CN115880077A - 基于客户标签的推荐方法及其装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于客户标签的推荐方法及其装置、电子设备及存储介质，涉及大数据领域，其中，该推荐方法包括：获取目标账户的存量客户标签集合以及预设时间段内的交易数据，分析交易数据，得到目标账户的即时标签集合，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果，将推荐结果指示的待推荐栏目集合发送给目标账户。本发明解决了相关技术中对金融产品进行推荐的准确度较低，无法满足客户的近期金融需求的技术问题。

Description

基于客户标签的推荐方法及其装置、电子设备及存储介质

技术领域

本发明涉及大数据领域，具体而言，涉及一种基于客户标签的推荐方法及其装置、电子设备及存储介质。

背景技术

相关技术中，金融机构在进行金融产品推荐时通常是基于某些具体业务场景，通过单一客户特征标签或者客户群体，在同类客户识别的基础上，使指定客群达到一定业务场景条件之后，特定交易通过阈值或者触点判断，触发金融服务指引。其中，场景规则需业务人员维护，而且推荐时基于的历史交易时效性通常也是由业务人员维护的定值，例如，三个月，半年等。

相关技术中的金融产品推荐方法存在如下不足：(1)金融场景分类与推荐规则为业务人员维护，不是基于大数据前提下的智能预测，因此推荐的准确度即满足客户的需求程度的有效性较低；(2)金融场景推荐基于的历史交易时效性也是业务人员维护的，例如，三个月，半年等，实时性差，不能及时识别客户的金融需求变化，可能造成推荐的内容是三个月甚至更早之前的需求，而没有近期需求，不能满足金融机构由提供销售服务向提供客户需求服务转变；(3)客户群体分类基于单标签或者单特征值，非基于大数据前提下的综合考量，偶发金融操作对推荐的干扰性较强，造成推荐的金融产品和场景的准确度较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于客户标签的推荐方法及其装置、电子设备及存储介质，以至少解决相关技术中对金融产品进行推荐的准确度较低，无法满足客户的近期金融需求的技术问题。

根据本发明实施例的一个方面，提供了一种基于客户标签的推荐方法，包括：获取目标账户的存量客户标签集合以及预设时间段内的交易数据；分析所述交易数据，得到所述目标账户的即时标签集合；将所述存量客户标签集合和所述即时标签集合输入至预先建立的推荐模型，得到推荐结果；将所述推荐结果指示的待推荐栏目集合发送给所述目标账户，其中，所述待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

可选地，在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，还包括：基于所述存量客户标签集合，确定所述目标账户的客户集群，其中，所述客户集群对应有通用推荐栏目，所述通用推荐栏目为基于所述客户集群对应的共同标签集合，通过所述推荐模型得到的；将与所述客户集群对应的所述通用推荐栏目加入至所述待推荐栏目集合。

可选地，在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，还包括：基于预设知识图谱，查询所述待推荐栏目集合，得到与所述待推荐栏目集合中的每个待推荐栏目关联的关联交易数据；基于预设金融策略，调整所述关联交易数据；基于调整完成的所述关联交易数据，更新所述待推荐栏目的栏目目录。

可选地，还包括：获取历史时间段内的历史金融数据；将所述历史金融数据划分为训练样本、测试样本以及验证样本；采用预设分解算法，训练所述训练样本，得到初始推荐模型；采用所述测试样本，测试所述初始推荐模型，得到测试结果；在所述测试结果指示的测试准确率在预设阈值范围的情况下，确定所述推荐模型训练完成。

可选地，所述历史金融数据至少包括：客户标签数据、客户交易数据，在获取历史时间段内的历史金融数据之后，还包括：将同一客户账户的所述客户标签数据和所述客户交易数据中进行关联，得到关联结果；在所述关联结果指示所述客户账户只有所述客户标签数据，但没有所述客户交易数据的情况下，删除所述历史金融数据中与所述客户账户对应的所有数据；基于所述历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值的客户账户，并删除所述客户账户的所有数据，得到目标金融数据。

可选地，在得到目标金融数据之后，还包括：基于所述目标金融数据中的所述客户交易数据，确定每个所述客户账户的点击量；基于预设点击边界以及每个所述客户账户的所述点击量，对所述客户账户进行分类，得到不同类别的客户账户；为每个类别的客户账户设置分布权重；基于所述分布权重，抽取所述目标金融数据，得到样本数据；依据预设比例，将所述样本数据划分为所述训练样本、所述测试样本以及所述验证样本。

可选地，在确定所述推荐模型训练完成之后，还包括：采用所述验证样本，验证所述推荐模型，得到验证结果；基于所述验证结果，调整所述推荐模型的预设参数；确定当前金融策略；采用所述当前金融策略，调整通过所述推荐模型输出的推荐结果。

