CN115619436A - 一种金融产品的推荐方法、装置、计算机设备及存储介质 - Google Patents
一种金融产品的推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115619436A CN115619436A CN202211419254.8A CN202211419254A CN115619436A CN 115619436 A CN115619436 A CN 115619436A CN 202211419254 A CN202211419254 A CN 202211419254A CN 115619436 A CN115619436 A CN 115619436A
- Authority
- CN
- China
- Prior art keywords
- user
- index
- financial
- user data
- characteristic information
- 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 58
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种金融产品的推荐方法、装置、计算机设备及存储介质。本方案获取待推荐用户在金融业务应用中产生的用户数据;对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐,以此,可以提高金融产品的推荐效果。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种金融产品的推荐方法、装置、计算机设备及存储介质。
背景技术
产品推荐是公司吸引客户和产品营销的重要方式,贷款在银行的业务里是非常重要的任务,银行正在越来越多的考虑在不同角度在考核贷款产品推荐的成效。
当前贷款产品推广多偏重单一指标,不同团队关注的指标也不一样。比如,有的关注活跃数量,有的关注申请数量,有的关注放款数量等。由于关注的指标不一样,各团队经常根据不同指标训练各自的模型去实现目标,导致在如何做贷款产品推荐和流量分配时会出现分歧,造成各种冲突,从而影响金融产品的推荐效果。
发明内容
本申请实施例提供一种金融产品的推荐方法、装置、计算机设备及存储介质,可以提高金融产品的推荐效果。
本申请实施例提供了一种金融产品的推荐方法,包括:
获取待推荐用户在金融业务应用中产生的用户数据;
对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;
对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息,其中,所述不同推广指标类别为所述金融业务应用中的金融产品对应的推广指标类别;
根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。
相应的,本申请实施例还提供了一种金融产品的推荐装置,包括:
第一获取单元,用于获取待推荐用户在金融业务应用中产生的用户数据;
提取单元,用于对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;
处理单元,用于对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息;
推荐单元,用于根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。
在一些实施例中,该装置还包括:
采集单元,用于采集样本用户在所述金融业务应用中产生的样本用户数据;
第二获取单元,用于获取所述样本用户数据对应的实际推广指标类别;
构建单元,用于基于所述样本用户数据与所述实际推广指标类别,构建训练后分类模型。
在一些实施例中,处理单元包括:
输入子单元,用于将所述用户特征信息输入训练后分类模型中;
计算子单元,用于基于所述训练后分类模型计算所述用户特征信息在每一推广指标类别上的指标值,得到所述指标值信息。
在一些实施例中,构建单元包括:
提取子单元,用于对所述样本用户数据进行特征提取,得到所述样本用户在所述金融业务应用中的样本用户特征信息;
训练子单元,用于基于所述样本用户特征信息与所述实际推广指标类别对预设分类网络模型进行训练,得到所述训练后分类模型。
在一些实施例中,训练子单元具体用于:
根据所述样本用户特征信息与所述实际推广指标类别生成训练样本对;
基于所述训练样本对对所述预设分类网络模型进行训练,得到所述训练样本对中所述样本用户特征信息在每一推广指标类别上的预测指标值;
确定所述训练样本对中所述样本用户特征信息在每一推广指标类别上的实际指标值;
通过预测指标值与所述实际指标值对所述预设分类网络模型的模型参数进行调整,直至所述预设分类网络模型收敛,得到所述训练后分类模型。
在一些实施例中,采集单元包括:
第一处理子单元,用于通过流计算平台对所述样本用户在当前时间段产生的用户数据进行处理的,得到实时用户数据;
第二处理子单元,用于通过批处理平台对所述样本用户在历史时间段产生的用户数据进行处理的,得到离线用户数据;
第一确定子单元,用于基于所述实时用户数据与所述离线用户数据,得到所述样本用户数据。
在一些实施例中,该装置还包括:
确定单元,用于确定所述金融业务应用使用的分类模型;
验证单元,用于基于测试数据集分别对所述分类模型和所述训练后分类模型进行验证,得到验证结果;
替换单元,用于若所述验证结果指示所述训练后分类模型的分类准确度高于所述分类模型的分类准确度,则将所述分类模型替换为所述训练后分类模型。
在一些实施例中,推荐单元包括:
第二确定子单元,用于从所述用户特征信息在不同推广指标类别上的指标值中确定最大指标值;
第三确定子单元,用于确定指标值为所述最大指标值时所述用户特征信息对应的目标推广指标类别;
选取子单元,用于从所述金融业务应用的金融产品中选取与所述目标推广指标类别对应的金融产品,得到所述目标金融产品。
