CN115880076A - 信托产品推荐方法、装置及存储介质 - Google Patents
信托产品推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115880076A CN115880076A CN202210419655.7A CN202210419655A CN115880076A CN 115880076 A CN115880076 A CN 115880076A CN 202210419655 A CN202210419655 A CN 202210419655A CN 115880076 A CN115880076 A CN 115880076A
- Authority
- CN
- China
- Prior art keywords
- data
- product
- user
- characteristic data
- sample
- 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 59
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 2
- 210000002569 neuron Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种信托产品推荐方法、装置及存储介质通过获取用户的用户数据和信托产品的产品数据；将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；基于所述第一特征数据与所述第二特征数据确定推荐信托产品，能够根据用户特征推荐符合用户喜好的信托产品。
Description
技术领域
本申请涉及推荐技术领域，特别地涉及一种信托产品推荐方法、装置及存储介质。
背景技术
信托行业信托产品的推荐方式往往强依赖于理财经理的主观判断。对于初入行业的理财经理而言，这必然是一项困难任务。即使经验丰富的理财经理，由于对客户，产品的了解并非很全面，推荐结果往往不是最优结果。
发明内容
针对上述相关技术中的问题，本申请提供一种信托产品推荐方法、装置及存储介质。
本申请提供了一种信托产品推荐方法，所述方法包括：
获取用户的用户数据和信托产品的产品数据；
将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；
将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
在一些实施例中，所述方法还包括：
获取第一样本数据，所述第一样本数据包括：样本用户数据和样本用户特征数据；
对所述第一样本数据进行预处理，得到第一目标样本数据；
将所述第一目标样本数据输入至第一神经网络模型中进行训练得到第一训练模型。
在一些实施例中，所述方法还包括：
获取第二样本数据，所述第二样本数据包括：样本产品数据和样本产品特征数据；
对所述第二样本数据进行预处理，得到第二目标样本数据；
将所述第二目标样本数据输入至第二神经网络模型中进行训练得到第二训练模型。
在一些实施例中，所述对所述第一样本数据进行预处理，得到第一目标样本数据，包括：
确定第一样本数据中各个数据的类型；
对所述数据类型为非连续型数据的第一样本数据采用one-hot编码处理，得到非连续型数据的目标样本数据；
基于非连续型数据的目标样本数据得到第一目标样本数据。
在一些实施例中，所述第一神经网络模型包括中间层和输出层，中间层中各层的激活函数为：f(x)＝(1-e-2x)/(1+e-2x)；所述输出层包括L2正则化处理函数，所述L2正则化处理函数用于对所述输出层的输出值进行L2正则化处理。
在一些实施例中，所述基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐，包括：
将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果；
基于所述计算结果对所述信托产品进行排序，得到排序信息；
基于所述排序信息确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
在一些实施例中，所述第二特征数据包括：购买过的产品数据、未购买的产品数据；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：
基于第一计算式将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第一计算式为：Loss＝max(0,1-user＊item++user＊item-)；其中，user为第一特征数据，item+为购买过的产品数据，item-为未购买的产品数据，*内积计算，Loss为计算结果。
在一些实施例中，所述第二特征数据包括：正样本输出特征向量、负样本输出特征向量；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：
基于第二计算式将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第二计算式为：Loss＝Σu,i+log(1+exp(-vu＊vi+))+Σu,i-log(1+exp(vu＊vi-))；vu为第一特征数据，vi+为正样本输出特征向量。vi-为负样本输出特征向量，*内积计算。
本申请实施例提供一种信托产品推荐装置，包括：
获取模块，用于获取用户的用户数据和信托产品的产品数据；
第一计算模块，用于将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；
第二计算模块，用于将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
第一确定模块，用于基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
本申请实施例提供一种电子设备，包括：包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如上述任意一项所述推荐方法。
本申请实施例提供一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述任一项所述的推荐方法。
本申请实施例提供一种信托产品推荐方法、装置及存储介质，通过获取用户的用户数据和信托产品的产品数据；将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；基于所述第一特征数据与所述第二特征数据确定推荐信托产品，能够根据用户特征推荐符合用户喜好的信托产品。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述。