根据本发明实施例的另一方面，还提供了一种基于客户标签的推荐装置，包括：获取单元，用于获取目标账户的存量客户标签集合以及预设时间段内的交易数据；分析单元，用于分析所述交易数据，得到所述目标账户的即时标签集合；输入单元，用于将所述存量客户标签集合和所述即时标签集合输入至预先建立的推荐模型，得到推荐结果；发送单元，用于将所述推荐结果指示的待推荐栏目集合发送给所述目标账户，其中，所述待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

可选地，所述推荐装置还包括：第一确定模块，用于在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，基于所述存量客户标签集合，确定所述目标账户的客户集群，其中，所述客户集群对应有通用推荐栏目，所述通用推荐栏目为基于所述客户集群对应的共同标签集合，通过所述推荐模型得到的；第一加入模块，用于将与所述客户集群对应的所述通用推荐栏目加入至所述待推荐栏目集合。

可选地，所述推荐装置还包括：第一查询模块，用于在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，基于预设知识图谱，查询所述待推荐栏目集合，得到与所述待推荐栏目集合中的每个待推荐栏目关联的关联交易数据；第一调整模块，用于基于预设金融策略，调整所述关联交易数据；第一更新模块，用于基于调整完成的所述关联交易数据，更新所述待推荐栏目的栏目目录。

可选地，所述推荐装置还包括：第一获取模块，用于获取历史时间段内的历史金融数据；第一划分模块，用于将所述历史金融数据划分为训练样本、测试样本以及验证样本；第一训练模块，用于采用预设分解算法，训练所述训练样本，得到初始推荐模型；第一测试模块，用于采用所述测试样本，测试所述初始推荐模型，得到测试结果；第二确定模块，用于在所述测试结果指示的测试准确率在预设阈值范围的情况下，确定所述推荐模型训练完成。

可选地，所述历史金融数据至少包括：客户标签数据、客户交易数据，所述推荐装置还包括：第一关联模块，用于在获取历史时间段内的历史金融数据之后，将同一客户账户的所述客户标签数据和所述客户交易数据中进行关联，得到关联结果；第一删除模块，用于在所述关联结果指示所述客户账户只有所述客户标签数据，但没有所述客户交易数据的情况下，删除所述历史金融数据中与所述客户账户对应的所有数据；第三确定模块，用于基于所述历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值的客户账户，并删除所述客户账户的所有数据，得到目标金融数据。

可选地，所述推荐装置还包括：第四确定模块，用于在得到目标金融数据之后，基于所述目标金融数据中的所述客户交易数据，确定每个所述客户账户的点击量；第一分类模块，用于基于预设点击边界以及每个所述客户账户的所述点击量，对所述客户账户进行分类，得到不同类别的客户账户；第一设置模块，用于为每个类别的客户账户设置分布权重；第一抽取模块，用于基于所述分布权重，抽取所述目标金融数据，得到样本数据；第二划分模块，用于依据预设比例，将所述样本数据划分为所述训练样本、所述测试样本以及所述验证样本。

可选地，所述推荐装置还包括：第一验证模块，用于在确定所述推荐模型训练完成之后，采用所述验证样本，验证所述推荐模型，得到验证结果；第二调整模块，用于基于所述验证结果，调整所述推荐模型的预设参数；第五确定模块，用于确定当前金融策略；第三调整模块，用于采用所述当前金融策略，调整通过所述推荐模型输出的推荐结果。

根据本发明实施例的另一方面，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述基于客户标签的推荐方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述基于客户标签的推荐方法。

在本公开中，获取目标账户的存量客户标签集合以及预设时间段内的交易数据，分析交易数据，得到目标账户的即时标签集合，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果，将推荐结果指示的待推荐栏目集合发送给目标账户。在本公开中，可以获取预设时间段内的交易数据，然后分析交易数据，以得到目标账户的即时标签集合，之后将目标账户的存量客户标签集合以及即时标签集合输入至预先建立的推荐模型，以得到推荐给目标账户的待推荐功能、金融产品等待推荐栏目集合，能够实现实时精准推荐金融栏目的目标，能够精准挖掘出客户的近期金融服务需求，提升客户的用户体验，进而解决了相关技术中对金融产品进行推荐的准确度较低，无法满足客户的近期金融需求的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的基于客户标签的推荐方法的流程图；

图2是根据本发明实施例的一种可选的标签选取的示意图；

图3是根据本发明实施例的一种可选的基于场景连锁的推荐流程的示意图；

图4是根据本发明实施例的一种可选的推荐栏目流程的示意图；

图5是根据本发明实施例的一种可选的数据链路说明的示意图；

图6是根据本发明实施例的一种可选的基于客户画像的大数据人工智能推荐的示意图；

图7是根据本发明实施例的一种可选的基于客户标签的推荐装置的示意图；

图8是根据本发明实施例的一种用于基于客户标签的推荐方法的电子设备(或移动设备)的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本公开中的基于客户标签的推荐方法及其装置可用于大数据领域在基于客户标签进行推荐的情况下，也可用于除大数据领域之外的任意领域在基于客户标签进行推荐的情况下，本公开中对基于客户标签的推荐方法及其装置的应用领域不做限定。

需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本***和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

本发明下述各实施例可应用于各种基于客户标签进行推荐的***/应用/设备中。本发明将多维客户画像特征与专家规则相结合，以实时金融交易大数据为分析基础，训练人工智能模型，实现基于客户近期金融需求，达到实时精准推荐金融服务、功能及金融产品等的目标，从而精准挖掘客户近期金融服务需求，进一步提升客户的用户体验，实现客户与金融机构双赢。

下面结合各个实施例来详细说明本发明。

实施例一

根据本发明实施例，提供了一种基于客户标签的推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的基于客户标签的推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标账户的存量客户标签集合以及预设时间段内的交易数据。

步骤S102，分析交易数据，得到目标账户的即时标签集合。

步骤S103，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果。

步骤S104，将推荐结果指示的待推荐栏目集合发送给目标账户，其中，待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

通过上述步骤，可以获取目标账户的存量客户标签集合以及预设时间段内的交易数据，分析交易数据，得到目标账户的即时标签集合，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果，将推荐结果指示的待推荐栏目集合发送给目标账户。在本发明实施例中，可以获取预设时间段内的交易数据，然后分析交易数据，以得到目标账户的即时标签集合，之后将目标账户的存量客户标签集合以及即时标签集合输入至预先建立的推荐模型，以得到推荐给目标账户的待推荐功能、金融产品等待推荐栏目集合，能够实现实时精准推荐金融栏目的目标，能够精准挖掘出客户的近期金融服务需求，提升客户的用户体验，进而解决了相关技术中对金融产品进行推荐的准确度较低，无法满足客户的近期金融需求的技术问题。

下面结合上述各步骤对本发明实施例进行详细说明。

在本发明实施例中，可以基于金融机构存留的电子银行客户信息数据和客户画像已提取的客户标签数据之间的映射，建立实时推荐模型(即推荐模型)。其中，结合交易及产品功能图谱(即预设知识图谱)、金融机构内部的金融工程战略(即预设金融策略)可以将客户信息分为“基础、产品、风险、关联、行为、管理、经营、偏好、评价、社交、营销”等类型信息。并根据专家规则(即交易及产品功能图谱以及金融机构内部的金融工程战略)，对客户信息进行分析，以建立“预测信息”(即根据客户信息的元数据，提取预测内容)。可以先选取与电子银行业务关联较大的客户标签，划定客户分析范围；再基于电子银行埋点数据，分析获取客户历史、即时交易数据，获取一类客户常用TOP(即排序在前)功能；然后筛选符合金融机构发展战略的重点推荐功能与新功能。

基于金融机构存留的电子银行客户信息数据和客户画像已提取的客户标签数据之间的映射，能够建立客户历史交易数据、即时交易数据、全行业务战略三个维度和推荐栏目的关联关系，以提升客户体验。具体建立推荐模型的流程如下：

可选地，获取历史时间段内的历史金融数据；将历史金融数据划分为训练样本、测试样本以及验证样本；采用预设分解算法，训练训练样本，得到初始推荐模型；采用测试样本，测试初始推荐模型，得到测试结果；在测试结果指示的测试准确率在预设阈值范围的情况下，确定推荐模型训练完成。

在本发明实施例中，可以基于多项战略场景，结合个人客户信息数据以及预测信息，提取客户标签，客户标签主要分为：行为信息标签、产品信息标签、偏好信息标签等。

图2是根据本发明实施例的一种可选的标签选取的示意图，如图2所示，根据战略场景，可以关联到金融机构留存的客户信息数据，以提取出个人客户信息，包括：基础信息、产品信息、风险信息、关联信息、行为信息、管理信息、经营信息、偏好信息、评价信息、社交信息、营销信息以及预测信息等，然后根据个人客户信息，提取客户标签，包括：行为信息标签、产品信息标签、偏好信息标签等。