相应的,本申请实施例还提供了一种计算机设备,包括存储器,处理器及存储在储存器上并可在处理器上运行的计算机程序,其中,处理器执行本申请实施例任一提供的金融产品的推荐方法。
相应的,本申请实施例还提供了一种存储介质,存储介质存储有多条指令,指令适于处理器进行加载,以执行如上的金融产品的推荐方法。
本申请实施例通过获取待推荐用户在金融业务应用中产生的用户数据;对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐,以此,可以提高金融产品的推荐效果。
附图说明
为了更清楚地说明本申请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单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的一种金融产品的推荐方法的流程示意图。
图2为本申请实施例提供的另一种金融产品的推荐方法的流程示意图。
图3为本申请实施例提供的一种金融产品的推荐装置的结构框图。
图4为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,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。
本申请实施例提供一种金融产品的推荐方法、装置、存储介质及计算机设备。具体地,本申请实施例的金融产品的推荐方法可以由计算机设备执行,其中,该计算机设备可以为服务器等设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
例如,该计算机设备可以是服务器,该服务器可以获取待推荐用户在金融业务应用中产生的用户数据;对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。
基于上述问题,本申请实施例提供一种金融产品的推荐方法、装置、计算机设备及存储介质,可以提高金融产品的推荐效果。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例提供一种金融产品的推荐方法,该方法可以由终端或服务器执行,本申请实施例以金融产品的推荐方法由服务器执行为例来进行说明。
请参阅图1,图1为本申请实施例提供的一种金融产品的推荐方法的流程示意图。以该金融产品的推荐方法应用于银行向客户推荐金融产品的业务场景为例,该金融产品的推荐方法的具体流程可以如下:
101、获取待推荐用户在金融业务应用中产生的用户数据。
在本申请实施例中,待推荐用户指的是对于银行的金融产品有需求的客户,银行可以向待推荐用户进行金融产品推荐。其中,金融产品指的是银行向客户提供的多种金融业务的产品,比如,金融产品可以为贷款产品。
其中,金融业务应用指的是银行为客户提供的用于办理该银行的多种金融业务的第三方业务APP(Application,应用程序),用户在终端设备上安装该金融业务应用,然后进入金融业务应用了解银行提供的各种金融产品。
其中,用户数据指的是待推荐用户在使用金融业务应用的过程中,产生的各类数据。具体的,用户数据至少可以包括用户个人信息和用户操作信息,其中,用户个人信息可以为用户在金融业务应用中注册账号时授权填写的个人信息,比如,用户个人信息可以包括姓名、联系方式等;用户操作信息指的是用户在使用金融业务应用是进行操作的信息,比如,用户操作信息可以包括浏览应用页面、点击金融产品或者填写金融产品的申请资料等。
102、对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息。
在本申请实施例中,在向银行客户推荐金融产品时,可以设置多种推广指标,以方便多维度进行金融产品的推广,提高金融产品的推广成效。
具体的,在对用户数据进行特征提取时,可以从用户数据中提取与推广指标关联的特征,得到用户特征信息。
例如,推广指标可以包括:活跃数量指标、申请数量指标以及放款数量指标等。其中,活跃数量指标指的是用户对金融产品的点击量,申请数量指标指的是用户对金融产品的申请量、放款数量指标指的是用户完成申请的金融产量数量。则对用户数据进行特征提取可以包括:从用户数据中提取待推荐用户点击查看的金融产品的数量、待推荐用户进行申请的金融产品的数量以及待推荐用户申请成功的金融产品的数量,从而得到待推荐用户在金融业务应用中的用户特征信息。
103、对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息。
其中,不同推广指标类别为金融业务应用中的金融产品对应的不同的推广指标类别。
在一些实施例中,为了得到准确的指标值信息,在步骤“对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息”之前,还可以包括以下步骤:
采集样本用户在金融业务应用中产生的样本用户数据;
获取样本用户数据对应的实际推广指标类别;
基于样本用户数据与实际推广指标类别,构建训练后分类模型;
其中,样本用户指的是金融业务应用的使用用户,样本用户数据指的是样本用户在使用金融业务应用的过程中产生的用户数据。具体的,样本用户数据可以包括样本用户在金融业务应用中的个人信息和操作信息等。
在一些实施例中,为了减少数据处理量,在采集样本用户的样本用户数据时,可以指定采集的数据的时间段,比如,采集过去一周或者过去一个月内,样本用户在使用金融业务应用的过程中产生的样本用户数据。
其中,实际推广指标类别指的是样本用户数据关联的推广指标类别。
例如,推广指标类别可以包括活跃数量指标、申请数量指标以及放款数量指标。样本用户数据中可以包括用户点击金融产品的数量,则可以确定样本用户数据对应的实际推广指标类别可以为:活跃数量指标。
或者,样本用户数据中可以包括用户点击金融产品的数量和用户申请金融产品的数量,则可以确定样本用户数据对应的实际推广指标类别可以为:活跃数量指标和申请数量指标。
进一步的,可以根据样本用户数据与实际推广指标类别来构建训练后分类模型,训练后分类模型可以用于对待推荐用户的用户数据基于推广指标进行分类处理,以便于根据分类结果对待推荐用户进行金融产品的推荐。
