性提取,得到用于表征用户搜索行为特征的第一特征子向量;其中,该第一特征子向量中的特征值可以包括但不限于搜索时间、搜索设备以及搜索关键词等;以及可以对历史行为数据中的历史浏览记录进行特征提取,得到用于表征用户浏览行为特征的第二特征子向量;其中,该第二特征子向量中的特征值包括但不限于浏览时间、浏览设备以及历史浏览产品类型。
可选地,对于用户的多个历史搜索记录,可以采用聚类操作对多个历史搜索记录进行聚类分析,并根据聚类结果生成用于表征用户搜索行为特征的第一特征子向量;如:可以采用LDA主题聚类算法对多个历史搜索记录进行聚类分析,得到该第一特征子向量。其中,在进行聚类操作时,对于各个历史搜索记录,可以采用NLPIR汉语分词***对各个历史搜索记录进行关键词提取和词性标注,得到各个历史搜索记录分别对应的关键词特征向量,进而对各个历史搜索记录的关键词特征向量进行聚类分析,得到用户搜索行为对应的第一特征子向量。可选地,在进行关键词提取时,对于一些特征性不足的词语还可以进行过滤,以便提取出更能体现用户个人搜索特质的关键词特征向量。
同样地,对于用户的多个历史浏览记录也可以采用上述与历史搜索记录相同的分析方法得到用户浏览行为对应第二特征子向量,具体过程不再详细赘述。
另外,服务器在获取到的用户的账户收支数据之后,可以对用户的账户收支数据进行分析,提取出用于表征用户账户收支行为特征的第二特征向量;其中,该第二特征向量中的特征值包括但不限于收入总额、支出总额、单月最小收入额、单月最小支出额、单月最大收入额、单月最大支出额等。
进一步地,在得到用于表征用户搜索行为特征的第一特征子向量、用于表征用户浏览行为特征的第二特征子向量、以及用于表征用户账户收支行为特征的第二特征向量之后,可以将该第一特征子向量、第二特征子向量以及第二特征向量进行特征融合,得到用户的特征向量。可选地,可以将第一特征子向量、第二特征子向量以及第二特征向量进行线性变换到一个特定区间,得到用户的特征向量。也可以对第一特征子向量、第二特征子向量以及第二特征向量分别进行冗余度处理,例如:对各个特征向量中的一些近似的词汇进行替换更新;接着,将冗余处理后的第一特征子向量、冗余处理后的第二特征子向量、以及冗余处理后的第二特征向量进行线性变换,得到用户的特征向量;通过冗余处理后的特征向量能够有效解决因特征向量的维度过大导致模型的处理量较大以及模型输出结果的准确度下降的问题。
步骤302,将该特征向量输入至预设分类模型,获得用户的用户等级。
其中,该预设分类模型为采用多个样本特征向量及其对应的等级标签对初始分类模型进行训练获得的。
可选地,服务器可以根据多个样本特征向量和各个样本特征向量对应的等级标签,采用有监督的训练方式对初始分类模型进行训练,得到该预设分类模型。当然,为了提高该分类模型的准确率,还可以基于用户的历史行为数据和/或账户收支数据,构造一些样本特征向量,以增加更多的样本数据;接着,可以基于增加的样本特征向量和预先采集的样本特征向量,采用半监督的训练方式对初始分类模型进行训练,得到该预设分类模型。
进一步地,服务器可以通过该预设分类模型确定用户的用户等级,即将用户的特征向量输入至该预设分类模型,获得用户的用户等级。
本实施例中,通过获取用户的包括基于历史行为数据生成的第一特征向量和基于账户收支数据形成的第二特征向量在内的特征向量,并将该特征向量输入至预设分类模型,获得用户的用户等级;其中,该预设分类模型为采用多个样本特征向量及其对应的等级标签对初始分类模型进行训练获得的;由于第一特征向量能够表征用户的搜索行为和浏览行为,第二特征向量能够表征用户的账户收支行为,因此,基于第一特征向量和第二特征向量确定用户等级,不仅能够减少分类模型的输入数据量,提高分类模型的处理效率,还能提高分类模型的输出准确率,即能够提高用户等级的准确性。
图4为另一个实施例中产品匹配方法的流程示意图。本实施例涉及的是根据用户等级,从产品数据库中确定与用户匹配的第一目标产品的一种可选的实现过程,在上述实施例的基础上,如图4所示,上述步骤203包括:
步骤401,获取产品数据库中各金融产品的标签信息。
其中,该金融产品的标签信息包括产品类型、起购标准、风险等级、收益等级、年限中的至少一个。
可选地,针对每一个金融产品的标签信息,可以通过对金融产品的相关信息进行分析来获取金融产品的标签信息;金融产品的相关信息可以包括但不限于是金融产品的名称、类型、起购范围、收益率、年化利率、风险指数、回报率等,通过对金融产品的相关信息和预设的不同标签的划分规则进行分析,来确定金融产品的每一个标签信息分别对应的标签值;例如:可以根据不同起购标准分别对应的参考起购范围和金融产品的实际起购范围,确定该金融产品对应的起购标准。