图1为本申请实施例提供的一种信托产品推荐方法的实现流程示意图；
图2位本申请实施例提供的另一种信托产品推荐方法的实现流程示意图；
图3为本申请实施例提供的一种信托产品推荐装置的结构示意图；
图4为本申请实施例提供的电子设备的组成结构示意图。
在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一\第二\第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在介绍本申请实施例前，对相关技术中的问题进行简要介绍，CRM客户关系管理(CustomerRelationshipManagement)，其概念最早由知名科技咨询公司Gartner在1999年提出。这个概念的原创者认为，CRM是一种商业策略，它按照客户的分类情况有效地组织企业资源，按照“以客户为中心”的原则培养经营行为和实施业务流程，并以此为手段来提高企业的赢利能力、利润以及客户满意度。随着互联网应用技术的发展，在总结了经典CRM概念的基础上，从营销理念、业务流程和技术支持三个方面，可以将CRM定义为是现代信息技术、经营思想的结合体，它以信息技术为手段，通过对以“客户为中心”的业务流程的重要组合和设计，形成一个自动化的解决方案，以提高客户的忠诚度，最终实现企业效率的提高和效益的增长。由此可以看出，无论如何定义CRM，“以客户为中心”无论何时都是CRM的核心所在。
CRM通过满足客户个性化的需要、提高客户忠诚度，实现缩短销售周期、降低销售成本、增加收入、拓展市场、全面提升企业赢利能力和竞争能力的目的，任何企业实施CRM的初衷都是想为客户创造更多的价值。对于信托行业而言与传统零售企业存在明显的不同。首先信托行业的产品是完全的金融产品，不存在具象物品。其次用户存在明显差别，信托用户对用户资产具有明确要求，用户起投金额往往较大。因此信托行业的推荐匹配规则与传统电商平台推荐匹配规则有着较为明显的区别。无论客户画像，产品画像都需要依赖信托行业的行业特点寻找可行的解决方案。
信托行业信托产品的推荐方式往往强依赖于理财经理的主观判断。对于初入行业的理财经理而言，这必然是一项困难任务。即使经验丰富的理财经理，由于对客户，产品的了解并非很全面，推荐结果往往不是最优结果。
基于相关技术中存在的问题，本申请实施例提供一种信托产品推荐方法，所述方法应用于电子设备，所述电子设备具体可以为手机、平板电脑、电视(也可称为智慧屏、大屏设备等)、笔记本电脑、超级移动个人计算机(Ultra-mobile Personal Computer，UMPC)、手持计算机、上网本、个人数字助理(Personal Digital Assistant，PDA)、可穿戴电子设备、车载设备(也可称为车机)、虚拟现实设备等，本申请实施例对此不做任何限制。本申请实施例提供的推荐方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。
本申请实施例提供一种信托产品推荐方法，图1为本申请实施例提供的一种信托产品推荐方法的实现流程示意图，如图1所示，包括：
步骤S1：获取用户的用户数据和信托产品的产品数据；
本申请实施例中，所述用户数据可以包括：客户基本信息，客户行为数据和客户风险信息，客户基本信息：性别、年龄、籍贯、教育水平、婚姻状况、职业、兴趣爱好、公司规模、行业类型、家庭住址、资产规模；客户行为数据：平均每次登陆APP时长、登陆时间、单次购买产品金额、共计购买产品金额、购买产品次数、首次购买产品时间、客户投诉次数、活动响应比例；客户风险信息：风险测评、投资产品意向。
本申请实施例中，所述信托产品可以包括：工商企业信托、基础建设实施信托、房地产信托、公益信托、证券投资信托、银信理财信托、家族信托等，所述产品数据可以包括：产品投资范围、成立以来收益率；年化收益率；年化波动率；夏普比例；返息方式；起购金额；单人最大购买金额；平均购买金额；产品规模；风险等级；行业配置；管理人。
本申请实施例中，所述用户数据和所述产品数据可以是crm***当中的数据，本申请实施例中，可以获取通过输入设备的输入获取用户的用户数据和信托产品的产品数据，也可以通过网络通信来获取用户的用户数据和信托产品的产品数据。
步骤S2，将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据。
本申请实施例中，可以通过获取第一样本数据，所述第一样本数据包括：样本用户数据和样本用户特征数据；对所述第一样本数据进行预处理，得到第一目标样本数据；将所述第一目标样本数据输入至第一神经网络模型中进行训练得到第一训练模型。
在一些实施例中，所述第一神经网络模型包括中间层和输出层，中间层中各层的激活函数为：fx)＝(1-e-2x)/(1+e-2x)；所述输出层包括L2正则化处理函数，所述L2正则化处理函数用于对所述输出层的输出值进行L2正则化处理。
本申请实施例中，所述第一神经网络模型可以是DNN模型：DNN指的是包含多个隐层的神经网络，根据神经元的特点，可以分为MLP、CNNs、RNNs等，下文在区分三者的时候，都从神经元的角度来讲解。MLP是最朴素的DNN，CNNs是encode了空间相关性的DNN，RNNs是encode进了时间相关性的DNN。本专利提供的解决方案当中采取了最基础的MLP的DNN模型。即前一层所有神经元均与下一层神经元相连接。
所述对所述第一样本数据进行预处理，得到第一目标样本数据，可以通过以下方式实现：确定第一样本数据中各个数据的类型；对所述数据类型为非连续型数据的第一样本数据采用one-hot编码处理，得到非连续型数据的目标样本数据；基于非连续型数据的目标样本数据得到第一目标样本数据。
步骤S3，将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
本申请实施例中，可以通过获取第二样本数据，所述第二样本数据包括：样本产品数据和样本产品特征数据；对所述第二样本数据进行预处理，得到第二目标样本数据；将所述第二目标样本数据输入至第二神经网络模型中进行训练得到第二训练模型。
在一些实施例中，所述第二神经网络模型包括中间层和输出层，中间层中各层的激活函数为：fx)＝(1-e-2x)/(1+e-2x)；所述输出层包括L2正则化处理函数，所述L2正则化处理函数用于对所述输出层的输出值进行L2正则化处理。