则步骤“对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息”,可以包括以下流程:
将用户特征信息输入训练后分类模型中;
基于训练后分类模型计算用户特征信息在每一推广指标类别上的指标值,得到指标值信息。
其中,训练后分类模型可以用于预测与待推荐用户相关的推广指标类别。具体的,将待推荐用户的用户特征信息输入该训练后分类模型,通过该训练后分类模型对用户特征信息进行处理,也即计算用户特征信息属于每一推广指标类别的指标值,也即在每一推广指标类别上的评分值。
具体的,基于用户特征信息在各个推广指标类别上的指标值,得到指标值信息。
例如,推广指标类别可以包括:第一指标类别、第二指标类别以及第三指标类别。通过训练后分类模型计算用户特征信息在第一指标类别上的评分值,也即指标值可以为a,计算用户特征信息在第二指标类别上的评分值,也即指标值可以为b,计算用户特征信息在第三指标类别上的评分值,也即指标值可以为c。基于用户特征信息在每一推广指标类别上的指标值,得到指标值信息。
在一些实施例中,为了提高网络模型的训练效率,步骤“基于样本用户数据与实际推广指标类别,构建训练后分类模型”,可以包括以下流程:
对样本用户数据进行特征提取,得到样本用户在金融业务应用中的样本用户特征信息;
基于样本用户特征信息与实际推广指标类别对预设分类网络模型进行训练,得到训练后分类模型。
其中,对样本用户数据进行特征提取可以从样本用户数据中提取样本用户点击查看的金融产品的数量、待推荐用户进行申请的金融产品的数量以及待推荐用户申请成功的金融产品的数量,从而得到样本用户在金融业务应用中的样本用户特征信息。
在本申请实施例中,主要是对用户特征信息进行多分类处理,则预设分类网络模型可以为多分类网络模型。多分类网络模型包括多个输出,多个输出的数量与设置的分类标签的数量相同,比如,分类标签为3个,则多分类网络模型的输出可以为3个。具体的,可以将推广指标类别设置为分类标签,则可以通过多分类网络模型基于输入的用户特征信息,通过对用户特征进行处理,输出用户特征信息在各个推广指标类别上的指标值。
例如,预设分类网络模型可以为Softmax回归模型(Softmax regression),Softmax回归模型用于计算输入特征在每一分类标签上的概率值,然后分别输出特征在各个分类标签上的概率值。Softmax回归模型的输出值个数等于标签里的类别数。
在一些实施例中,为了提高训练后分类模型的计算准确性,步骤“基于样本用户特征信息与实际推广指标类别对预设分类网络模型进行训练,得到训练后分类模型”,可以包括以下操作:
根据样本用户特征信息与实际推广指标类别生成训练样本对;
基于训练样本对对预设分类网络模型进行训练,得到训练样本对中样本用户特征信息在每一推广指标类别上的预测指标值;
确定训练样本对中样本用户特征信息在每一推广指标类别上的实际指标值;
通过预测指标值与实际指标值对预设分类网络模型的模型参数进行调整,直至预设分类网络模型收敛,得到训练后分类模型。
首先,获取样本用户特征信息的用户特征数据,以及样本用户特征信息对应的推广指标类别的指标类别数据,根据用户特征数据与指标类别数据构建训练样本数据对,得到训练样本对。
具体的,将训练样本输入预设模型参数配置下的预设分类网络模型中。对预设分类网络模型进行训练的训练目标为多分类结果,也即计算样本用户特征在每一推广指标类别上的预测指标值。
进一步的,根据训练样本对中,样本用户特征信息对应的实际推广指标类别,确定该样本用户特征信息在每一实际推广指标类别上的实际指标值。然后,根据预设损失函数,预测指标值以及实际指标值对预设分类网络模型进行迭代训练,对预设分类网络模型的模型参数进行调整,直至预设网络模型收敛,既可以得到训练后分类模型。
在一些实施例中,为了获取准确的样本用户数据,步骤“采集样本用户在金融业务应用中产生的样本用户数据”,可以包括以下操作:
通过流计算平台对样本用户在当前时间段产生的用户数据进行处理的,得到实时用户数据;
通过批处理平台对样本用户在历史时间段产生的用户数据进行处理的,得到离线用户数据;
基于实时用户数据与离线用户数据,得到样本用户数据。
在本申请实施例中,对于用户使用金融业务应用过程中产生的各类数据,将这些数据存放至数据仓库或者发送到消息队列,然后通过大数据处理平台对数据进行采集清洗加工才可以给模型使用,其中,大数据处理平台可以包括流计算平台和批处理平台。
其中,流计算平台可以用于对大规模流动数据在不断变化的运动过程中实时地进行分析,捕捉到可能有用的信息,并把结果发送到下一计算节点。批处理平台可以用于对数据仓库中的离线数据进行分析。通过流计算平台生成实时的用户数据结果,批处理平台生成非实时的离线用户数据结果。
具体的,通过流计算平台可以对样本用户在金融业务应用中实时产生的数据进行分析处理,得到样本用户的实时用户数据;以及通过批处理平台对样本用户在金融业务应用中已产生的离线数据进行分析,得到样本用户的离线用户数据,然后,基于实时用户数据与离线用户数据得到样本用户数据。
例如,通过流计算平台可以对样本用户在金融业务应用中对金融产品的实时点击量、实时申请量以及实时放款量进行分析,得到样本用户的实时用户数据,以及通过批处理平台对样本用户历史时间段内在金融业务应用中对金融产品的历史点击量、历史申请量以及历史放款量进行分析,得到样本用户的离线用户数据。
在一些实施例中,为了保证金融业务应用的线上模型的分类效果,在步骤“基于样本用户数据与实际推广指标类别,构建训练后分类模型”之后,还可以包括以下步骤:
确定金融业务应用使用的分类模型;
基于测试数据集分别对分类模型和训练后分类模型进行验证,得到验证结果;
若验证结果指示训练后分类模型的分类准确度高于分类模型的分类准确度,则将分类模型替换为训练后分类模型。
其中,分类模型指的是金融业务应用线上使用中的分类模型,用于根据用户特征信息识别用户对应的推广指标类别。