可以结合适用场景，选取矩阵分解中的奇异值分解(Singular ValueDecomposition，简称SVD)算法作为训练训练样本的预设分解算法。该预设分解算法通过训练集对用户以及物品建模，能够反映用户与物品的综合指标，预测准确率较高。

在本实施例中，可以先获取历史时间段内(如过去1年)的历史金融数据(包括：客户标签数据(即预先提取的客户标签)、客户交易数据等)，然后将历史金融数据划分为训练样本、测试样本以及验证样本，再采用预设分解算法(即SVD算法)，训练训练样本，得到初始推荐模型，之后采用测试样本，测试初始推荐模型，得到测试结果，如果测试结果指示的测试准确率在预设阈值范围(可以根据实际情况进行设置)，则可以确定推荐模型训练完成，否则继续优化推荐模型。例如，对于推荐模型的训练，可以使用Python中的Surprise库(Surprise是Simple Python Recommendation System Engine的缩写，是一个为了实现推荐***的框架)，Surprise库自带了SVD，user-based(基于用于)，item-based(基于物品)协同过滤算法等多种推荐算法，接口简单，功能强大。

在推荐模型训练之后，可以对推荐模型进行加工，具体为：可以利用训练的推荐模型，获取推荐结果，然后获取User(用户)维度的TopN(即前N个)Item(物品)进行推荐，并且对于同类客户标签的客户，也可以获取上述推荐的物品。

可选地，历史金融数据至少包括：客户标签数据、客户交易数据，在获取历史时间段内的历史金融数据之后，还包括：将同一客户账户的客户标签数据和客户交易数据中进行关联，得到关联结果；在关联结果指示客户账户只有客户标签数据，但没有客户交易数据的情况下，删除历史金融数据中与客户账户对应的所有数据；基于历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值的客户账户，并删除客户账户的所有数据，得到目标金融数据。

在本发明实施例中，历史金融数据可以分为：客户标签数据、客户交易数据，数据字段很多，为了简化模型，可以将字段简化为三个：User、Item、Rating。其中，User由用户标签集进行映射，可以采用预设算法(如MD5算法，即一种信息摘要算法)进行处理；Item映射为移动银行的菜单标识ID；Rating根据是否点击赋值(点击的是正，然后等数据量的给出随机没有点击的负样本)。然后对数据进行清洗，具体为：可以将同一客户账户的客户标签数据和客户交易数据中进行关联，得到关联结果，如果关联结果指示客户账户只有客户标签数据，但没有客户交易数据，则可以删除历史金融数据中与该客户账户对应的所有数据(即删除只有客户标签数据，而没有客户交易数据的客户数据)。然后基于历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值(例如，1次)的客户账户，并删除该客户账户的所有数据，得到目标金融数据(即对历史金融数据中的空行(即没有任何交易数据)、用户的点击量小于预设点击阈值的数据进行剔除)。

可选地，在得到目标金融数据之后，还包括：基于目标金融数据中的客户交易数据，确定每个客户账户的点击量；基于预设点击边界以及每个客户账户的点击量，对客户账户进行分类，得到不同类别的客户账户；为每个类别的客户账户设置分布权重；基于分布权重，抽取目标金融数据，得到样本数据；依据预设比例，将样本数据划分为训练样本、测试样本以及验证样本。

在本发明实施例中，可以随机抽取目标金融数据，以得到样本数据，样本数据结构可以为：用户标签ID、菜单、日期等。具体为：可以构建非活跃、正常、活跃用户点击菜单种类的边界，用于后续分别从这三类用户中选取训练样本，测试样本以及验证样本。通过对数据分析，可以确定点击边界(即预设点击边界)，例如，通过对数据分析，对于98％的用户，点击的菜单种类为12个，对于99.99％的用户，点击的菜单种类为25个，且因为已经把点击一次的数据剔除了，所以最终得出的点击边界为[2,12,25]。

然后可以基于目标金融数据中的客户交易数据，确定每个客户账户的点击量，根据预设点击边界以及每个客户账户的点击量，对客户账户进行分类，得到不同类别的客户账户(例如，非活跃类客户账户、正常类客户账户、活跃类客户账户等)。之后为每个类别的客户账户设置分布权重(可以根据实际情况进行设置)。基于分布权重，抽取目标金融数据，以得到样本数据，再依据预设比例，将样本数据划分为训练样本、测试样本以及验证样本。例如，可以设置非活跃类客户账户、正常类客户账户、活跃类客户账户的分布权重分别为0.39，0.6，0.01，按照分布权重，选取要训练的用户ID集，将这些用户ID集的数据作为训练数据，将每个分类中没有选取的用户ID集的数据作为后续的训练数据以及验证数据。

表1为一种可选的用户分类的权重，如表1所示：

表1

在本实施例中，可以对每条数据进行打分，产生正的训练集Rating，即推荐模型中用户对于菜单的评分。评分规则可以为：若用户点击菜单超过1次，则打2分；否则打1分。并且，为了提升训练效率，可以生成与正样本(即正的训练集Rating)同等数量的负样本。并且将正负样本合并。

在本实施例中，对于模型训练后，可以计算相似度矩阵，生成每个产品与其他产品的相似度。相似度算法可以使用pearsSim(皮尔逊相关系数)，并将相似矩阵保存，用于后续验证。

可选地，在确定推荐模型训练完成之后，还包括：采用验证样本，验证推荐模型，得到验证结果；基于验证结果，调整推荐模型的预设参数；确定当前金融策略；采用当前金融策略，调整通过推荐模型输出的推荐结果。

在本发明实施例中，可以采用验证样本，验证推荐模型，以得到验证结果，并基于验证结果，调整推荐模型的预设参数(即SVD参数，如n_factores(因素数值)、n_epoch(迭代次数)等)，以优化推荐模型。

本实施例中，验证结果可以包括：验证指标值，例如，平均召回(avg_cf_recall，即累计命中推荐菜单数量/总的点击数量)、平均点击(avg_buy_num)，即验证数据中菜单点击数量/用户数量)、推荐率(avg_cf_num，即推荐菜单数量/用户数量)、平均验证用时(avg_cf_time，即总验证时间/测试用户数)等。

在本发明实施例中，还可以确定当前金融策略，采用当前金融策略，调整通过推荐模型输出的推荐结果(即根据金融机构的当前金融战略，对推荐结果进行优化加工。例如，金融机构推广**卡，则可以对于推荐结果的中的***相关菜单进行调整)。

在本实施例中，对推荐模型的验证可以采取运用、评估、改进三步进行，具体如下：(1)运用，可以选取部分金融机构内用户进行数据收集。借助推荐模型，对用户点击行为，可能用到的功能栏目进行预测。根据客户体验，对于推荐功能做展示优化，侧重于功能描述，而非功能名称。此外，可以预先设置埋点，用于后续对于模型效果的评估；(2)评估，对于功能推荐后，客户的点击率(CTR)、转化率(CVR)、停留时间等指标进行统计分析，评估推荐效果；(3)改进，基于推荐效果的评估，优化模型算法。如调整模型参数、引入第三方画像等。同时，结合金融机构当前发展战略方向做导向调整，对预测结果进行目标映射，最终对楼层排序、功能入口进行推荐优化。

步骤S101，获取目标账户的存量客户标签集合以及预设时间段内的交易数据。

在本发明实施例中，可以选取多维度客户画像标签(即存量客户标签集合)，结合金融机构客户近期功能访问与产品购买数据集(即预设时间段内的交易数据)，以交易及产品功能图谱和金融机构内的金融战略导向作为专家规则，进行数据分析、清洗与筛选，建立实时推荐模型。

本实施例中，可以先获取目标账户的存量客户标签集合以及预设时间段内的交易数据。

步骤S102，分析交易数据，得到目标账户的即时标签集合。

在本发明实施例中，可以先分析交易数据，以得到目标账户的即时标签集合。

步骤S103，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果。

在本发明实施例中，可以将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，以得到推荐结果，该推荐结果可以包括：待推荐服务、功能、金融产品等栏目。

图3是根据本发明实施例的一种可选的基于场景连锁的推荐流程的示意图，如图3所示，在场景连锁中，在某客户账户的存量客户标签集合包括：客户标签1、客户标签2、客户标签3时，可以为该客户推荐交易A；如果该客户进行了交易A，则可以根据交易A产生的交易数据，生成新的即时客户标签4，再基于客户标签1、客户标签2、客户标签3、客户标签4，为该客户推荐交易B；如果该客户进行了交易B，则可以根据交易B产生的交易数据，生成新的即时客户标签5，再基于客户标签1、客户标签2、客户标签3、客户标签4、客户标签5，为该客户推荐交易C，依次类推。

可选地，在将推荐结果指示的待推荐栏目集合发送给目标账户之前，还包括：基于存量客户标签集合，确定目标账户的客户集群，其中，客户集群对应有通用推荐栏目，通用推荐栏目为基于客户集群对应的共同标签集合，通过推荐模型得到的；将与客户集群对应的通用推荐栏目加入至待推荐栏目集合。

在本发明实施例中，可以根据存量客户标签集合，确定目标账户的客户集群，每个客户集群对应有通用推荐栏目，通用推荐栏目为基于客户集群对应的共同标签集合，通过推荐模型得到的。之后，可以将与客户集群对应的通用推荐栏目加入至待推荐栏目集合。

可选地，在将推荐结果指示的待推荐栏目集合发送给目标账户之前，还包括：基于预设知识图谱，查询待推荐栏目集合，得到与待推荐栏目集合中的每个待推荐栏目关联的关联交易数据；基于预设金融策略，调整关联交易数据；基于调整完成的关联交易数据，更新待推荐栏目的栏目目录。

在本发明实施例中，可以根据预设知识图谱(即交易及产品功能图谱)，查询待推荐栏目集合，得到与待推荐栏目集合中的每个待推荐栏目关联的关联交易数据，之后根据预设金融策略(即金融机构的金融战略导向)，调整关联交易数据，然后可以根据调整完成的关联交易数据，更新待推荐栏目的栏目目录，以使推荐的栏目符合金融战略导向。

图4是根据本发明实施例的一种可选的推荐栏目流程的示意图，如图4所示，可以先确定客户标签：选取和电子银行业务领域相关的客户标签；确定客户topN交易：对客户历史交易数据进行清洗以提升数据质量，并基于大数据分析客户的历史topN交易；然后根据客户标签和客户topN交易进行模型训练，如可以使用决策树模型找到标签组合和topN交易的关联关系。对客户近期交易行为分析：采集客户近期交易行为；得到客户即时标签：从近期交易识别客户短期关注点。然后将客户即时标签进行模型训练，以进行功能关联修正：基于知识图谱找到推荐栏目的关联交易，结合发展战略方向对推荐栏目进行导向调整。

图5是根据本发明实施例的一种可选的数据链路说明的示意图，如图5所示，包括：手机银行、数据中台、内部管理，其中，在手机银行中，登录获取客户标签集，并根据行为触发标签集变化(包括渠道端实施触发标签变化)，在数据中台中，确定交易功能推荐以及战略映射表，再获取数据中台-客户画像(在内部管理中，涉及多产品应用数据入湖，更新时效性低)。内部管理中的互联网运营平台将交易与标签映射表展示在手机银行(在内部管理中，结合业务战略目标进行推荐功能的映射)，并可以确定交易功能推荐以及战略映射表，以使手机银行进行触客话术配置(在数据中台中，优化推荐交易“最后一公里”触客描述)，进行界面交互引导，以使客户随引导可能触发新的标签变化，形成场景旅程链。

步骤S104，将推荐结果指示的待推荐栏目集合发送给目标账户，其中，待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

在本发明实施例中，可以将推荐结果指示的待推荐栏目集合(包括：待推荐功能、待推荐金融产品等)发送给目标账户。例如，对于某属于新人的标签，推荐出来的菜单有“*购券”、“**支付”、“*购物”、“**消费券”等；对于某偏好***的用户的标签，推荐出来的菜单有“一键绑卡”“办卡进度”、“换卡进度”等。

图6是根据本发明实施例的一种可选的基于客户画像的大数据人工智能推荐的示意图，如图6所示，包括：数据分析与加工、训练与调试、功能推荐、大数据模型建立等，其中，数据分析与加工包括：选取多维度客户画像标签，结合金融机构客户近期功能访问与产品购买数据集，以交易及产品功能图谱和金融战略导向作为专家规则，进行数据分析、清洗与筛选，以建立实时推荐模型。实时推荐模型将全部标签作为决策因子进行客户分类，基于客户分类获取常用功能与产品。之后，进行人工智能算法选择，进行模型训练，关联交易及产品功能图谱和金融战略导向，获取实时标签画像，并使用实时标签预测并生成实时功能推荐结果，通过客户对推荐功能的点击埋点数据反馈，验证推荐效果。

本发明实施例中，能够关注客户操作旅程。对于实时推荐，相关技术中的普遍场景是进行同类型产品的推送，以扩大产品触客率，如某些购物网站查询过书籍商品后，网站首页或广告位会实时给客户推荐书籍类商品。而本实施例可以针对客户实时交易行为进行的下一步可能动作的预测，而非继续堆叠推荐同类产品。电子银行中典型场景如客户做过转账又购买理财产品后，可以根据同标签类型客户预测此类客户使用查看资产功能的概率最高，则可以实时推荐客户进行资产查询，而不是根据客户刚刚买过理财的行为特征，追加推荐其他理财产品。并且，能够提升客户体验。推荐结果对客呈现不仅显示交易名称，还同步描述交易用途。如若最终推荐交易是“**查”，则对客推荐位不仅显示“**查”名称或图标，还需将“十年明细一键查询，支持过滤筛选”等作用描述展示给客户，做到金融机构与客户双方的信息对称，避免客户并不知道“**查”具有什么功能，即便精准推荐了满足客户诉求的功能，也因为客户不理解而不会去真正使用，造成最后的落地遗憾。

表2为一种可选的相关技术中的推荐方法与本实施例中的推荐方法的对比，如表2所示：

表2

/>

下面结合另一实施例进行详细说明。

实施例二

本实施例中提供的一种基于客户标签的推荐装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。

图7是根据本发明实施例的一种可选的基于客户标签的推荐装置的示意图，如图7所示，该推荐装置可以包括：获取单元70，分析单元71，输入单元72，发送单元73，其中，

获取单元70，用于获取目标账户的存量客户标签集合以及预设时间段内的交易数据；

分析单元71，用于分析交易数据，得到目标账户的即时标签集合；

输入单元72，用于将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果；

发送单元73，用于将推荐结果指示的待推荐栏目集合发送给目标账户，其中，待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

上述推荐装置，可以通过获取单元70获取目标账户的存量客户标签集合以及预设时间段内的交易数据，通过分析单元71分析交易数据，得到目标账户的即时标签集合，通过输入单元72将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果，通过发送单元73将推荐结果指示的待推荐栏目集合发送给目标账户。在本发明实施例中，可以获取预设时间段内的交易数据，然后分析交易数据，以得到目标账户的即时标签集合，之后将目标账户的存量客户标签集合以及即时标签集合输入至预先建立的推荐模型，以得到推荐给目标账户的待推荐功能、金融产品等待推荐栏目集合，能够实现实时精准推荐金融栏目的目标，能够精准挖掘出客户的近期金融服务需求，提升客户的用户体验，进而解决了相关技术中对金融产品进行推荐的准确度较低，无法满足客户的近期金融需求的技术问题。

可选地，推荐装置还包括：第一确定模块，用于在将推荐结果指示的待推荐栏目集合发送给目标账户之前，基于存量客户标签集合，确定目标账户的客户集群，其中，客户集群对应有通用推荐栏目，通用推荐栏目为基于客户集群对应的共同标签集合，通过推荐模型得到的；第一加入模块，用于将与客户集群对应的通用推荐栏目加入至待推荐栏目集合。

可选地，推荐装置还包括：第一查询模块，用于在将推荐结果指示的待推荐栏目集合发送给目标账户之前，基于预设知识图谱，查询待推荐栏目集合，得到与待推荐栏目集合中的每个待推荐栏目关联的关联交易数据；第一调整模块，用于基于预设金融策略，调整关联交易数据；第一更新模块，用于基于调整完成的关联交易数据，更新待推荐栏目的栏目目录。

可选地，推荐装置还包括：第一获取模块，用于获取历史时间段内的历史金融数据；第一划分模块，用于将历史金融数据划分为训练样本、测试样本以及验证样本；第一训练模块，用于采用预设分解算法，训练训练样本，得到初始推荐模型；第一测试模块，用于采用测试样本，测试初始推荐模型，得到测试结果；第二确定模块，用于在测试结果指示的测试准确率在预设阈值范围的情况下，确定推荐模型训练完成。

可选地，历史金融数据至少包括：客户标签数据、客户交易数据，推荐装置还包括：第一关联模块，用于在获取历史时间段内的历史金融数据之后，将同一客户账户的客户标签数据和客户交易数据中进行关联，得到关联结果；第一删除模块，用于在关联结果指示客户账户只有客户标签数据，但没有客户交易数据的情况下，删除历史金融数据中与客户账户对应的所有数据；第三确定模块，用于基于历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值的客户账户，并删除客户账户的所有数据，得到目标金融数据。

可选地，推荐装置还包括：第四确定模块，用于在得到目标金融数据之后，基于目标金融数据中的客户交易数据，确定每个客户账户的点击量；第一分类模块，用于基于预设点击边界以及每个客户账户的点击量，对客户账户进行分类，得到不同类别的客户账户；第一设置模块，用于为每个类别的客户账户设置分布权重；第一抽取模块，用于基于分布权重，抽取目标金融数据，得到样本数据；第二划分模块，用于依据预设比例，将样本数据划分为训练样本、测试样本以及验证样本。

可选地，推荐装置还包括：第一验证模块，用于在确定推荐模型训练完成之后，采用验证样本，验证推荐模型，得到验证结果；第二调整模块，用于基于验证结果，调整推荐模型的预设参数；第五确定模块，用于确定当前金融策略；第三调整模块，用于采用当前金融策略，调整通过推荐模型输出的推荐结果。