本申请实施例中，所述第二神经网络模型可以是DNN模型：DNN指的是包含多个隐层的神经网络，根据神经元的特点，可以分为MLP、CNNs、RNNs等，下文在区分三者的时候，都从神经元的角度来讲解。MLP是最朴素的DNN，CNNs是encode了空间相关性的DNN，RNNs是encode进了时间相关性的DNN。本专利提供的解决方案当中采取了最基础的MLP的DNN模型。即前一层所有神经元均与下一层神经元相连接。
在一些实施例中，所述第二神经网络模型还可以是CNN，RNN等其他网络结构。
所述对所述第二样本数据进行预处理，得到第二目标样本数据，可以通过以下方式实现：确定第二样本数据中各个数据的类型；对所述数据类型为非连续型数据的第二样本数据采用one-hot编码处理，得到非连续型数据的目标样本数据；基于非连续型数据的目标样本数据得到第二目标样本数据。而对于连续型数据则直接带入原值，如收益率，波动率等数据对此类数据我们采取原值带入的方式。
步骤S4，基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
本申请实施例中，可以将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果；基于所述计算结果对所述信托产品进行排序，得到排序信息；基于所述排序信息确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。示例性地，将排序前N个信托产品确定为推荐信托产品。
在一些实施例中，所述第二特征数据包括：购买过的产品数据、未购买的产品数据；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：基于第一计算式计算将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第一计算式为：Loss＝max(0,1-user＊item++user＊item-)；其中，user为第一特征数据，item+为购买过的产品数据，item-为未购买的产品数据，*内积计算，Loss为计算结果。
在一些实施例中，所述第二特征数据包括：正样本输出特征向量、负样本输出特征向量；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：
基于第二计算式将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第二计算式为：Loss＝∑u,i+log(1+exp(-vu＊vi+))+Σu,i-log(1+exp(vu＊vi-))；vu为第一特征数据，vi+为正样本输出特征向量。vi-为负样本输出特征向量，*内积计算。
本申请实施例中，在确定了推荐信托产品后，可以输出给用户，以对用户进行推荐。
本申请实施例提供一种信托产品推荐方法，通过获取用户的用户数据和信托产品的产品数据；将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；基于所述第一特征数据与所述第二特征数据确定推荐信托产品，能够根据用户特征推荐符合用户喜好的信托产品。
基于前述的各个实施例，本申请实施例提供一种信托产品推荐方法，所述方法包括：
第一步，对于crm***当中用户数据，产品数据进行收集，得到原始数据，原始数据当中包含一部分能直接获得数据，如基础信息等，另一部分用户行为数据需要通过crm与信托公司app***对接获取。
第二步，将获取的原始数据进行数据预处理，对于连续型数据直接进行使用，非连续型数据进行one-hot编码使用。
第三步，将用户数据与产品数据分别带入各自神经网络DNN模型当中，图2为本申请实施例提供的另一种推荐方法的实现流程示意图，如图2所示，对于用户端模型(同上述实施例中的第一训练模型)，模型共4层，各层神经元分别为25，50，20，5。产品端神经网络(通上述实施例中的第二训练模型)结构4层，各层神经元分别为18，36，15，5。
第四步，神经网络中间层当中，各层激活函数为fx)＝(1-e-2x)/(1+e-2x)。对于输出层而言再获得输出值基础之上添加L2正则化处理。x＝x/|x|y＝y/|y|。
第五步，整体网络损失函数定义如下：Loss＝max(0,1-user＊item++user＊item-)。其中item+表示用户购买过的产品，item-表示样本中未购买的产品。
第六步，对于训练完成的模型。当有新用户数据，产品数据进入时，需同时带入模型当中分别计算上述两者的输出值。再根据输出值进行内积的计算。按内积计算的大小对产品进行排序。获取排序最高的前N个产品对用户进行推荐。
本申请实施例提供的信托产品推荐方法，解决信托行业用户画像、产品画像不明确，不能对用户进行产品的有效推荐的问题，能够解决客户产品推荐的问题，提高成单率，自动化根据用户特征推荐符合用户喜好的信托产品。该方案对于其他金融类产品推荐提供了一种开放性的思路。即分别对用户与产品先行构建对应的画像数据。然后根据画像标签训练匹配模型。提出完整的用户画像特征，信托产品画像特征。并基于此特征构建对应神经网络双塔结构。
基于前述的实施例，本申请实施例提供一种信托产品推荐装置，该装置包括的各模块、以及各模块包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU，Central ProcessingUnit)、微处理器(MPU，Microprocessor Unit)、数字信号处理器(DSP，Digital SignalProcessing)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等。
本申请实施例提供了一种信托产品推荐装置300，图3为本申请实施例提供的一种信托产品推荐装置的结构示意图，如图3所示，信托产品推荐装置300包括：
获取模块301，用于获取用户的用户数据和信托产品的产品数据；
第一计算模块302，用于将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；
第二计算模块303，用于将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
第一确定模块304，用于基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的兴趣程度的确定，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的兴趣程度的确定中的步骤。