其中,测试数据集可以为从训练样本对中选取的验证样本对,通过验证样本对对分类模型以及训练后分类模型进行验证测试。比如,将验证样本对中的样本用户特征信息分别输入分类模型和训练后分类模型中,通过分类模型对样本用户特征进行处理,输出样本用户特征在各推广类别指标上的第一预测指标值,以及通过训练后分类模型对样本用户特征进行处理,输出样本用户特征在各推广类别指标上的第二预测指标值,然后,分别将第一预测指标值和第二预测指标值与验证样本对中样本用户特征对应的实际推广指标类别信息进行匹配,得到验证结果。
具体的,验证结果可以包括:第一预测指标值与实际推广指标类别信息较匹配,则表示分类模型分类准确度较高;第二预测指标值与实际推广指标类别信息较匹配,则表示训练后分类模型分类准确度较高。
进一步的,当验证结果指示训练后分类模型的分类准确度高于分类模型的分类准确度,也即训练后分类模型的模型效果较优,则可以将分类模型替换为训练后分类模型。然后基于训练后分类模型对待推荐用户的用户特征信息进行分类处理。
104、根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。
在一些实施例中,为了提高为用户推荐金融产品的准确性,步骤“根据指标值信息从金融业务应用的金融产品中确定目标金融产品”,可以包括以下操作:
从用户特征信息在不同推广指标类别上的指标值中确定最大指标值;
确定指标值为最大指标值时用户特征信息对应的目标推广指标类别;
从金融业务应用的金融产品中选取与目标推广指标类别对应的金融产品,得到目标金融产品。
其中,指标值信息包括待推荐用户的用户特征信息在不同推广指标类别上的指标值。具体的,指标值越高,表示待推荐用户与该指标值对应的推广指标类别的关联程度越高。
例如,推广指标类别可以包括:第一指标类别,第二指标类别和第三指标类别。则指标值信息可以包括:在第一指标类别上的指标值可以为:0.5,在第二指标类别上的指标值可以为:0.3,在第一指标类别上的指标值可以为:0.1。通过将各个指标值进行比较,得到最大指标值为0.5,然后,获取指标值为0.5时,用户特征信息对应的推广指标类别为第一指标类别。
在本申请实施例中,可以将金融业务应用中的所有金融产品根据不同的推广指标类别进行分类,得到多类金融产品。
具体的,对于所有金融产品,统计每一金融产品在各个推广指标类别下的数据值,将数据值最高的推广指标类作为该金融产品所属指标类别。
例如,金融产品可以包括:第一金融产品,第二金融产品以及第三金融产品。推广指标类别可以包括:第一指标类别,第二指标类别和第三指标类别。计算第一金融产品在第一指标类别的数据值可以为:100,在第二指标类别的数据值可以为:50,在第三指标类别的数据值可以为:30;计算第二金融产品在第一指标类别的数据值可以为:80,在第二指标类别的数据值可以为:70,在第三指标类别的数据值可以为:50;计算第一金融产品在第三指标类别的数据值可以为:50,在第二指标类别的数据值可以为:100,在第三指标类别的数据值可以为:50。
进一步的,将数据值最高的推广指标类作为金融产品所属指标类别,得到第一金融产品所属指标类别为:第一指标类别;第二金融产品所属指标类别为:第一指标类别;第三金融产品所属指标类别为:第二指标类别。
具体的,从金融业务应用的金融产品中选取与目标推广指标类别对应的金融产品,得到目标金融产品,可以从金融产品中选取指标类别与目标推广指标类别对于的金融产品,得到目标金融产品可以为第一金融产品和第二金融产品,进而可以向待推荐用户推荐第一金融产品或者第二金融产品,以此,可以准确为用户推荐合适的金融产品。
本申请实施例公开了一种金融产品的推荐方法,该方法包括:获取待推荐用户在金融业务应用中产生的用户数据;对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。以此,可以提高金融产品的推荐效果。
根据上述介绍的内容,下面将举例来进一步说明本申请的金融产品的推荐方法。请参阅图2,图2为本申请实施例提供的另一种金融产品的推荐方法的流程示意图,以该金融产品的推荐方法应用于服务器为例,具体流程可以如下:
201、服务器获取目标用户在业务应用中产生的用户数据。
在本申请实施例中,业务应用为银行方提供的用于用户进行业务办理的应用程序。
具体的,用户可以进入业务应用,开始浏览应用页面、点击业务用于提供的贷款产品,或者针对贷款产品填写申请贷款产品的资料。对于用户在业务应用中产生的各类数据,也即用户数据,可以将这些数据存放到数据仓库或发送到消息队列中。
其中,用户数据可以是对模型进行更新的最原始数据,通过大数据处理平台做数据采集清洗加工后可以提供给模型使用,其中,大数据处理平台可以包括流计算平台和批处理平台,流计算平台可以用于生成实时的结果,批处理平台可以用于生成非实时的离线结果。
202、服务器对用户数据中的实时用户数据和离线用户数据分别进行处理,得到处理后用户数据。
在本申请实施例中,对用户数据进行处理的操作可以包括:通过流计算平台生成客户实时X变量和实时Y变量,通过批处理平台生成客户离线X变量和离线Y变量。其中,实时X变量指的是实时用户数据,实时Y变量指的是实时用户数据对应的指标类别;离线X变量指的是离线用户数据,离线Y变量指的是离线用户数据对应的指标类别。
其中,根据Y变量的观察窗口的时间长短,能即时获得的是实时Y变量,需要曝光后观察一段时间的是离线Y变量。不同的Y变量代表的是业务关注的核心目标,比如,Y1变量可以代表点击数量指标、Y2变量可以代表申请数量指标,以及Y3变量代表放款数量指标等。
具体的,样本的生成是多目标学习的关键一环,因为不同的Y变量对应的观察时间窗口不一致,在生成样本时需要重点关注,比如。点击可以实时获得(秒级),申请填写资料需要较长时间(分钟级别),放款则需要更长时间(小时级别/天级别)。基于此,通过上述方式可以准确获取生成X变量和Y变量,以此实现多目标学习的关键。
203、服务器基于处理后用户数据对预设网络模型进行训练,得到训练后网络模型。
在本申请实施例中,提供了两种模型训练方式,具体如下:
第一种方式是先将X变量和不同的Y1\Y2\Y3变量分别训练多个二分类模型,通过多个二分类模型分别计算X变量在各个指标上的评分,得到多个二分类评分,再将多个二分类模型的评分融合为一个评分,这种方式容易理解方便解释,但工程量比较大;第二种方式是先将不同的Y1\Y2\Y3变量融合成一个多分类的Y变量,仅训练一个多分类模型,这种方式需要理解但还是可以清楚解释,工程量会小很多。