在本实施例的其中一个可选的实现方式中,服务器可以对银行所需营销的理财产品和存款产品进行分类;通过对金融产品进行业务分类,根据风险及收益高低进行分级划分同时对不同的存款产品进行不同年限的设定分类,得到每个金融产品的至少一个标签信息,以此建立金融产品的产品数据库。
步骤402,根据用户等级以及各金融产品的标签信息,确定与用户匹配的第一目标产品。
可选地,对于金融产品的各个标签信息,由于每个标签信息可以对应不同的标签值,因此,对于一个标签信息的不同标签值可以预设不同的等级;如起购标准中可以包括第一起购标准和第二起购标准,其中,第一起购标准小于第二起购标准,对于第一起购标准可以设置第一等级,第二起购标准可以设置第二等级,第一等级可以低于第二等级。
那么,基于上述标签信息和标签信息对应的等级,可选地,针对产品数据库中的各金融产品,可以确定金融产品的各个标签信息分别对应的参考等级,接着,可以根据用户等级与各个标签信息对应的参考等级确定金融产品对应的用户匹配度;进而,可以根据各金融产品对应的用户匹配度,选择与用户匹配的第一目标产品。也就是说,针对每一个金融产品来说,可以分别对比用户等级和该金融产品的每一个标签信息对应的参考等级,得到该金融产品对应的用户匹配度,可选地,金融产品的各个标签信息中,与用户等级匹配的标签信息越多,金融产品对应的用户匹配度越高,即用户匹配度和与用户等级匹配的标签信息的数量正相关。
进一步地,在得到产品数据库中的各个金融产品分别对应的用户匹配度之后,可以将用户匹配度较高的金融产品确定为与用户匹配的第一目标产品。可选地,可以将用户匹配度大于等于预设匹配度阈值的金融产品确定为与用户匹配的第一目标产品;也可以将各金融产品对应的用户匹配度,按照从大到小的顺序进行排序处理,并将排序处理后的前预设数量的金融产品作为与用户匹配的第一目标产品。本实施例中对第一目标产品的确定方式并不做具体限定。
本实施例中,服务器通过获取产品数据库中各金融产品的标签信息,根据用户等级以及各金融产品的标签信息,确定与用户匹配的第一目标产品;其中,该金融产品的标签信息包括产品类型、起购标准、风险等级、收益等级、年限中的至少一个;通过将用户等级和金融产品的各个标签信息一一进行匹配,得到与用户匹配程度高的第一目标产品,能够提高产品与用户之间的匹配程度,得到与用户匹配度高、针对性强的产品。
图5为另一个实施例中产品匹配方法的流程示意图。本实施例涉及的是根据用户等级与各个标签信息对应的参考等级确定金融产品对应的用户匹配度的一种可选的实现过程,在上述实施例的基础上,如图5所示,上述方法还包括:
步骤501,根据各个标签信息对应的参考等级,确定金融产品的各个标签信息中,与用户等级匹配的目标标签信息。
可选地,与用户等级匹配可以是标签信息对应的参考等级与用户等级相同,也可以是标签信息对应的参考等级低于用户等级,也就是说,在标签信息对应的参考等级与用户等级相同,或者,标签信息对应的参考等级低于用户等级时,该标签信息均可以作为与用户等级匹配的目标标签信息。
步骤502,对各目标标签信息进行加权处理,确定金融产品对应的用户匹配度。
可选地,对于金融产品的多个标签信息,可以预设不同的优先级别,即可以为不同的标签信息设置不同的权重系数,权重越高,表示该标签信息的重要程度越高,也可表示与用户匹配的关联程度越高;当然,对于不同的标签信息,也可以设置相同的权重系数。如:对于金融产品的标签信息中的风险等级对应的权重系数可以高于起购标准对应的权重系数,风险等级对应的权重系数和收益等级对应的权重系数也可以相同。
基于此,在确定出金融产品的目标标签信息之后,可以基于各目标标签信息和各目标标签信息分别对应的权重系数,对各目标标签信息进行加权处理,得到该金融产品对应的用户匹配度。
本实施例中,服务器根据各个标签信息对应的参考等级,确定金融产品的各个标签信息中,与用户等级匹配的目标标签信息,并对各目标标签信息进行加权处理,确定金融产品对应的用户匹配度;通过为不同的标签信息设置不同的权重系数,使得金融产品对应的用户匹配度更能表征用户和产品之间的匹配程度,得到针对性更强的金融产品,提高金融产品与用户之间的匹配程度。
图6为另一个实施例中产品匹配方法的流程示意图。本实施例涉及的是根据用户的搜索信息为用户匹配金融产品的一种可选的实现过程,在上述实施例的基础上,如图6所示,上述方法还包括:
步骤601,获取用户通过目标客户端输入的当前搜索信息。
其中,该当前搜索信息可以为与金融产品相关的搜索信息,包括但不限于是产品名称、产品类型、起购标准、风险等级、收益等级、年限等。
可选地,该目标客户端可以是用户通过该用户的登录账号登录客户端应用程序的客户端。
步骤602,根据当前搜索信息、用户等级,从产品数据库中确定与当前搜索信息及用户等级匹配的第二目标产品。
可选地,服务器可以先根据当前搜索信息,从产品数据库中筛选出与当前搜索信息对应的候选金融产品,接着,再根据用户等级从候选金融产品中确定与用户等级匹配的金融产品,作为与用户匹配的第二目标产品;其中,根据用户等级从候选金融产品中确定与用户等级匹配的金融产品的实现过程可以参照上述图2和图4给出的实施例中的相关描述过程,在此不再赘述。
可选地,服务器也可以先根据用户等级从产品数据库中筛选出与用户等级匹配的候选金融产品,接着,再根据当前搜索信息从候选金融产品中确定与当前搜索信息匹配的金融产品,作为与用户匹配的第二目标产品。
步骤603,将第二目标产品发送至目标客户端。
本实施例中,服务器通过获取用户通过目标客户端输入的当前搜索信息,并根据当前搜索信息、用户等级,从产品数据库中确定与当前搜索信息及用户等级匹配的第二目标产品;最后,将第二目标产品发送至目标客户端;也就是说,本实施例,服务器还可以根据用户的搜索信息,结合用户的用户等级,为用户匹配更合适的金融产品,相比于现有技术中直接根据用户搜索信息确认与用户匹配的金融产品而言,本实施例中,通过结合用户的用户等级,能够提高用户和产品之间的匹配程度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的产品匹配方法的产品匹配装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个产品匹配装置实施例中的具体限定可以参见上文中对于产品匹配方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种产品匹配装置,包括:第一获取模块701、第二获取模块702和确定模块703,其中:
第一获取模块701,用于获取用户的历史行为数据和账户收支数据;该历史行为数据包括用户对于金融产品的历史搜索记录以及历史浏览记录;
第二获取模块702,用于将历史行为数据和账户收支数据输入预设分类模型,获得用户的用户等级;该用户等级用于表征用户的抗金融风险能力;
确定模块703,用于根据用户等级,从产品数据库中确定与用户匹配的第一目标产品;其中,该产品数据库中包括多个具有标签信息的金融产品。
在其中一个实施例中,上述第二获取模块702包括第一获取单元和第二获取单元;其中,第一获取单元,用于获取用户的特征向量;该用户的特征向量包括基于历史行为数据生成的第一特征向量和基于账户收支数据形成的第二特征向量;第二获取单元,用于将该特征向量输入至预设分类模型,获得用户的用户等级;其中,该预设分类模型为采用多个样本特征向量及其对应的等级标签对初始分类模型进行训练获得的。
在其中一个实施例中,上述第一获取单元,具体用于对历史搜索记录进行特征提取,获得第一特征子向量;该第一特征子向量中的特征值包括搜索时间、搜索设备以及搜索关键词;以及对历史浏览记录进行特征提取,获得第二特征子向量;该第二特征子向量中的特征值包括浏览时间、浏览设备以及历史浏览产品类型;第一特征向量包括第一特征子向量和第二特征子向量;以及基于账户收支数据,获得第二特征向量;该第二特征向量中的特征值包括收入总额、支出总额以及单月最小收入额;接着,将第一特征子向量、第二特征子向量以及第二特征向量进行特征融合,获得用户的特征向量。
在其中一个实施例中,上述确定模块703包括第三获取单元和确定单元;其中,第三获取单元,用于获取产品数据库中各金融产品的标签信息;该金融产品的标签信息包括产品类型、起购标准、风险等级、收益等级、年限中的至少一个;确定单元,用于根据用户等级以及各金融产品的标签信息,确定与用户匹配的第一目标产品。
在其中一个实施例中,上述确定单元,具体用于针对产品数据库中的各金融产品,确定金融产品的各个标签信息对应的参考等级,并根据用户等级与各个标签信息对应的参考等级确定金融产品对应的用户匹配度;根据各金融产品对应的用户匹配度,选择与用户匹配的第一目标产品。
在其中一个实施例中,上述确定单元,具体用于根据各个标签信息对应的参考等级,确定金融产品的各个标签信息中,与用户等级匹配的目标标签信息;对各目标标签信息进行加权处理,确定金融产品对应的用户匹配度。
在其中一个实施例中,上述确定单元,具体用于将各金融产品对应的用户匹配度,按照从大到小的顺序进行排序处理;将排序处理后的前预设数量的金融产品作为与用户匹配的第一目标产品。
在其中一个实施例中,该装置还包括第三获取模块和发送模块;该第三获取模块,用于获取用户通过目标客户端输入的当前搜索信息;上述确定模块703,还用于根据当前搜索信息、用户等级,从产品数据库中确定与当前搜索信息及用户等级匹配的第二目标产品;发送模块,用于将第二目标产品发送至目标客户端。
上述产品匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品数据库以及产品数据库中各个金融产品的标签信息,以及用户的历史行为数据和用户的账户收支数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品匹配方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中提供的产品匹配方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中提供的产品匹配方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各个实施例中提供的产品匹配方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种产品匹配方法,其特征在于,所述方法包括:
获取用户的历史行为数据和账户收支数据;所述历史行为数据包括所述用户对于金融产品的历史搜索记录以及历史浏览记录;
将所述历史行为数据和所述账户收支数据输入预设分类模型,获得所述用户的用户等级;所述用户等级用于表征所述用户的抗金融风险能力;
根据所述用户等级,从产品数据库中确定与所述用户匹配的第一目标产品;其中,所述产品数据库中包括多个具有标签信息的金融产品。
2.根据权利要求1所述的方法,其特征在于,所述将所述历史行为数据和所述账户收支数据输入预设分类模型,获得所述用户的用户等级,包括:
获取所述用户的特征向量;所述用户的特征向量包括基于所述历史行为数据生成的第一特征向量和基于所述账户收支数据形成的第二特征向量;
将所述特征向量输入至所述预设分类模型,获得所述用户的用户等级;其中,所述预设分类模型为采用多个样本特征向量及其对应的等级标签对初始分类模型进行训练获得的。
3.根据权利要求2所述的方法,其特征在于,所述获取所述用户的特征向量,包括:
对所述历史搜索记录进行特征提取,获得第一特征子向量;所述第一特征子向量中的特征值包括搜索时间、搜索设备以及搜索关键词;
对所述历史浏览记录进行特征提取,获得第二特征子向量;所述第二特征子向量中的特征值包括浏览时间、浏览设备以及历史浏览产品类型;所述第一特征向量包括所述第一特征子向量和所述第二特征子向量;
基于所述账户收支数据,获得所述第二特征向量;所述第二特征向量中的特征值包括收入总额、支出总额以及单月最小收入额;
将所述第一特征子向量、所述第二特征子向量以及所述第二特征向量进行特征融合,获得所述用户的特征向量。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据所述用户等级,从产品数据库中确定与所述用户匹配的第一目标产品,包括:
获取所述产品数据库中各所述金融产品的标签信息;所述金融产品的标签信息包括产品类型、起购标准、风险等级、收益等级、年限中的至少一个;
根据所述用户等级以及各所述金融产品的标签信息,确定与所述用户匹配的第一目标产品。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户等级以及各所述金融产品的标签信息,确定与所述用户匹配的第一目标产品,包括:
针对所述产品数据库中的各所述金融产品,确定所述金融产品的各个标签信息对应的参考等级,并根据所述用户等级与各个标签信息对应的所述参考等级确定所述金融产品对应的用户匹配度;
根据各所述金融产品对应的用户匹配度,选择与所述用户匹配的第一目标产品。
6.根据权利要求5所述的方法,其特征在于,所述根据所述用户等级与各个标签信息对应的所述参考等级确定所述金融产品对应的用户匹配度,包括:
根据各个标签信息对应的所述参考等级,确定所述金融产品的各个标签信息中,与所述用户等级匹配的目标标签信息;
对各所述目标标签信息进行加权处理,确定所述金融产品对应的用户匹配度。
7.根据权利要求5所述的方法,其特征在于,所述根据各所述金融产品对应的用户匹配度,选择与所述用户匹配的第一目标产品,包括:
将各所述金融产品对应的用户匹配度,按照从大到小的顺序进行排序处理;
将排序处理后的前预设数量的所述金融产品作为与所述用户匹配的第一目标产品。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述用户通过目标客户端输入的当前搜索信息;
根据所述当前搜索信息、所述用户等级,从所述产品数据库中确定与所述当前搜索信息及所述用户等级匹配的第二目标产品;
将所述第二目标产品发送至所述目标客户端。
9.一种产品匹配装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户的历史行为数据和账户收支数据;所述历史行为数据包括所述用户对于金融产品的历史搜索记录以及历史浏览记录;
第二获取模块,用于将所述历史行为数据和所述账户收支数据输入预设分类模型,获得所述用户的用户等级;所述用户等级用于表征所述用户的抗金融风险能力;