本申请实施例提供一种电子设备；图4位本申请实施例提供的电子设备的组成结构示意图，如图4所示，所述电子设备500包括：一个处理器501、至少一个通信总线502、用户接口503、至少一个外部通信接口504、存储器505。其中，通信总线502配置为实现这些组件之间的连接通信。其中，用户接口503可以包括显示屏，外部通信接口504可以包括标准的有线接口和无线接口。所述处理器501配置为执行存储器中存储的兴趣程度的确定的程序，以实现以上述实施例提供的兴趣程度的确定中的步骤。
以上电子设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
这里需要指出的是：以上存储介质和电子设备、垃圾桶实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台控制器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种信托产品推荐方法，其特征在于，所述方法包括：
获取用户的用户数据和信托产品的产品数据；
将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；
将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第一样本数据，所述第一样本数据包括：样本用户数据和样本用户特征数据；
对所述第一样本数据进行预处理，得到第一目标样本数据；
将所述第一目标样本数据输入至第一神经网络模型中进行训练得到第一训练模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第二样本数据，所述第二样本数据包括：样本产品数据和样本产品特征数据；
对所述第二样本数据进行预处理，得到第二目标样本数据；
将所述第二目标样本数据输入至第二神经网络模型中进行训练得到第二训练模型。
4.根据权利要求2所述的方法，其特征在于，所述对所述第一样本数据进行预处理，得到第一目标样本数据，包括：
确定第一样本数据中各个数据的类型；
对所述数据类型为非连续型数据的第一样本数据采用one-hot编码处理，得到非连续型数据的目标样本数据；
基于非连续型数据的目标样本数据得到第一目标样本数据。
5.根据权利要求2所述的方法，其特征在于，所述第一神经网络模型包括中间层和输出层，中间层中各层的激活函数为：f(x)＝(1-e-2x)/(1+e-2x)；所述输出层包括L2正则化处理函数，所述L2正则化处理函数用于对所述输出层的输出值进行L2正则化处理。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐，包括：
将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果；
基于所述计算结果对所述信托产品进行排序，得到排序信息；
基于所述排序信息确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
7.根据权利要求6所述的方法，其特征在于，所述第二特征数据包括：购买过的产品数据、未购买的产品数据；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：
基于第一计算式将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第一计算式为：Loss＝max(0,1-user＊item++user＊item-)；其中，user为第一特征数据，item+为购买过的产品数据，item-为未购买的产品数据，*内积计算，Loss为计算结果。
8.根据权利要求6所述的方法，其特征在于，所述第二特征数据包括：正样本输出特征向量、负样本输出特征向量；所述将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，包括：
基于第二计算式将所述第一特征数据和所述第二特征数据进行内积计算，得到计算结果，其中，所述第二计算式为：Loss＝∑u,i+log(1+exp(-vu＊vi+))+∑u,i-log(1+exp(vu＊vi-))；vu为第一特征数据，vi+为正样本输出特征向量。vi-为负样本输出特征向量，*内积计算。
9.一种信托产品推荐装置，其特征在于，包括：
获取模块，用于获取用户的用户数据和信托产品的产品数据；
第一计算模块，用于将所述用户数据输入至预先训练好的第一训练模型中，得到所述用户的第一特征数据；
第二计算模块，用于将所述产品数据输入至预先训练好的第二训练模型中，得到所述信托产品的第二特征数据；
第一确定模块，用于基于所述第一特征数据与所述第二特征数据确定推荐信托产品，以基于所述推荐信托产品为所述用户进行推荐。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-8任一项所述信托产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210419655.7A CN115880076A (zh) | 2022-04-20 | 2022-04-20 | 信托产品推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210419655.7A CN115880076A (zh) | 2022-04-20 | 2022-04-20 | 信托产品推荐方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115880076A true CN115880076A (zh) | 2023-03-31 |
Family
ID=85769364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210419655.7A Pending CN115880076A (zh) | 2022-04-20 | 2022-04-20 | 信托产品推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115880076A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| CN109034941A (zh) * | 2018-06-13 | 2018-12-18 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
| CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN111626832A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 产品推荐方法、装置及计算机设备 |