例如,对于第二中模型训练方式,将Y1\Y2\Y3三个指标类别可以融合为8个识别类别。可以用0、1数值表示,8个指标类别分别可以为:(0,0,0)(0,0,1)(0,1,1)(1,0,0)(1,1,0)(1,1,1)(0,1,0)(1,0,1),对于输入模型的X变量,也即用户数据特征,分别计算X变量在各个指标类别上的指标值,然后将8个指标值进行融合,得到融合后指标值。通过分类模型实现量化计算,输出客户在不同的目标上的量化评分,容易解释方便部署上线。
其中,上述第二种模型训练方式能够降低工程量,同时兼顾多个目标的学习任务,是算法和业务结合的有用经验,能防止人为设计因素可能引入的偏差,防止***结果出现硬性错误。
204、服务器验证训练后网络模型与业务应用中已上线的初始网络模型的模型处理效果。
其中,初始网络模型指的是业务应用当前使用中的分类网络模型。
具体的,服务器可以获取用于验证网络模型的验证数据集,通过验证数据集对训练后网络模型以及初始网络模型分别进行验证,得到训练后网络模型的模型处理效果,以及初始网络模型的模型处理效果。
205、若训练后网络模型的模型处理效果优于初始网络模型的模型处理效果,则基于训练后网络模型替换初始网络模型。
具体的,如果训练后网络模型的处理效果明显优于初始网络模型,则将训练后网络模型替代初始网络模型成为业务应用的线上模型。替代完成后,***可以进入新一轮的自动训练更新。
本申请实施例公开了一种金融产品的推荐方法,该方法包括:服务器获取目标用户在业务应用中产生的用户数据,对用户数据中的实时用户数据和离线用户数据分别进行处理,得到处理后用户数据,基于处理后用户数据对预设网络模型进行训练,得到训练后网络模型,验证训练后网络模型与业务应用中已上线的初始网络模型的模型处理效果,若训练后网络模型的模型处理效果优于初始网络模型的模型处理效果,则基于训练后网络模型替换初始网络模型,本申请实施例提出第二种多分类的学习方法,在实际应用中能够兼顾业务效果和工程难度,更加充分的结合实际业务落地经验,产生的结果更符合预期,体现了客户为中心的经营理念,优化了贷款产品推荐效果。
为便于更好的实施本申请实施例提供的金融产品的推荐方法,本申请实施例还提供一种基于上述金融产品的推荐方法的金融产品的推荐装置。其中名词的含义与上述金融产品的推荐方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图3,图3为本申请实施例提供的一种金融产品的推荐装置的结构框图,该装置包括:
第一获取单元301,用于获取待推荐用户在金融业务应用中产生的用户数据;
提取单元302,用于对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;
处理单元303,用于对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息;
推荐单元304,用于根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。
在一些实施例中,该装置还可以包括:
采集单元,用于采集样本用户在所述金融业务应用中产生的样本用户数据;
第二获取单元,用于获取所述样本用户数据对应的实际推广指标类别;
构建单元,用于基于所述样本用户数据与所述实际推广指标类别,构建训练后分类模型。
在一些实施例中,处理单元303可以包括:
输入子单元,用于将所述用户特征信息输入训练后分类模型中;
计算子单元,用于基于所述训练后分类模型计算所述用户特征信息在每一推广指标类别上的指标值,得到所述指标值信息。
在一些实施例中,构建单元可以包括:
提取子单元,用于对所述样本用户数据进行特征提取,得到所述样本用户在所述金融业务应用中的样本用户特征信息;
训练子单元,用于基于所述样本用户特征信息与所述实际推广指标类别对预设分类网络模型进行训练,得到所述训练后分类模型。
在一些实施例中,训练子单元具体可以用于:
根据所述样本用户特征信息与所述实际推广指标类别生成训练样本对;
基于所述训练样本对对所述预设分类网络模型进行训练,得到所述训练样本对中所述样本用户特征信息在每一推广指标类别上的预测指标值;
确定所述训练样本对中所述样本用户特征信息在每一推广指标类别上的实际指标值;
通过预测指标值与所述实际指标值对所述预设分类网络模型的模型参数进行调整,直至所述预设分类网络模型收敛,得到所述训练后分类模型。
在一些实施例中,采集单元可以包括:
第一处理子单元,用于通过流计算平台对所述样本用户在当前时间段产生的用户数据进行处理的,得到实时用户数据;
第二处理子单元,用于通过批处理平台对所述样本用户在历史时间段产生的用户数据进行处理的,得到离线用户数据;
第一确定子单元,用于基于所述实时用户数据与所述离线用户数据,得到所述样本用户数据。
在一些实施例中,该装置还可以包括:
确定单元,用于确定所述金融业务应用使用的分类模型;
验证单元,用于基于测试数据集分别对所述分类模型和所述训练后分类模型进行验证,得到验证结果;
替换单元,用于若所述验证结果指示所述训练后分类模型的分类准确度高于所述分类模型的分类准确度,则将所述分类模型替换为所述训练后分类模型。
在一些实施例中,推荐单元304可以包括:
第二确定子单元,用于从所述用户特征信息在不同推广指标类别上的指标值中确定最大指标值;
第三确定子单元,用于确定指标值为所述最大指标值时所述用户特征信息对应的目标推广指标类别;
选取子单元,用于从所述金融业务应用的金融产品中选取与所述目标推广指标类别对应的金融产品,得到所述目标金融产品。
本申请实施例公开了一种金融产品的推荐装置,通过第一获取单元301获取待推荐用户在金融业务应用中产生的用户数据;提取单元302对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;处理单元303对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息;推荐单元304根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。以此,可以提高金融产品的推荐效果。
