CN116308615A - 产品推荐方法、装置、电子设备及存储介质 - Google Patents
产品推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116308615A CN116308615A CN202310007245.6A CN202310007245A CN116308615A CN 116308615 A CN116308615 A CN 116308615A CN 202310007245 A CN202310007245 A CN 202310007245A CN 116308615 A CN116308615 A CN 116308615A
- Authority
- CN
- China
- Prior art keywords
- product
- target
- user
- sub
- dimension
- 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]
- G06Q30/0631—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种产品推荐方法、装置、电子设备及存储介质,可以应用于计算机技术领域。该方法包括:响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;根据目标历史数据,确定目标用户的画像评分等级;根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;根据画像评分等级,向目标用户推荐待推荐产品。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种产品推荐方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
在相关技术中,为加快数字化转型的战略部署,对于竞争激烈的金融机构来说,提高用户粘性是提高市场竞争力的关键,而为用户提供精准营销、制定合适的产品推荐策略是增加获客渠道的重要策略。因此,如何从海量的用户交易信息中发掘有价值的用户群体是目前亟需解决的一项关键问题。在众多的用户关系管理分析方法中,RFM(Recency-Frequency-Monetary)模型是被广泛提及的。RFM模型是衡量用户价值和用户创利能力的重要工具和手段,该模型通过用户的近期购买行为、购买的总体频率及消费总额三项指标来描述该用户的自身价值情况。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中的产品推荐方法不能精确的向用户推荐金融平台中的产品,从而导致无法较好的提高用户粘性。
发明内容
有鉴于此,本公开提供了一种产品推荐方法、装置、电子设备、存储介质及计算机程序产品。
本公开的一个方面提供了一种产品推荐方法,包括:
响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;
根据目标历史数据,确定目标用户的画像评分等级;
根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;
根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;
根据画像评分等级,向目标用户推荐待推荐产品。
根据本公开的实施例,其中,根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,包括:
根据目标产品和第一产品,分别确定目标产品的目标产品向量和第一产品的第一产品向量;
根据目标产品向量和第一产品向量,确定目标产品与第一产品的产品相似度;
在确定产品相似度大于预设阈值的情况下,将第一产品确定为第二产品,得到第二产品集合;
根据目标用户与第二产品的偏好度,对第二产品进行排序,得到排序结果;
根据排序结果,从第二产品中确定待推荐产品。
根据本公开的实施例,其中,根据目标历史数据,确定目标用户的画像评分等级,包括:
根据目标历史数据,确定目标用户在多个维度指标下的维度指标值;
根据多个维度指标各自的维度指标权重,确定每个维度指标的维度指标得分值,得到多个维度指标得分值;
基于多个维度指标得分值,确定目标用户的画像评分;
基于画像评分,确定目标用户的画像评分等级。
根据本公开的实施例,其中,每个维度指标包括多个子维度指标;
根据目标历史数据,确定目标用户在多个维度指标下的维度指标值,包括:
根据目标历史数据,确定目标用户的每个维度指标的多个子维度指标各自的子维度指标值;
根据多个子维度指标各自的子维度指标权重,确定每个子维度指标的子维度指标得分;
根据多个子维度指标得分,确定目标用户在多个维度指标下的维度指标值。