确定模块,用于根据所述用户等级,从产品数据库中确定与所述用户匹配的第一目标产品;其中,所述产品数据库中包括多个具有标签信息的金融产品。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445601.8A CN114693409A (zh) | 2022-04-24 | 2022-04-24 | 产品匹配方法、装置、计算机设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445601.8A CN114693409A (zh) | 2022-04-24 | 2022-04-24 | 产品匹配方法、装置、计算机设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693409A true CN114693409A (zh) | 2022-07-01 |
Family
ID=82144348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445601.8A Pending CN114693409A (zh) | 2022-04-24 | 2022-04-24 | 产品匹配方法、装置、计算机设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693409A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994821A (zh) * | 2023-01-09 | 2023-04-21 | 中云融拓数据科技发展(深圳)有限公司 | 基于产业链数字化场景金融模型建立金融风控体系的方法 |
CN117112628A (zh) * | 2023-09-08 | 2023-11-24 | 廊坊丛林科技有限公司 | 一种物流数据的更新方法及*** |
-
2022
- 2022-04-24 CN CN202210445601.8A patent/CN114693409A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994821A (zh) * | 2023-01-09 | 2023-04-21 | 中云融拓数据科技发展(深圳)有限公司 | 基于产业链数字化场景金融模型建立金融风控体系的方法 |
CN117112628A (zh) * | 2023-09-08 | 2023-11-24 | 廊坊丛林科技有限公司 | 一种物流数据的更新方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9704185B2 (en) | Product recommendation using sentiment and semantic analysis | |
CN107818344B (zh) | 用户行为进行分类和预测的方法和*** | |
CN110837931A (zh) | 客户流失预测方法、装置及存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
KR20200039852A (ko) | 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법 | |
CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN113177700B (zh) | 一种风险评估方法、***、电子设备及存储介质 | |
CN112633690A (zh) | 服务人员信息分配方法、装置、计算机设备和存储介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
CN114997916A (zh) | ***的预测方法、***、电子设备和存储介质 | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
Liu et al. | Extracting, ranking, and evaluating quality features of web services through user review sentiment analysis | |
CN114358014A (zh) | 基于自然语言的工单智能诊断方法、装置、设备及介质 | |
CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN114118610A (zh) | 基于关联性大数据的产品销量预测方法及*** |
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 |