相应的,本申请实施例还提供一种计算机设备,该计算机设备可以为服务器。如图4所示,图4为本申请实施例提供的计算机设备的结构示意图。该计算机设备500包括有一个或者一个以上处理核心的处理器501、有一个或一个以上计算机可读存储介质的存储器502及存储在存储器502上并可在处理器上运行的计算机程序。其中,处理器501与存储器502电性连接。本领域技术人员可以理解,图中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器501是计算机设备500的控制中心,利用各种接口和线路连接整个计算机设备500的各个部分,通过运行或加载存储在存储器502内的软件程序和/或模块,以及调用存储在存储器502内的数据,执行计算机设备500的各种功能和处理数据,从而对计算机设备500进行整体监控。
在本申请实施例中,计算机设备500中的处理器501会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器502中,并由处理器501来运行存储在存储器502中的应用程序,从而实现各种功能:
获取待推荐用户在金融业务应用中产生的用户数据;
对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;
对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;
根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
可选的,如图4所示,计算机设备500还包括:触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507。其中,处理器501分别与触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507电性连接。本领域技术人员可以理解,图4中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
触控显示屏503可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏503可以包括显示面板和触控面板。其中,显示面板可用于显示由用户输入的消息或提供给用户的消息以及计算机设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的,可以采用液晶显示器(LCD,Liquid Crystal Display)、有机发光二极管(OLED,Organic Light-EmittingDiode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并生成相应的操作指令,且操作指令执行对应程序。可选的,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸消息,并将它转换成触点坐标,再送给处理器501,并能接收处理器501发来的命令并加以执行。触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器501以确定触摸事件的类型,随后处理器501根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中,可以将触控面板与显示面板集成到触控显示屏503而实现输入和输出功能。但是在某些实施例中,触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏503也可以作为输入单元506的一部分实现输入功能。
在本申请实施例中,通过处理器501执行游戏应用程序在触控显示屏503上生成图形用户界面,图形用户界面上的虚拟场景中包含至少一个技能控制区域,技能控制区域中包含至少一个技能控件。该触控显示屏503用于呈现图形用户界面以及接收用户作用于图形用户界面产生的操作指令。
射频电路504可用于收发射频信号,以通过无线通信与网络设备或其他计算机设备建立无线通讯,与网络设备或其他计算机设备之间收发信号。
音频电路505可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路505可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路505接收后转换为音频数据,再将音频数据输出处理器501处理后,经射频电路504以发送给比如另一计算机设备,或者将音频数据输出至存储器502以便进一步处理。音频电路505还可能包括耳塞插孔,以提供外设耳机与计算机设备的通信。
输入单元506可用于接收输入的数字、字符消息或用户特征消息(例如指纹、虹膜、面部消息等),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源507用于给计算机设备500的各个部件供电。可选的,电源507可以通过电源管理***与处理器501逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源507还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图4中未示出,计算机设备500还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的计算机设备,通过获取待推荐用户在金融业务应用中产生的用户数据;对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种金融产品的推荐方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取待推荐用户在金融业务应用中产生的用户数据;
对用户数据进行特征提取,得到待推荐用户在金融业务应用中的用户特征信息;
对用户特征信息进行分类处理,确定用户特征信息在不同推广指标类别上的指标值信息,其中,不同推广指标类别为金融业务应用中的金融产品对应的推广指标类别;
根据指标值信息从金融业务应用的金融产品中确定目标金融产品,并基于目标金融产品对待推荐用户进行推荐。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,random access memory)、磁盘或光盘等。
由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种金融产品的推荐方法中的步骤,因此,可以实现本申请实施例所提供的任一种金融产品的推荐方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种金融产品的推荐方法、装置、存储介质及计算机设备进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种金融产品的推荐方法,其特征在于,所述方法包括:
获取待推荐用户在金融业务应用中产生的用户数据;
对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;
对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息,其中,所述不同推广指标类别为所述金融业务应用中的金融产品对应的推广指标类别;
根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。
2.根据权利要求1所述的方法,其特征在于,在所述对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息之前,所述方法还包括:
采集样本用户在所述金融业务应用中产生的样本用户数据;
获取所述样本用户数据对应的实际推广指标类别;
基于所述样本用户数据与所述实际推广指标类别,构建训练后分类模型;
所述对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息,包括:
将所述用户特征信息输入训练后分类模型中;
基于所述训练后分类模型计算所述用户特征信息在每一推广指标类别上的指标值,得到所述指标值信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述样本用户数据与所述实际推广指标类别,构建所述训练后分类模型,包括:
对所述样本用户数据进行特征提取,得到所述样本用户在所述金融业务应用中的样本用户特征信息;
基于所述样本用户特征信息与所述实际推广指标类别对预设分类网络模型进行训练,得到所述训练后分类模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述样本用户特征信息与所述实际推广指标类别对预设分类网络模型进行训练,得到所述训练后分类模型,包括:
根据所述样本用户特征信息与所述实际推广指标类别生成训练样本对;
基于所述训练样本对对所述预设分类网络模型进行训练,得到所述训练样本对中所述样本用户特征信息在每一推广指标类别上的预测指标值;
确定所述训练样本对中所述样本用户特征信息在每一推广指标类别上的实际指标值;
通过预测指标值与所述实际指标值对所述预设分类网络模型的模型参数进行调整,直至所述预设分类网络模型收敛,得到所述训练后分类模型。
5.根据权利要求2所述的方法,其特征在于,所述采集样本用户在所述金融业务应用中产生的样本用户数据,包括:
通过流计算平台对所述样本用户在当前时间段产生的用户数据进行处理的,得到实时用户数据;
通过批处理平台对所述样本用户在历史时间段产生的用户数据进行处理的,得到离线用户数据;
基于所述实时用户数据与所述离线用户数据,得到所述样本用户数据。
6.根据权利要求2所述的方法,其特征在于,在所述基于所述样本用户数据与所述实际推广指标类别,构建训练后分类模型之后,还包括:
确定所述金融业务应用使用的分类模型;
基于测试数据集分别对所述分类模型和所述训练后分类模型进行验证,得到验证结果;
若所述验证结果指示所述训练后分类模型的分类准确度高于所述分类模型的分类准确度,则将所述分类模型替换为所述训练后分类模型。
7.根据权利要求1所述的方法,其特征在于,所述指标值信息包括所述用户特征信息在不同推广指标类别上的指标值;
所述根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,包括:
从所述用户特征信息在不同推广指标类别上的指标值中确定最大指标值;
确定指标值为所述最大指标值时所述用户特征信息对应的目标推广指标类别;
从所述金融业务应用的金融产品中选取与所述目标推广指标类别对应的金融产品,得到所述目标金融产品。
8.一种金融产品的推荐装置,其特征在于,所述装置包括:
第一获取单元,用于获取待推荐用户在金融业务应用中产生的用户数据;
提取单元,用于对所述用户数据进行特征提取,得到所述待推荐用户在所述金融业务应用中的用户特征信息;
处理单元,用于对所述用户特征信息进行分类处理,确定所述用户特征信息在不同推广指标类别上的指标值信息;
推荐单元,用于根据所述指标值信息从所述金融业务应用的金融产品中确定目标金融产品,并基于所述目标金融产品对所述待推荐用户进行推荐。
9.一种计算机设备,包括存储器,处理器及存储在存储器上并在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1至7任一项所述的金融产品的推荐方法。
10.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的金融产品的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419254.8A CN115619436A (zh) | 2022-11-14 | 2022-11-14 | 一种金融产品的推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419254.8A CN115619436A (zh) | 2022-11-14 | 2022-11-14 | 一种金融产品的推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619436A true CN115619436A (zh) | 2023-01-17 |
Family
ID=84878356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419254.8A Pending CN115619436A (zh) | 2022-11-14 | 2022-11-14 | 一种金融产品的推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619436A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399565A (zh) * | 2017-10-09 | 2018-08-14 | 平安科技(深圳)有限公司 | 金融产品推荐装置、方法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 |
CN110287408A (zh) * | 2019-05-23 | 2019-09-27 | 上海拍拍贷金融信息服务有限公司 | 一种定制化推送金融产品的方法及*** |
CN110415086A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达***工程股份有限公司 | 基于用户连续行为序列特征的智能理财推荐方法 |
-
2022
- 2022-11-14 CN CN202211419254.8A patent/CN115619436A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399565A (zh) * | 2017-10-09 | 2018-08-14 | 平安科技(深圳)有限公司 | 金融产品推荐装置、方法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 |
CN110287408A (zh) * | 2019-05-23 | 2019-09-27 | 上海拍拍贷金融信息服务有限公司 | 一种定制化推送金融产品的方法及*** |
CN110415086A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达***工程股份有限公司 | 基于用户连续行为序列特征的智能理财推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
US11544721B2 (en) | Supporting automation of customer service | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111917878A (zh) | 消息处理方法、装置、设备及存储介质 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN111767982A (zh) | 用户转换预测模型的训练方法、装置、存储介质以及电子设备 | |
CN113807515A (zh) | 模型训练的方法、装置、计算机设备及存储介质 | |
CA3135466A1 (en) | User loan willingness prediction method and device and computer system | |
CN112950218A (zh) | 一种业务风险评估方法、装置、计算机设备和存储介质 | |
CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
US11847599B1 (en) | Computing system for automated evaluation of process workflows | |
CN111966885B (zh) | 一种用户画像的构建方法和装置 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN108460049A (zh) | 一种确定信息类别的方法和*** | |
CN115965464A (zh) | 空壳企业识别方法、装置、存储介质及电子装置 | |
CN115619436A (zh) | 一种金融产品的推荐方法、装置、计算机设备及存储介质 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
CN111612280B (zh) | 一种数据分析方法和装置 | |
CN114693116A (zh) | 代码评审有效性的检测方法及装置、电子设备 | |
CN112084410A (zh) | 文档类型的推荐方法、装置、电子设备及可读存储介质 | |
CN113434432B (zh) | 一种推荐平台的性能测试方法、装置、设备、及介质 | |
CN113963234B (zh) | 数据标注处理方法、装置、电子设备和介质 | |
CN113849101B (zh) | 信息处理方法、装置、电子设备和计算机可读存储介质 | |
CN112329427B (zh) | 短信样本的获取方法和装置 | |
WO2022259487A1 (ja) | 予測装置、予測方法およびプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230117 |
|
RJ01 | Rejection of invention patent application after publication |