根据本公开的实施例,其中,维度指标包括用户交互维度指标,用户交互维度指标包括多个子用户交互维度指标;
上述产品推荐方法还包括:
从用户行为数据库中获取用户在预设时间段内的产品交互数据,其中,用户行为数据库中的产品交互数据是经过目标用户授权采集的;
根据产品交互数据确定多个子用户交互维度指标各自的子用户交互维度指标值;
利用卡方分箱法确定多个子用户交互维度指标值各自的子用户交互维度指标得分;
利用XGboost算法计算多个子用户交互维度指标各自的子用户交互权重值;
根据多个子用户交互维度指标得分和多个子用户交互维度指标权重值,确定用户交互维度指标的用户交互维度指标值;
根据用户交互维度指标值,从用户中确定目标用户。
根据本公开的实施例,其中,子用户交互维度指标包括近度子维度指标、频度子维度指标和额度子维度指标,其中,近度子维度指标表征用户最近一次在金融平台发生交易的时间,频度子维度指标表征在预设时间段内用户在金融平台的交易次数,额度子维度指标表征在预设时间段内用户在金融平台的交易额。
本公开的另一个方面提供了一种产品推荐装置,包括:
第一获取模块,用于响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;
第一确定模块,用于根据目标历史数据,确定目标用户的画像评分等级;
第二确定模块,用于根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;
第三确定模块,用于根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;
推荐模块,用于根据画像评分等级,向目标用户推荐待推荐产品。
本公开的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现上述产品推荐方法。
本公开的另一方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述产品推荐方法。
本公开的另一方面提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述计算机可执行指令在被执行时用于实现上述产品推荐方法。
根据本公开的实施例,因为采用了响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;根据目标历史数据,确定目标用户的画像评分等级;根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;根据画像评分等级,向目标用户推荐待推荐产品的技术手段,通过对目标用户进行画像评分等级可以更加全面的对目标用户进行分级管理,根据不同画像评分等级的目标用户推荐不同的目标产品,提高了产品推荐的精细度,从而有效提高用户粘性。所以至少部分地克服了相关技术中的产品推荐方法不能精确的向用户推荐金融平台中的产品,从而导致无法较好的提高用户粘性的技术问题。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用产品推荐方法的示例性***架构;
图2示意性示出了根据本公开实施例的产品推荐方法的流程图;
图3示意性示出了根据本公开又一实施例的产品推荐方法的流程图;
图4示意性示出了根据本公开的实施例的产品推荐装置的框图;以及
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
相关技术中,RFM模型存在两个较为明显的缺点,一是主观层面定义时间段内的消费频次及数量关系以区分轻重度用户,对于具体截取哪一时间范围的用户日志信息作为建模样本数据较为合理没有深入对比说明;二是对于用户评分机制下的RFM模型,指标权重构造方法主要以人为因素的层次分析法(AHP)构造特征判断矩阵或者熵权法、投票法或加权平均数为主,但层次分析法在构造初始化矩阵时也存在基于专家经验等人为因素干扰,缺乏必要的理论验真算法支撑。
传统方式上,早期金融机构的线上金融产品种类相对较少、用户交易频率较低,在产品营销策略上更多的采用O2O模式(即线上和线下共同进行产品联动的模式)、和MGM模式(老带新推广模式),本质上还是通过某种激励方式来吸引用户,没有形成为用户提供其真正感兴趣产品的正向传播,对于产品后期持续推广难以维系;同时在银行等线上金融场景中,存在用户交易频率较低,产品种类相对较少、交易限制因素诸多等问题,以往的传统推荐算法如基于用户或基于物品的协同过滤推荐算法并不能直接适用于银行等金融场景的线上产品推荐。
有鉴于此,本公开的实施例提供了一种产品推荐方法。该方法包括响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;根据目标历史数据,确定目标用户的画像评分等级;根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;根据画像评分等级,向目标用户推荐待推荐产品。
图1示意性示出了根据本公开实施例的可以应用产品推荐方法的示例性***架构100。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的产品推荐方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的产品推荐装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,目标历史数据可以存储在用户行为数据库之中并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的产品推荐方法,或者将目标历史数据发送到其他终端设备、服务器、或服务器集群,并由接收该目标历史数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的产品推荐方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的产品推荐方法的流程图。
如图2所示,该方法包括操作S201~S205。
在操作S201,响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的。
根据本公开的实施例,金融平台可以是金融机构推出的用于金融交易的平台,金融交易可以是购买基金、股票、期货等的交易。
根据本公开的实施例,目标用户可以是根据目标产品交互数据确定的在金融平台有不同交互程度的用户。目标用户的数量可以是1个,也可以是多个。
根据本公开的实施例,目标历史数据可以是用户在预设时间段内在金融平台中的操作产生的数据,例如,可以是用户在金融平台中购买目标产品的数据,还可以是目标用户在金融平台中浏览目标产品的数据。
根据本公开的实施例,用户行为数据库可以根据用户在金融平台的授权,收集用户在金融平台中的操作产生的数据。
根据本公开的实施例,推荐请求可以是根据金融平台中预先设置的定时任务发出的请求,还可以是响应于用户在金融平台中的输入发出的请求。
在操作S202,根据目标历史数据,确定目标用户的画像评分等级。
根据本公开的实施例,由于目标历史数据中是基于目标用户在金融平台中的操作生成的,因此目标历史数据可以在一定程度上表征目标用户对于金融平台的价值程度,因此,可以利用目标历史数据确定目标用户的画像评分等级。
根据本公开的实施例,画像评分等级可以是多级的,不同等级的画像评分等级可以表征用户对金融平台中不同的价值程度。在目标用户是多个的情况下,不同的目标用户可以是不同的画像评分等级,每个画像评分等级中的目标用户的行为偏好、基本信息等可以是相似的。
根据本公开的实施例,目标用户可以拥有唯一的用户标识,可以是目标用户在金融平台的注册账号或者注册手机号,还可以是目标用户的身份编号。
在操作S203,根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品。
根据本公开的实施例,产品库可以包括金融平台中所有的产品,可以是基金类的产品、股票类的产品、期货类的产品等等。
根据本公开的实施例,目标产品可以是目标用户购买的产品,也可以是目标用户浏览过一定次数的产品。
根据本公开的实施例,由于目标产品交互数据中是目标用户在金融平台的交互数据,因此,可以从目标产品交互数据中确定目标用户在金融平台购买或者浏览一定次数的目标产品。在目标用户为多个的情况下,可以根据不同的目标用户对应的画像评分等级,将与每个画像评分等级中所有目标用户相匹配的目标产品确定为目标产品集合,即每个画像评分等级对应一个目标产品集合。
在操作S204,根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品。
根据本公开的实施例,由于产品库中的产品为金融产品,可以根据目标产品和第一产品的产品特征计算目标产品与第一产品的产品相似度。
根据本公开的实施例,可以从产品相似度大于预设阈值的第一产品中确定待推荐产品。在目标用户为多个的情况下,不同画像评分等级中对应的目标产品集合可以对应各自的待推荐产品集合。
在操作S205,根据画像评分等级,向目标用户推荐待推荐产品。
根据本公开的实施例,由于待推荐产品是根据目标产品与第一产品之间的产品相似度确定的,因此待推荐产品与目标产品之间是相似度,因此目标用户有很大概率也会选择待推荐产品。
根据本公开的实施例,由于不同的目标用户有各自的画像评分等级,因此可以根据待推荐产品向对应的画像评分等级,向目标用户推荐待推荐产品。
根据本公开的实施例,因为采用了响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;根据目标历史数据,确定目标用户的画像评分等级;根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;根据画像评分等级,向目标用户推荐待推荐产品的技术手段,通过对目标用户进行画像评分等级可以更加全面的对目标用户进行分级管理,根据不同画像评分等级的目标用户推荐不同的目标产品,提高了产品推荐的精细度,从而有效提高用户粘性。所以至少部分地克服了相关技术中的产品推荐方法不能精确的向用户推荐金融平台中的产品,从而导致无法较好的提高用户粘性的技术问题。
根据本公开的实施例,其中,根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,包括:
根据目标产品和第一产品,分别确定目标产品的目标产品向量和第一产品的第一产品向量;
根据目标产品向量和第一产品向量,确定目标产品与第一产品的产品相似度;
在确定产品相似度大于预设阈值的情况下,将第一产品确定为第二产品,得到第二产品集合;
根据目标用户与第二产品的偏好度,对第二产品进行排序,得到排序结果;
根据排序结果,从第二产品中确定待推荐产品。
根据本公开的实施例,可以目标产品和第一产品各自的产品参数信息,确定目标产品和第一产品各自的目标产品向量和第一产品向量。
根据本公开的实施例,可以通过计算目标产品向量与第一产品向量之间的余弦相似度,确定产品相似度。
根据本公开的实施例,在确定产品相似度大于预设阈值的情况下,即第一产品与目标产品的相似度较高,可以将第一产品确定为第二产品,得到第二产品集合,在确定产品相似度小于或等于预设阈值的情况下,即第一产品与目标产品的相似度较低,可以过滤第一产品,继续计算对下一个产品与目标产品之间的相似度。
根据本公开的实施例,可以对得到的第二产品集合中的第二产品计算用户对第二产品的偏好度,如以下公式(1):
其中,Ipv表示目标用户p对第二产品v的偏好度,Ipu表示目标用户p对目标产品u的偏好度,Sim(v,u)表示第二产品v与目标产品u之间的相似,V(p)表示第二产品集合。
根据本公开的实施例,可以根据第二产品的偏好度,按照从大到小的顺序对第二产品进行排序,得到第二产品的排序结果,将排序结果中排在前K个第二产品确定为待推荐产品,K小于第二产品集合中第二产品的数量。
根据本公开的实施例,通过计算产品之间的相似度确定第二产品集合,由第二产品集合中目标用户对第二产品的偏好度确定待推荐产品,可以更加精确确定待推荐产品,使得向目标用户推荐的待推荐产品可以更加精准。
根据本公开的实施例,其中,根据目标历史数据,确定目标用户的画像评分等级,包括:
根据目标历史数据,确定目标用户在多个维度指标下的维度指标值;
根据多个维度指标各自的维度指标权重,确定每个维度指标的维度指标得分值,得到多个维度指标得分值;
基于多个维度指标得分值,确定目标用户的画像评分;
基于画像评分,确定目标用户的画像评分等级。
根据本公开的实施例,多个维度指标可以是目标用户的基本信息维度指标、征信维度指标、信用维度指标、资产维度指标和用户交互维度指标等的维度指标,也可以是其他维度的指标。
根据本公开的实施例,可以从目标历史数据中确定目标用户在多个维度指标下的维度指标值,多个维度指标各自的维度指标权重可以根据实际业务确定,具体的,可以将目标用户的总画像评分设置为标准评分卡0-100分。
根据本公开的实施例,可以将画像评分划分为多个评分区间,每个画像评分等级对应不同的评分区间,将根据维度指标得到的多个维度指标得分值相加得到目标用户的画像评分,根据目标用户的画像评分所在的评分区间,确定目标的画像评分等级。
根据本公开的实施例,其中,每个维度指标包括多个子维度指标;
根据目标历史数据,确定目标用户在多个维度指标下的维度指标值,包括:
根据目标历史数据,确定目标用户的每个维度指标的多个子维度指标各自的子维度指标值;
根据多个子维度指标各自的子维度指标权重,确定每个子维度指标的子维度指标得分;
根据多个子维度指标得分,确定目标用户在多个维度指标下的维度指标值。
根据本公开的实施例,每个维度指标可以包括多个子维度指标,例如,基本信息维度指标可以包括年龄阶段、婚姻状况、学历信息、职业类型等子维度指标,征信维度指标可以包括逾期记录、信用贷款账户数、个人征信查询记录等子维度指标,信用维度指标可以包括近两年欠缴税款金额、近两年欠缴税款次数等子维度指标,资产维度指标可以包括个人月均收入区间、个人流动性比率区间、个人资产债务比区间、盈余比率区间等子维度指标,用户交互维度指标可以包括目标用户购买目标产品的总次数、购买目标产品的总金额、最近购买目标产品的时间等子维度指标,目标用户的多个维度指标以及每个维度指标的评价表格可以如表1所示。
根据本公开的实施例,每个子维度指标都有对应的子维度权重以及子维度指标值,根据子维度权重和子维度指标值可以确定每个子维度指标的子维度指标得分,可以将每个维度指标下的多个子维度指标对应的子维度指标得分相加,得到每个维度指标下的维度指标值。
表1目标用户的画像评分等级
根据本公开的实施例,通过对目标用户的不同维度进行评价,可以更加全面评估目标用户,实现对目标用户划分的画像评分等级更加精细,进一步提高推荐待推荐产品的推荐精确度。
根据本公开的实施例,其中,维度指标包括用户交互维度指标,用户交互维度指标包括多个子用户交互维度指标。
图3示意性示出了根据本公开又一实施例的产品推荐方法的流程图。
如图3所示,该方法包括操作S301~操作S306。
在操作S301,从用户行为数据库中获取用户在预设时间段内的产品交互数据,其中,用户行为数据库中的产品交互数据是经过目标用户授权采集的。
在操作S302,根据产品交互数据确定多个子用户交互维度指标各自的子用户交互维度指标值。
在操作S303,利用卡方分箱法确定多个子用户交互维度指标值各自的子用户交互维度指标得分。
在操作S304,利用XGboost算法计算多个子用户交互维度指标各自的子用户交互权重值。
在操作S305,根据多个子用户交互维度指标得分和多个子用户交互维度指标权重值,确定用户交互维度指标的用户交互维度指标值。
在操作S306,根据用户交互维度指标值,从用户中确定目标用户。
根据本公开的实施例,目标用户主要是根据目标用户在金融平台产生的产品交互数据确定的,因此,在进行推荐之前,可以从用户行为数据库中获取所有用户在预设时间段内的产品交互数据。
根据本公开的实施例,从产品交互数据中,可以确定交互数据中,每个用户的子用户交互维度指标的子用户交互维度指标值,其中,子用户交互维度指标包括近度子维度指标、频度子维度指标和额度子维度指标,其中,近度子维度指标表征用户最近一次在金融平台发生交易的时间,即用户最近一次购买产品的时间,频度子维度指标表征在预设时间段内用户在金融平台的交易次数,即用户购买产品的总次数额度子维度指标表征在预设时间段内用户在金融平台的交易额,即购买产品的总金额。
根据本公开的实施例,RFM模型打分一般采取5分制模式,常用的打分方式有等频等距划分区间,依据对数据和业务的理解划分、或按照数据的分位数打分等,由于金融平台的数据交易次数较少,缺乏相关业务经验支撑,因此采用有监督的卡方分箱方式对每个子用户交互维度指标值进行打分。
根据本公开的实施例,预先设定一个卡方阈值θ,将子用户交互维度指标对应的子用户交互维度指标值进行初始化,并进行排序,即对近度子维度指标R、频度子维度指标F和额度子维度指标M进行初始化,分别得到R0、F0和M0,对近度子维度指标、频度子维度指标和额度子维度指标进行排序,得到{R01、R02…R0n}、{F01、F02…F0n}、{M01、M02…M0n},利用如下公式(2)计算每一对相邻区间的卡方值,逐步合并卡方值最小的区间对,直至区间对的卡方值大于阈值θ停止合并,根据最终合并的n个区间数排序后依次划分分数值,如表2所示。
其中,X2表示卡方值,aij表示子用户交互维度指标的第i区间中子维度指标值的数量,表示aij的期望频率,Z是多个子用户交互维度指标值的数量,Zi是多个子维度指标值中的其中一个子维度指标值的区间数,Sj是多个子维度指标值中的其中一个子维度指标值的数量占总数量的比例。
表2子用户交互维度指标值的子用户交互维度指标得分
根据本公开的实施例,对于子用户交互权重值,一般的方法是基于专家经验和业务指导结合数据源情况赋予不同的权重,较为客观的方法有投票法,加权平均数及层次分析法构造特征判断矩阵(AHP)等方式,而本公开的实施例用使用XGBoost算法,该算法可以相对直接地得到每个子用户交互维度指标的子用户交互权重值,子用户交互权重值越高代表在预测过程中构建决策树的重要性相对越高,详细实现过程以python中的XGBoost库构造决策树的深度max_depth及最小节点的权重阈值min_child_weight等参数来估计特征对于预测性建模的重要性。具体的,通过加权求均值计算各个子用户交互维度指标值在多个决策树中的平均得分,绘制特征重要性排序分布图、进而通过在总分中的分数占比计算出各个子用户交互维度指标的子用户交互权重值,即近度子维度指标、频度子维度指标和额度子维度指标分别对应的子用户交互权重值wR、wF和wM。
根据本公开的实施例,将每个子用户交互维度指标对应的子用户交互维度指标得分和子用户交互维度指标权重值相乘,得到多个子用户交互维度指标对应的乘积,将这些乘积相加,得到最终的用户交互维度指标值,即RFM值。
根据本公开的实施例,可以根据用户交互维度指标值按照划分四分位点,将排在第二分位数之前的用户交互维度指标值对应的用户确定为目标用户,按照分位点确定目标用户,可以确保目标用户的数量不是唯一的,丰富了目标用户的群体。
根据本公开的实施例,在建立RFM模型的过程中,还可以确定预设时间段,可以在用户行为数据库中选取近半年、近1年、近3年三个时间维度上的产品交互数据作为总样本集,其中以近半年内的样本集为实验组,近1年、近3年的样本集为对照组,在每个样本集中按照时序将前70%的产品交互数据为训练集,后30%的产品交互数据为测试集。经测试集验证发现,三组不同时间维度上的样本,截取近1年内用户购买理财产品的样本数据时RFM模型AUC(ROC曲线下与坐标轴围成的面积)值最大,RFM模型效果最好;近3年内样本数据对应的RFM模型AUC值最小,效果最差。因此,可以将预设时间段确定为近1年。
根据本公开的实施例,采取有监督的卡方分箱方式,作为对分类数据的频数进行分析且具有较强统计意义,保证了离散化后的特征对异常数据不敏感,降低了模型过拟合的风险,并且,XGBoost算法考虑了训练数据为稀疏值的情况、保留原始数据的价值作用,同时XGBoost借鉴了随机森林的做法,支持列抽样,不仅能降低过拟合,还能简化计算。
图4示意性示出了根据本公开的实施例的产品推荐装置的框图。
如图4所示,产品推荐装置400包括第一获取模块410、第一确定模块420、第二确定模块430、第三确定模块440和推荐模块450。
第一获取模块410,用于响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,用户行为数据库中的目标历史数据是经过目标用户授权采集的,目标历史数据包括目标产品交互数据,目标用户是根据目标产品交互数据确定的;
第一确定模块420,用于根据目标历史数据,确定目标用户的画像评分等级;
第二确定模块430,用于根据目标产品交互数据,从产品库中确定与目标用户相匹配的目标产品;
第三确定模块440,用于根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品,其中,第一产品是产品库中除目标产品外的其他产品;
推荐模块450,用于根据画像评分等级,向目标用户推荐待推荐产品。
根据本公开的实施例,其中,用于根据目标产品与产品库中的第一产品的产品相似度,从第一产品中确定待推荐产品的第三确定模块440包括:
第一确定单元,用于根据目标产品和第一产品,分别确定目标产品的目标产品向量和第一产品的第一产品向量;
第二确定单元,用于根据目标产品向量和第一产品向量,确定目标产品与第一产品的产品相似度;
第三确定单元,用于在确定产品相似度大于预设阈值的情况下,将第一产品确定为第二产品,得到第二产品集合;
第四确定单元,用于根据目标用户与第二产品的偏好度,对第二产品进行排序,得到排序结果;
第五确定单元,用于根据排序结果,从第二产品中确定待推荐产品。
根据本公开的实施例,其中,用于根据目标历史数据,确定目标用户的画像评分等级的第一确定模块420包括:
第六确定单元,用于根据目标历史数据,确定目标用户在多个维度指标下的维度指标值;
第七确定单元,用于根据多个维度指标各自的维度指标权重,确定每个维度指标的维度指标得分值,得到多个维度指标得分值;
第八确定单元,用于基于多个维度指标得分值,确定目标用户的画像评分;
第九确定单元,用于基于画像评分,确定目标用户的画像评分等级。
根据本公开的实施例,其中,每个维度指标包括多个子维度指标;
用于根据目标历史数据,确定目标用户在多个维度指标下的维度指标值的第七确定单元包括:
第一确定子单元,用于根据目标历史数据,确定目标用户的每个维度指标的多个子维度指标各自的子维度指标值;
第二确定子单元,用于根据多个子维度指标各自的子维度指标权重,确定每个子维度指标的子维度指标得分;
第三确定子单元,用于根据多个子维度指标得分,确定目标用户在多个维度指标下的维度指标值。
根据本公开的实施例,其中,维度指标包括用户交互维度指标,用户交互维度指标包括多个子用户交互维度指标;上述装置还包括:
第二获取模块,用于从用户行为数据库中获取用户在预设时间段内的产品交互数据,其中,用户行为数据库中的产品交互数据是经过目标用户授权采集的;
第四确定模块,用于根据产品交互数据确定多个子用户交互维度指标各自的子用户交互维度指标值;
第五确定模块,用于利用卡方分箱法确定多个子用户交互维度指标值各自的子用户交互维度指标得分;
计算模块,用于利用XGboost算法计算多个子用户交互维度指标各自的子用户交互权重值;
第六确定模块,用于根据多个子用户交互维度指标得分和多个子用户交互维度指标权重值,确定用户交互维度指标的用户交互维度指标值;
第七确定模块,用于根据用户交互维度指标值,从用户中确定目标用户。
根据本公开的实施例,其中,子用户交互维度指标包括近度子维度指标、频度子维度指标和额度子维度指标,其中,近度子维度指标表征用户最近一次在金融平台发生交易的时间,频度子维度指标表征在预设时间段内用户在金融平台的交易次数,额度子维度指标表征在预设时间段内用户在金融平台的交易额。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块410、第一确定模块420、第二确定模块430、第三确定模块440和推荐模块450中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块410、第一确定模块420、第二确定模块430、第三确定模块440和推荐模块450中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块410、第一确定模块420、第二确定模块430、第三确定模块440和推荐模块450中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中产品推荐装置***部分与本公开的实施例中产品推荐方法部分是相对应的,产品推荐装置部分的描述具体参考产品推荐方法部分,在此不再赘述。
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。***500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时,该程序代码用于使计算机***实现本公开实施例所提供的产品推荐方法。
在该计算机程序被处理器501执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种产品推荐方法,包括:
响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,所述用户行为数据库中的所述目标历史数据是经过所述目标用户授权采集的,所述目标历史数据包括目标产品交互数据,所述目标用户是根据所述目标产品交互数据确定的;
根据所述目标历史数据,确定所述目标用户的画像评分等级;
根据所述目标产品交互数据,从产品库中确定与所述目标用户相匹配的目标产品;
根据所述目标产品与所述产品库中的第一产品的产品相似度,从所述第一产品中确定待推荐产品,其中,所述第一产品是所述产品库中除所述目标产品外的其他产品;
根据所述画像评分等级,向所述目标用户推荐所述待推荐产品。
2.根据权利要求1所述的方法,其中,所述根据所述目标产品与所述产品库中的第一产品的产品相似度,从所述第一产品中确定待推荐产品,包括:
根据所述目标产品和所述第一产品,分别确定所述目标产品的目标产品向量和所述第一产品的第一产品向量;
根据所述目标产品向量和所述第一产品向量,确定所述目标产品与所述第一产品的产品相似度;
在确定所述产品相似度大于预设阈值的情况下,将所述第一产品确定为第二产品,得到第二产品集合;
根据所述目标用户与所述第二产品的偏好度,对所述第二产品进行排序,得到排序结果;
根据所述排序结果,从所述第二产品中确定所述待推荐产品。
3.根据权利要求1所述的方法,其中,所述根据所述目标历史数据,确定所述目标用户的画像评分等级,包括:
根据所述目标历史数据,确定所述目标用户在多个维度指标下的维度指标值;
根据所述多个维度指标各自的维度指标权重,确定每个所述维度指标的维度指标得分值,得到多个维度指标得分值;
基于所述多个维度指标得分值,确定所述目标用户的画像评分;
基于所述画像评分,确定所述目标用户的画像评分等级。
4.根据权利要求1至3中任一项所述的方法,其中,每个所述维度指标包括多个子维度指标;
所述根据所述目标历史数据,确定所述目标用户在多个维度指标下的维度指标值,包括:
根据所述目标历史数据,确定所述目标用户的每个维度指标的所述多个子维度指标各自的子维度指标值;
根据所述多个子维度指标各自的子维度指标权重,确定每个所述子维度指标的子维度指标得分;
根据多个所述子维度指标得分,确定所述目标用户在多个维度指标下的维度指标值。
5.根据权利要求3所述的方法,所述维度指标包括用户交互维度指标,所述用户交互维度指标包括多个子用户交互维度指标;
所述方法还包括:
从所述用户行为数据库中获取用户在所述预设时间段内的产品交互数据,其中,所述用户行为数据库中的所述产品交互数据是经过所述目标用户授权采集的;
根据所述产品交互数据确定所述多个子用户交互维度指标各自的子用户交互维度指标值;
利用卡方分箱法确定多个所述子用户交互维度指标值各自的子用户交互维度指标得分;
利用XGboost算法计算多个所述子用户交互维度指标各自的子用户交互权重值;
根据多个所述子用户交互维度指标得分和多个所述子用户交互维度指标权重值,确定所述用户交互维度指标的用户交互维度指标值;
根据所述用户交互维度指标值,从所述用户中确定所述目标用户。
6.根据权利要求5所述的方法,所述子用户交互维度指标包括近度子维度指标、频度子维度指标和额度子维度指标,其中,所述近度子维度指标表征所述用户最近一次在所述金融平台发生交易的时间,所述频度子维度指标表征在所述预设时间段内所述用户在所述金融平台的交易次数,所述额度子维度指标表征在所述预设时间段内所述用户在所述金融平台的交易额。
7.一种产品推荐装置,包括:
第一获取模块,用于响应于金融平台的推荐请求,从用户行为数据库中获取目标用户在预设时间段内的目标历史数据,其中,所述用户行为数据库中的所述目标历史数据是经过所述目标用户授权采集的,所述目标历史数据包括目标产品交互数据,所述目标用户是根据所述目标产品交互数据确定的;
第一确定模块,用于根据所述目标历史数据,确定所述目标用户的画像评分等级;
第二确定模块,用于根据所述目标产品交互数据,从产品库中确定与所述目标用户相匹配的目标产品;
第三确定模块,用于根据所述目标产品与所述产品库中的第一产品的产品相似度,从所述第一产品中确定待推荐产品,其中,所述第一产品是所述产品库中除所述目标产品外的其他产品;
推荐模块,用于根据所述画像评分等级,向所述目标用户推荐所述待推荐产品。
8.一种电子设备,包括:
一个或多个处理器;
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6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007245.6A CN116308615A (zh) | 2023-01-04 | 2023-01-04 | 产品推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007245.6A CN116308615A (zh) | 2023-01-04 | 2023-01-04 | 产品推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308615A true CN116308615A (zh) | 2023-06-23 |
Family
ID=86836717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007245.6A Pending CN116308615A (zh) | 2023-01-04 | 2023-01-04 | 产品推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308615A (zh) |
-
2023
- 2023-01-04 CN CN202310007245.6A patent/CN116308615A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423365B2 (en) | Transaction card system having overdraft capability | |
JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
CN111783039B (zh) | 风险确定方法、装置、计算机***和存储介质 | |
WO2021169659A1 (zh) | 资源信息推送方法、装置、服务器及存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CA3169417A1 (en) | Method of and system for appraising risk | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
US20230162278A1 (en) | Generation and delivery of funding opportunities using artificial intelligence (ai) based techniques | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
TWI657393B (zh) | 行銷客群預測系統及其方法 | |
Parvin et al. | A machine learning-based credit lending eligibility prediction and suitable bank recommendation: an Android app for entrepreneurs | |
CN114897564A (zh) | 目标客户推荐方法及装置、电子设备和存储介质 | |
CN118211868A (zh) | 产品数据处理方法、处理装置、设备、介质和程序产品 | |
CN116304325A (zh) | 应用软件的功能推荐方法、推荐装置、设备及存储介质 | |
CN116431933A (zh) | 产品推荐方法、装置、电子设备、存储介质及程序产品 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
CN114065050A (zh) | 产品推荐的方法、***、电子设备和存储介质 |
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 |