上述的推荐装置还可以包括处理器和存储器，上述获取单元70，分析单元71，输入单元72，发送单元73等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来将推荐结果指示的待推荐栏目集合发送给目标账户。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标账户的存量客户标签集合以及预设时间段内的交易数据，分析交易数据，得到目标账户的即时标签集合，将存量客户标签集合和即时标签集合输入至预先建立的推荐模型，得到推荐结果，将推荐结果指示的待推荐栏目集合发送给目标账户。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的基于客户标签的推荐方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的基于客户标签的推荐方法。

图8是根据本发明实施例的一种用于基于客户标签的推荐方法的电子设备(或移动设备)的硬件结构框图。如图8所示，电子设备可以包括一个或多个(图中采用802a、802b，……，802n来示出)处理器802(处理器802可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器804。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，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。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于客户标签的推荐方法，其特征在于，包括：

获取目标账户的存量客户标签集合以及预设时间段内的交易数据；

分析所述交易数据，得到所述目标账户的即时标签集合；

将所述存量客户标签集合和所述即时标签集合输入至预先建立的推荐模型，得到推荐结果；

将所述推荐结果指示的待推荐栏目集合发送给所述目标账户，其中，所述待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

2.根据权利要求1所述的推荐方法，其特征在于，在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，还包括：

基于所述存量客户标签集合，确定所述目标账户的客户集群，其中，所述客户集群对应有通用推荐栏目，所述通用推荐栏目为基于所述客户集群对应的共同标签集合，通过所述推荐模型得到的；

将与所述客户集群对应的所述通用推荐栏目加入至所述待推荐栏目集合。

3.根据权利要求1所述的推荐方法，其特征在于，在将所述推荐结果指示的待推荐栏目集合发送给所述目标账户之前，还包括：

基于预设知识图谱，查询所述待推荐栏目集合，得到与所述待推荐栏目集合中的每个待推荐栏目关联的关联交易数据；

基于预设金融策略，调整所述关联交易数据；

基于调整完成的所述关联交易数据，更新所述待推荐栏目的栏目目录。

4.根据权利要求1所述的推荐方法，其特征在于，还包括：

获取历史时间段内的历史金融数据；

将所述历史金融数据划分为训练样本、测试样本以及验证样本；

采用预设分解算法，训练所述训练样本，得到初始推荐模型；

采用所述测试样本，测试所述初始推荐模型，得到测试结果；

在所述测试结果指示的测试准确率在预设阈值范围的情况下，确定所述推荐模型训练完成。

5.根据权利要求4所述的推荐方法，其特征在于，所述历史金融数据至少包括：客户标签数据、客户交易数据，在获取历史时间段内的历史金融数据之后，还包括：

将同一客户账户的所述客户标签数据和所述客户交易数据中进行关联，得到关联结果；

在所述关联结果指示所述客户账户只有所述客户标签数据，但没有所述客户交易数据的情况下，删除所述历史金融数据中与所述客户账户对应的所有数据；

基于所述历史金融数据中的剩余客户交易数据，确定点击量小于预设点击阈值的客户账户，并删除所述客户账户的所有数据，得到目标金融数据。

6.根据权利要求5所述的推荐方法，其特征在于，在得到目标金融数据之后，还包括：

基于所述目标金融数据中的所述客户交易数据，确定每个所述客户账户的点击量；

基于预设点击边界以及每个所述客户账户的所述点击量，对所述客户账户进行分类，得到不同类别的客户账户；

为每个类别的客户账户设置分布权重；

基于所述分布权重，抽取所述目标金融数据，得到样本数据；

依据预设比例，将所述样本数据划分为所述训练样本、所述测试样本以及所述验证样本。

7.根据权利要求4所述的推荐方法，其特征在于，在确定所述推荐模型训练完成之后，还包括：

采用所述验证样本，验证所述推荐模型，得到验证结果；

基于所述验证结果，调整所述推荐模型的预设参数；

确定当前金融策略；

采用所述当前金融策略，调整通过所述推荐模型输出的推荐结果。

8.一种基于客户标签的推荐装置，其特征在于，包括：

获取单元，用于获取目标账户的存量客户标签集合以及预设时间段内的交易数据；

分析单元，用于分析所述交易数据，得到所述目标账户的即时标签集合；

输入单元，用于将所述存量客户标签集合和所述即时标签集合输入至预先建立的推荐模型，得到推荐结果；

发送单元，用于将所述推荐结果指示的待推荐栏目集合发送给所述目标账户，其中，所述待推荐栏目集合至少包括：待推荐功能、待推荐金融产品。

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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于客户标签的推荐方法。

10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于客户标签的推荐方法。

Images