CN116308599A - 基于产品标签与客户标签的理财产品智能推荐方法和装置 - Google Patents

基于产品标签与客户标签的理财产品智能推荐方法和装置 Download PDF

Info

Publication number
CN116308599A
CN116308599A CN202211465930.5A CN202211465930A CN116308599A CN 116308599 A CN116308599 A CN 116308599A CN 202211465930 A CN202211465930 A CN 202211465930A CN 116308599 A CN116308599 A CN 116308599A
Authority
CN
China
Prior art keywords
user
data
product
financial
financial product
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
Application number
CN202211465930.5A
Other languages
English (en)
Inventor
庞家进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202211465930.5A priority Critical patent/CN116308599A/zh
Publication of CN116308599A publication Critical patent/CN116308599A/zh
Pending legal-status Critical Current

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]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请公开了一种基于产品标签与客户标签的理财产品智能推荐方法和装置，属于智能推荐技术领域，其采用大数据分析的方法获取用户偏好标签向量，综合考虑了用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据等，同时再根据财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据计算理财产品标签向量，最后综合用户偏好标签向量与理财产品标签向量之间的相似度和不同用户之间的偏好相似度生成用户的理财产品智能推荐列表，不仅结合了客户端投资人用户基本信息、行为偏好数据，对历史数据进行机器学习，从而向用户推荐适合的理财产品，降低用户在理财产品选择过程中的决策成本。

Description

基于产品标签与客户标签的理财产品智能推荐方法和装置
技术领域
本申请涉及智能推荐技术领域，尤其涉及一种基于产品标签与客户标签的理财产品智能推荐方法和装置。
背景技术
随着社会和经济的持续发展，居民理财观念随之普及，各种理财渠道与产品也随之出现，如基金、债券、股票、股指期货等金融理财产品已成为一般投资者最普遍的理财方式之一。其中，证券是多种经济权益凭证的统称，也指专门的种类产品，是用来证明券票持有人享有的某种特定权益的法律凭证，它主要包括资本证券、货币证券和商品证券等。狭义上的证券主要指的是证券市场中的证券产品，其中包括产权市场产品如股票，债权市场产品如债券，衍生市场产品如股票期货、期权、利率期货等。个人理财产品按风险大概分为基金和国债这种低风险的理财产品，和股票、黄金白银、股指期货这种高风险理财产品。
银行理财产品针对特定目标客户群设计开发并销售的资金投资和管理计划，即综合理财服务。银行只是接受客户的授权管理资金，投资收益与风险由客户或客户与银行按照约定方式承担。根据预期收益类型，将银行理财产品分为固定收益产品和浮动收益两类。市场上知名的银行理财产品包括：工商银行的“稳得利”、光大银行的“阳光理财”、民生银行的“非凡理财”、招商银行的“招银进宝”等。
证券公司为多个客户办理集合资产管理业务，将客户资产交由取得基金托管业务资格的资金托管机构托管，通过专门账户为客户提供资产管理服务。其主要投资范围主要用于投资国债、国家重点建设债券、债券型证券投资基金、在证券交易所上市的企业债券、其他信用度高且流动性强的固定收益类金融产品。业绩优良、成长性高、流动性强的股票等权益类证券以及股票型证券投资基金的资产。
随着经济的发展和金融市场的不断开放，信托公司财富管理业务不断推出多元化的理财产品，一方面满足了投资人对产品多样化的诉求，但另一方面，也增加了投资人选择合适产品的成本。信托项目资金投向涉及各行各业，产品结构复杂，关联要素多，选择适合自己的理财产品需要较多的金融专业知识。
目前，国外的智能投顾投资标的主要是大量的ETF(Exchange Traded Funds，交易所交易基金)，而国内可投资的ETF较少，智能投顾投资标的主要是主题基金。我国个人理财行业仍处于快速发展的阶段，大多数用户的理财素质并不高，仍停留在将非标产品作为主要投资标的的阶段。在用户的风险承受能力测评上，大多数智能投顾平台都是通过让用户填写问卷调查来判断用户的风险承受能力。因此，存在以下缺点：一方面，以股票基金类产品为投资标的的智能投顾并不能满足大多数非标理财用户的投资需求；另一方面，用户在填写问卷调查时可能会受到个人心理等因素的影响，因此仅以问卷调查结果并不能准确的描述该用户的风险承受能力，存在极大的不确定性或不准确性。
而且，在以往的理财产品智能推荐过程中，对用户推荐理财产品基本是基于人工配置，比如今天添加某个混合型基金产品，明天改为活期理财产品，或者根据一些简单产品属性去查询的规则，比如1折费率列表、定期产品列表、活期产品列表，最后根据收益率、人气高低等的排序规则去推荐，这些传统方式做的推荐理财产品，所有用户看到的理财产品都是一样的，既无法通过产品标签画像达到动态推荐不同理财产品，也无法根据用户标签画像对不同客群做推荐，更无法根据产品标签画像、客户标签画像的混合规则去推荐适合不同客群的不同理财产品，但实际不同客群能承受的风险不一样、追求的收益不一样，其期望看到的、购买的理财产品自然也不一样，传统的方式没法给不同用户精准推荐，既浪费客户选择理财产品的时间，也导致销售业绩不理想。
发明内容
本申请提供一种基于产品标签与客户标签的理财产品智能推荐方法和装置，旨在根据用户的偏好和用户的日常理财行为特征，智能的、综合的为用户推荐较为合理的理财产品，为理财客户提供更大价值、更好便捷的理财产品，实现用户理财产品的利益最大化和改善用户的理财体验，降低用户在理财产品选择过程中的决策成本。
本申请提供的具体技术方案如下：
本申请提供的一种基于产品标签与客户标签的理财产品智能推荐方法包括：
根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据；
根据理财产品特征数据获取理财产品标签向量，其中，理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，所述结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，所述非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据；
获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度；
基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度；
基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
可选的，所述根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，具体为：
基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法获取用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大；
基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于显著特征的权重倾斜算法获取用户的第二偏好标签向量，其中，用户特征越显著的操作行为对应的加权权重值越大，用户特征越显著的交易记录对应的加权权重值越大，
将所述第一偏好标签向量和所述第二偏好标签向量的加权平均值作为用户偏好标签向量。
可选的，所述根据理财产品特征数据获取理财产品标签向量具体为
根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；
基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；
根据所述风险等级评分数据、所述风险等级数据和所述产品参数数据计算所述理财产品标签向量。
可选的，所述根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，具体为：
根据公式
Figure SMS_1
计算所述理财产品的风险等级评分数据，其中，R为所述理财产品的风险等级，V为所述理财产品的预期收益，L为所述理财产品的投资期限，M为所述理财产品的起投金额，C为所述理财产品的发行人信用等级，
Figure SMS_2
为加权权重。
可选的，所述基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表具体为：
将所述第一相似度和第一权重系数的乘积与所述偏好相似度和第二权重系数的乘积的和大于预设阈值的理财产品确定为用户的待推荐理财产品，并根据所述待推荐理财产品生成用户的理财产品智能推荐列表。
可选的，根据公式
Figure SMS_3
计算所述用户偏好标签向量
Figure SMS_4
其中，A＝(A1,A2,…,Ap)为用户不同行为特征的权重系数，
Figure SMS_5
为用户i在产品j上的行为数据，/>
Figure SMS_6
为产品j的标签向量。
可选的，根据公式
Figure SMS_7
计算所述理财产品标签向量，其中，TF-IDF(Fk,Ij)为
第j个产品中与特征集合里第k个特征对应的TF-IDF，其计算公式为：
Figure SMS_8
TF-IDF(Fs,Ij)为第j个产品中与特征集合里第s个特征对应的TF-IDF，Fk为所有产品特征集合F＝{F1,F2,…,Fz}的第k个特征，Ij为第j个产品，TF(Fk,Ij)为第k个特征在第j个产品描述中出现的次数，N为待处理的产品数量，nk为所有产品描述中包含第k个特征的产品数量，TF(Fs,Ij)为第s个特征在第j个产品描述中出现的次数。
另一方面，本申请实施例提供一种基于产品标签与客户标签的理财产品智能推荐装置包括：
第一获取模块，用于根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据；
第二获取模块，用于根据理财产品特征数据获取理财产品标签向量，其中，理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，所述结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，所述非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据；
第三获取模块，用于获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度；
第四获取模块，用于基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度；
推荐模块，用于基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
可选的，所述第一获取模块具体包括：
第一标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法获取用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大；
第二标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于显著特征的权重倾斜算法获取用户的第二偏好标签向量，其中，用户特征越显著的操作行为对应的加权权重值越大，用户特征越显著的交易记录对应的加权权重值越大；
偏好标签计算单元，用于将所述第一偏好标签向量和所述第二偏好标签向量的加权平均值作为用户偏好标签向量。
可选的，所述第二获取模块具体包括：
风险等级计算单元，用于根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；
分析单元，用于基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；
产品标签计算单元，用于根据所述风险等级评分数据、所述风险等级数据和所述产品参数数据计算所述理财产品标签向量。
本申请的有益效果如下：
本申请实施例提供一种基于产品标签与客户标签的理财产品智能推荐方法和装置基于用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，综合考虑了用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据等，同时再根据财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据计算理财产品标签向量，最后综合用户偏好标签向量与理财产品标签向量之间的相似度和不同用户之间的偏好相似度生成用户的理财产品智能推荐列表，不仅结合了客户端投资人用户基本信息、行为偏好数据，以及理财产品特征信息，使用协同过滤算法，对历史数据进行机器学习，从而向用户推荐适合的理财产品，降低用户在理财产品选择过程中的决策成本，还实现了结合用户的偏好和用户的日常理财行为特征，智能的、综合的为用户推荐较为合理的理财产品，为理财客户提供更大价值、更高便捷的理财产品，实现用户理财产品的利益最大化和改善用户的理财体验。
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，对于本领域普通技术人员来讲，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为本申请实施例的一种基于产品标签与客户标签的理财产品智能推荐方法的流程示意图；
图2为本申请实施例的一种基于产品标签与客户标签的理财产品智能推荐装置的结构示意图。
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，显然，所描述的实施例仅仅是本申请一部分实施例，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。
下面将结合图1～图2对本申请实施例的一种基于产品标签与客户标签的理财产品智能推荐方法和装置进行详细的说明。
参考图1和图2所示，本申请实施例提供的一种基于产品标签与客户标签的理财产品智能推荐方法包括如下步骤：
步骤110：根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量。
具体的，根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据。
其中，用户偏好标签向量可以包括用户手动输入的客户风险等级标签(KYC标签)，示例的，可以手动将客户风险等级标签设置为R5等级。
进一步的，基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法获取用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大，可以保证获得的用户的偏好特征和行为特征最能代表用户当前的偏好和行为***均的方法计算用户偏好标签向量。其中，采用基于显著特征的权重倾斜算法获取用户的偏好特征和行为特征，可以更好的剔除干扰因素，保证获得的用户的偏好特征和行为特征更加真实，并且更加符合用户的偏好和行为习惯，将第一偏好标签向量和第二偏好标签向量相互融合得到用户偏好标签向量，可以保证计算的用户偏好标签向量更加全面个准确，更加能够代表用户的行为特征和偏好特征，可以提高本申请实施例的用户理财产品的推荐精度和准确度。
示例的，基于用户的静态属性数据和用户在产品上发生的历史关系数据，用户(User)与产品(Item)之间的关系可以表示为如下二维矩阵：
Figure SMS_9
用户偏好标签向量用向量空间模型(VSM)形式表示为：
Figure SMS_10
用户的静态属性数据为用户自身的静态属性数据，可以通过上文提及的特征提取方法将相关特征加入到全局特征集合中，采用类似的权重计算方法获取对应特征的权重因子；用户在产品上发生的历史关系数据即用户与产品关系的二维矩阵U×I，假设用户行为特征集合为常量A，共p个行为特征，不同行为特征权重为向量A＝(A1,A2,…,Ap)，通过用户与产品之间的历史关系数据，采集用户i在产品j上的行为数据，记为向量
Figure SMS_11
产品j的标签向量为/>
Figure SMS_12
则，用户i的行为标签向量，可通过如下公式进行计算：
Figure SMS_13
示例的，可以记第i个用户的偏好标签向量为：
Figure SMS_14
步骤120：根据理财产品特征数据获取理财产品标签向量。
理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据。
结构化数据自身含义明确，通常分为文本型和数值型。文本型结构化数据通常可以通过枚举方式进行特征提取，对每个结构化数据的key-value对，简单枚举所有value值的方式，实现特征提取：Fv＝{v1,v2,…,vn}，如理财产品类型可分为固收型、浮动型等；数值型结构化数据可结合上下文环境，通过一定的映射规则，将其转化为特征数据：Fv＝{f(v1),f(v2),…,f(vn)}，如产品期限，可按一定的区间范围转化为短期、中期、长期。
非结构化数据特征提取，可以采用信息检索技术中的词频逆文档频率加权技术TF-IDF(term frequency–inverse document frequency)。
假设Fk为所有产品特征集合F＝{F1,F2,…,Fz}的第k个特征，Ij为第j个产品，TF(Fk,Ij)为第k个特征在第j个产品描述中出现的次数，N为待处理的产品数量，nk为所有产品描述中包含第k个特征的产品数量，第j个产品中与特征集合里第k个特征对应的TF-IDF为：
Figure SMS_15
则，第k个特征在第j个产品中对应的权重由如下公式获得：/>
Figure SMS_16
从而，第j个产品的标签向量可表示为：/>
Figure SMS_17
示例的，所有理财产品的集合可以表示为：I＝{I1,I2,…,In}；所有产品通过特征提取后的特征集合为：F＝{F1,F2,…,Fz}则，可以通过产品对应的特征集合的权重来代表该产品属性(item profile)，示例的，理财产品标签向量可以用向量空间模型(VSM)形式表示为：
Figure SMS_18
也即可以根据公式/>
Figure SMS_19
计算理财产品标签向量，其中，TF-IDF(Fk,Ij)为
第j个产品中与特征集合里第k个特征对应的TF-IDF，其计算公式为：
Figure SMS_20
TF-IDF(Fs,Ij)为第j个产品中与特征集合里第s个特征对应的TF-IDF，Fk为所有产品特征集合F＝{F1,F2,…,Fz}的第k个特征，Ij为第j个产品，TF(Fk,Ij)为第k个特征在第j个产品描述中出现的次数，N为待处理的产品数量，nk为所有产品描述中包含第k个特征的产品数量，TF(Fs,Ij)为第s个特征在第j个产品描述中出现的次数。
具体的，根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；根据风险等级评分数据、风险等级数据和所产品参数数据计算理财产品标签向量。
其中，根据公式
Figure SMS_21
计算理财产品的风险等级评分数据，其中，R为理财产品的风险等级，V为理财产品的预期收益，L为理财产品的投资期限，M为理财产品的起投金额，C为理财产品的发行人信用等级，/>
Figure SMS_22
为加权权重。理财产品的风险等级数据和产品参数的数据信息可以采用爬虫的方法从互联网上获取；根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级，采用特定目的的权重干预算法计算所述理财产品的风险等级评分参数，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大。特定目的可以是指根据理财发行人根据其理财产品的特点设定的特定目的，比如，理财发行人在某段时间内想要主推某款理财产品，可以将该款理财产品的预期收益对应的加权权重设置为较大值等。而且，每一个因素的加权权重/>
Figure SMS_23
的大小根据用户对该因素的关注程度进行设置，示例的，每一个因素的加权权重/>
Figure SMS_24
的大小可以由理财产品发行平台自行设置，示例的，每一个因素的加权权重/>
Figure SMS_25
的大小可以由理财产品发行平台根据用户的投资行为特点设置对应因素的加权权重大小。
步骤130：获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度。
具体的，可以采用余弦相似度、欧氏距离计算用户偏好标签向量与理财产品标签向量之间的第一相似度。
其中，余弦相似度计算公式如下：
Figure SMS_26
欧式距离计算公式如下：
Figure SMS_27
通过用户行为标签向量与待售产品标签向量之间的余弦相似度(相似度越接近于1表示越满足用户偏好)或欧式距离(距离越小表示越满足用户偏好)，得到用户偏好标签向量与理财产品标签向量之间的第一相似度。
步骤140：基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度。
进一步，在建立了用户偏好属性的用户偏好标签向量
Figure SMS_28
之后，可以通过计算用户与用户(User-User)之间的偏好相似度/>
Figure SMS_29
可以向具有相同偏好特征的用户User-A推荐用户User-B曾经购买过的产品。
步骤150：基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
具体的，将第一相似度和第一权重系数的乘积与偏好相似度和第二权重系数的乘积的和大于预设阈值的理财产品确定为用户的待推荐理财产品，并根据待推荐理财产品生成用户的理财产品智能推荐列表。
通过分析用户与产品之间的关系数据，并进行加工，在产品特征集合的基础上，建立用户偏好属性(user profile)的标签向量
Figure SMS_30
则可以通过计算用户偏好标签向量与产品标签向量(User-Item)之间的相似度/>
Figure SMS_31
直接根据用户偏好可以向用户推荐其感兴趣的产品。基于用户全维度数据的不断积累和扩充，代表用户偏好属性的标签向量将更能体现用户的真实偏好，推荐结果将贴近用户需求。
更进一步，在建立了用户偏好属性的标签向量
Figure SMS_32
之后，可以通过计算用户与用户(User-User)之间的偏好相似度/>
Figure SMS_33
向具有相同偏好特征的用户User-A推荐用户User-B曾经购买过的产品。
最后可以采用合适的加权方法将基于用户的行为相似度和基于产品的物的相似度相融合，最后将大于预设阈值的理财产品确定为用户的待推荐理财产品，并根据待推荐理财产品生成用户的理财产品智能推荐列表。也即将最终获取的结果进行排序得到产品推荐顺序列表：
Figure SMS_34
从而按需截取topN个产品向用户进行推荐，也即将排名靠前的若干个理财产品智能推荐给用户。
本申请实施例提供一种基于产品标签与客户标签的理财产品智能推荐方法和装置基于用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，综合考虑了用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据等，同时再根据财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据计算理财产品标签向量，最后综合用户偏好标签向量与理财产品标签向量之间的相似度和不同用户之间的偏好相似度生成用户的理财产品智能推荐列表，不仅结合了客户端投资人用户基本信息、行为偏好数据，以及理财产品特征信息，使用协同过滤算法，对历史数据进行机器学习，从而向用户推荐适合的理财产品，降低用户在理财产品选择过程中的决策成本，还实现了结合用户的偏好和用户的日常理财行为特征，智能的、综合的为用户推荐较为合理的理财产品，为理财客户提供更大价值、更高便捷的理财产品，实现用户理财产品的利益最大化和改善用户的理财体验。
基于相同的发明构思，本申请实施例还提供一种基于产品标签与客户标签的理财产品智能推荐装置包括：
第一获取模块210，用于根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据；
第二获取模块220，用于根据理财产品特征数据获取理财产品标签向量，其中，理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，所述结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，所述非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据；
第三获取模块230，用于获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度；
第四获取模块240，用于基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度；
推荐模块250，用于基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
其中，第一获取模块210具体包括：
第一标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法获取用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大；
第二标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于显著特征的权重倾斜算法获取用户的第二偏好标签向量，其中，用户特征越显著的操作行为对应的加权权重值越大，用户特征越显著的交易记录对应的加权权重值越大；
偏好标签计算单元，用于将所述第一偏好标签向量和所述第二偏好标签向量的加权平均值作为用户偏好标签向量。
其中，第二获取模块220具体包括：
风险等级计算单元，用于根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；
分析单元，用于基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；
产品标签计算单元，用于根据所述风险等级评分数据、所述风险等级数据和所述产品参数数据计算所述理财产品标签向量。
其中，第二获取模块220根据公式
Figure SMS_35
计算所述理财产品的风险等级评分数据，其中，R为所述理财产品的风险等级，V为所述理财产品的预期收益，L为所述理财产品的投资期限，M为所述理财产品的起投金额，C为所述理财产品的发行人信用等级，/>
Figure SMS_36
为加权权重。
第一获取模块210用于根据公式
Figure SMS_37
计算所述用户偏好标签向量/>
Figure SMS_38
其中，A＝(A1,A2,…,Ap)为用户不同行为特征的权重系数，
Figure SMS_39
为用户i在产品j上的行为数据，/>
Figure SMS_40
为产品j的标签向量。
示例的，第二获取模块220用于根据公式
Figure SMS_41
计算所述理财产品标签向量，其中，TF-IDF(Fk,Ij)为
第j个产品中与特征集合里第k个特征对应的TF-IDF，其计算公式为：
Figure SMS_42
TF-IDF(Fs,Ij)为第j个产品中与特征集合里第s个特征对应的TF-IDF，Fk为所有产品特征集合F＝{F1,F2,…,Fz}的第k个特征，Ij为第j个产品，TF(Fk,Ij)为第k个特征在第j个产品描述中出现的次数，N为待处理的产品数量，nk为所有产品描述中包含第k个特征的产品数量，TF(Fs,Ij)为第s个特征在第j个产品描述中出现的次数。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于产品标签与客户标签的理财产品智能推荐方法，其特征在于，所述理财产品智能推荐方法包括：
根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据；
根据理财产品特征数据获取理财产品标签向量，其中，理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，所述结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，所述非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据；
获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度；
基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度；
基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
2.如权利要求1所述的理财产品智能推荐方法，其特征在于，所述根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，具体为：
基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法获取用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大；
基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于显著特征的权重倾斜算法获取用户的第二偏好标签向量，其中，用户特征越显著的操作行为对应的加权权重值越大，用户特征越显著的交易记录对应的加权权重值越大；
将所述第一偏好标签向量和所述第二偏好标签向量的加权平均值作为用户偏好标签向量。
3.如权利要求1所述的理财产品智能推荐方法，其特征在于，所述根据理财产品特征数据获取理财产品标签向量具体为根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；
基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；
根据所述风险等级评分数据、所述风险等级数据和所述产品参数数据计算所述理财产品标签向量。
4.如权利要求3所述的理财产品智能推荐方法，其特征在于，所述根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级等，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，具体为：
根据公式
Figure QLYQS_1
计算所述理财产品的风险等级评分数据，其中，R为所述理财产品的风险等级，V为所述理财产品的预期收益，L为所述理财产品的投资期限，M为所述理财产品的起投金额，C为所述理财产品的发行人信用等级，/>
Figure QLYQS_2
为加权权重。
5.如权利要求3所述的理财产品智能推荐方法，其特征在于，所述基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表具体为：
将所述第一相似度和第一权重系数的乘积与所述偏好相似度和第二权重系数的乘积的和大于预设阈值的理财产品确定为用户的待推荐理财产品，并根据所述待推荐理财产品生成用户的理财产品智能推荐列表。
6.如权利要求5所述的理财产品智能推荐方法，其特征在于，根据公式
Figure QLYQS_3
计算所述用户偏好标签向量/>
Figure QLYQS_4
其中，A＝(A1,A2,…,Ap)为用户不同行为特征的权重系数，/>
Figure QLYQS_5
为用户i在产品j上的行为数据，/>
Figure QLYQS_6
为产品j的标签向量。
7.如权利要求6所述的理财产品智能推荐方法，其特征在于，根据公式
Figure QLYQS_7
计算所述理财产品标签向量，其中，TF-IDF(Fk,Ij)为
第j个产品中与特征集合里第k个特征对应的TF-IDF，其计算公式为：
Figure QLYQS_8
TF-IDF(Fs,Ij)为第j个产品中与特征集合里第s个特征对应的TF-IDF，Fk为所有产品特征集合F＝{F1,F2,…,Fz}的第k个特征，Ij为第j个产品，TF(Fk,Ij)为第k个特征在第j个产品描述中出现的次数，N为待处理的产品数量，nk为所有产品描述中包含第k个特征的产品数量，TF(Fs,Ij)为第s个特征在第j个产品描述中出现的次数。
8.一种基于产品标签与客户标签的理财产品智能推荐装置，其特征在于，所述理财产品智能推荐装置包括：
第一获取模块，用于根据用户与产品之间的关系数据，采用大数据分析的方法获取用户偏好标签向量，其中，用户与产品之间的关系数据包括用户的基本信息、理财风险承受能力评测数据、用户的历史理财交易数据和用户在理财APP中的操作行为数据；
第二获取模块，用于根据理财产品特征数据获取理财产品标签向量，其中，理财产品特征数据包括财富管理机构整理并发布的结构化数据和理财产品对应地层资产的非结构化数据，所述结构化数据包括根据互联网数据分析获取各个理财产品的风险等级数据和产品参数数据，所述非结构化数据包括根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级计算的理财产品的风险等级评分数据；
第三获取模块，用于获取所述用户偏好标签向量与所述理财产品标签向量之间的第一相似度；
第四获取模块，用于基于不同用户之间的用户偏好标签向量计算用户之间的偏好相似度；
推荐模块，用于基于第一相似度和偏好相似度生成用户的理财产品智能推荐列表。
9.如权利要求8所述的理财产品智能推荐装置，其特征在于，所述第一获取模块具体包括：
第一标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于时间的加权平均算法计算用户的第一偏好标签向量，其中，距离当前时间点越近的操作行为对应的加权权重值越大，距离当前时间点越近的交易记录对应的加权权重值越大；
第二标签计算单元，用于基于用户的静态属性数据和用户在产品上发生的历史关系数据，采用基于显著特征的权重倾斜算法计算用户的第二偏好标签向量，其中，用户特征越显著的操作行为对应的加权权重值越大，用户特征越显著的交易记录对应的加权权重值越大；
偏好标签计算单元，用于将所述第一偏好标签向量和所述第二偏好标签向量的加权平均值作为用户偏好标签向量。
10.如权利要求8所述的理财产品智能推荐装置，其特征在于，所述第二获取模块具体包括：
风险等级计算单元，用于根据每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级，采用特定目的的权重干预算法计算所述理财产品的风险等级评分数据，其中，每个理财产品的风险等级、投资期限、预期收益、起投金额和发行人信用等级中具有特定目的的因素对应的加权权重越大；
分析单元，用于基于机器学习和深度学习的互联网数据分析方法获取各个理财产品的风险等级数据和产品参数数据；
产品标签计算单元，用于根据所述风险等级评分数据、所述风险等级数据和所述产品参数数据计算所述理财产品标签向量。
CN202211465930.5A 2022-11-22 2022-11-22 基于产品标签与客户标签的理财产品智能推荐方法和装置 Pending CN116308599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211465930.5A CN116308599A (zh) 2022-11-22 2022-11-22 基于产品标签与客户标签的理财产品智能推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211465930.5A CN116308599A (zh) 2022-11-22 2022-11-22 基于产品标签与客户标签的理财产品智能推荐方法和装置

Publications (1)

Publication Number Publication Date
CN116308599A true CN116308599A (zh) 2023-06-23

Family

ID=86782157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211465930.5A Pending CN116308599A (zh) 2022-11-22 2022-11-22 基于产品标签与客户标签的理财产品智能推荐方法和装置

Country Status (1)

Country Link
CN (1) CN116308599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151819A (zh) * 2023-09-04 2023-12-01 杭州易靓好车互联网科技有限公司 基于数据分析的交易用户风险推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151819A (zh) * 2023-09-04 2023-12-01 杭州易靓好车互联网科技有限公司 基于数据分析的交易用户风险推荐方法
CN117151819B (zh) * 2023-09-04 2024-06-25 杭州易靓好车互联网科技有限公司 基于数据分析的交易用户风险推荐方法

Similar Documents

Publication Publication Date Title
Rose et al. Where have all the IPOs gone: The hard life of the small IPO
Zibriczky12 Recommender systems meet finance: a literature review
US20070033127A1 (en) Enterprise evaluation device and enterprise evaluation program
US20070282728A1 (en) Consolidation, sharing and analysis of investment information
Budianto et al. Dividend Payout Ratio (DPR) in Islamic and Conventional Banking: Mapping Research Topics using VOSviewer Bibliometric and Library Research
Budianto et al. Net Operating Margin (NOM) on Islamic Banking: Mapping Research Topics using VOSviewer Bibliometric and Library Research
KR102089666B1 (ko) 빅데이터를 활용한 판매자 신용 등급 자동집계 및 평가 방법 및 ai 자동 분류 서버
Budianto et al. Research Mapping the Operating Profit Margin (OPM) Ratio in Sharia and Conventional Banking: VOSviewer Bibliometric Study and Library Research
Arvidsson et al. Cashless society: when will merchants stop accepting cash in Sweden-a research model
Risky et al. Mapping Research Topics on Islamic Pawnshop: VOSviewer Bibliometric Study and Literature Review
JP6709775B2 (ja) 算出装置、算出方法及び算出プログラム
Byrne The digital economy and productivity
CN114943582A (zh) 一种信息推荐方法、***及推荐服务器
CN116308599A (zh) 基于产品标签与客户标签的理财产品智能推荐方法和装置
Gorman et al. The Data Dilemma in Alternative Risk Premium: Why Is a Benchmark So Elusive?
Shakhnov et al. Utility tokens, network effects, and pricing power
Setty et al. A review on data mining applications to the performance of stock marketing
JP2003114977A (ja) 顧客生涯価値算出方法およびシステム
CN115186101A (zh) 一种投资管理后端***、方法、设备及存储介质
Roth Revisiting intangible capital and labor productivity growth, 2000–2015: Accounting for the crisis and economic recovery in the EU
Liu et al. Trading patterns in the bitcoin market
Fernando et al. Utilization of Big Data In E-Commerce Business
Bihari et al. CRM in Banking Sector with special reference to New Age Banks
KR20010009718A (ko) 3차원 증권 투자 검색 시스템의 표시 방법
Kumar et al. Marketing Trends in the Cryptocurrency Industry

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