| CN111798273A (zh) * | 2020-07-01 | 2020-10-20 | 中国建设银行股份有限公司 | 产品的购买概率预测模型的训练方法及购买概率预测方法 |
| CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
| CN112836081A (zh) * | 2021-03-01 | 2021-05-25 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种神经网络模型训练方法、信息推荐方法及存储介质 |
-
2022
- 2022-04-20 CN CN202210419655.7A patent/CN115880076A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| CN109034941A (zh) * | 2018-06-13 | 2018-12-18 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
| CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
| CN111626832A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 产品推荐方法、装置及计算机设备 |
| CN111798273A (zh) * | 2020-07-01 | 2020-10-20 | 中国建设银行股份有限公司 | 产品的购买概率预测模型的训练方法及购买概率预测方法 |
| CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
| CN112836081A (zh) * | 2021-03-01 | 2021-05-25 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种神经网络模型训练方法、信息推荐方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Impact of live chat on purchase in electronic markets: The moderating role of information cues | |
| US10318536B2 (en) | Generating a search result ranking function | |
| Sismeiro et al. | Modeling purchase behavior at an e-commerce web site: A task-completion approach | |
| US8725559B1 (en) | Attribute based advertisement categorization | |
| US10290040B1 (en) | Discovering cross-category latent features | |
| CN113792176A (zh) | 图像评估 | |
| CN107808314B (zh) | 用户推荐方法及装置 | |
| CN111144986B (zh) | 一种基于分享行为的社交电商网站商品推荐方法及装置 | |
| US11200593B2 (en) | Predictive recommendation system using tiered feature data | |
| WO2020221022A1 (zh) | 业务对象推荐方法 | |
| Madden et al. | E-commerce transactions, the installed base of credit cards, and the potential mobile E-commerce adoption | |
| US11704705B2 (en) | Systems and methods for an intelligent sourcing engine for study participants | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| CN112598472A (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
| Agus Pramuka et al. | Does Cloud-Based accounting information system harmonize the small business needs? | |
| Li et al. | Evaluating online review helpfulness based on elaboration likelihood model: The moderating role of readability | |
| Phan et al. | Consumer trust in social network sites in Vietnam: PLS-SEM-ANN analysis | |
| CN106682947A (zh) | 用于共享环境的时间价值评估方法和*** | |
| US20210248576A1 (en) | System to facilitate exchange of data segments between data aggregators and data consumers | |
| US20160379248A1 (en) | Presenting opportunities for instant transactions | |
| US20220198488A1 (en) | Method and system for programmatic generation of survey queries | |
| CN115880076A (zh) | 信托产品推荐方法、装置及存储介质 | |
| CN110826823A (zh) | 定价策略的评价方法和*** | |
| CN111639989A (zh) | 商品推荐方法和可读存储介质 | |
| CN111222934A (zh) | 信息发布方法、装置及计算机*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |