CN117314649A - 信息处理方法、装置及电子设备 - Google Patents
信息处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117314649A CN117314649A CN202311282860.4A CN202311282860A CN117314649A CN 117314649 A CN117314649 A CN 117314649A CN 202311282860 A CN202311282860 A CN 202311282860A CN 117314649 A CN117314649 A CN 117314649A
- Authority
- CN
- China
- Prior art keywords
- account
- financial product
- product recommendation
- financial
- basic 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
- 230000010365 information processing Effects 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/52—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems during program execution, e.g. stack integrity ; Preventing unwanted data erasure; Buffer overflow
- G06F21/53—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems during program execution, e.g. stack integrity ; Preventing unwanted data erasure; Buffer overflow by executing in a restricted environment, e.g. sandbox or secure virtual machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种信息处理方法、装置及电子设备。涉及人工智能领域、金融科技领域或其他相关领域,该方法包括:接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的;在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息;基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;将第一理财产品推荐结果和第一账户分类结果发送至第一终端。通过本申请,解决了相关技术中信息处理方法存在的安全性低且检测结果准确性低的问题。
Description
技术领域
本申请涉及人工智能领域、金融科技领域或其他相关领域,具体而言,涉及一种信息处理方法、装置及电子设备。
背景技术
近年来,随着互联网的迅猛发展,数据挖掘技术发展迅速,导致传统金融机构面临严峻的挑战与冲击。而金融机构经过多年的信息***建设,积累了大量的信息,为了让信息中蕴含的巨大价值得到充分体现,金融机构开始对信息进行合理分析和利用,然而现有的信息处理方法存在安全性较低、耗费较高且收益不大、利用率较低,使得对现有高质量信息不能充分利用。
针对相关技术中信息处理方法存在的安全性低且处理结果准确性低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种信息处理方法、装置及电子设备,以解决相关技术中信息处理方法存在的安全性低且检测结果准确性低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种信息处理方法。该方法包括:接收来自于第一终端的目标账户的第一标识信息,其中,所述第一标识信息是所述第一终端对所述目标账户的初始标识信息进行加密处理得到的;在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,其中,所述第一账户基础信息至少包括所述目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,所述账户基础信息集中包括至少一个账户分别对应的账户基础信息;基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,所述第一账户分类结果为潜在账户或非潜在账户;将所述第一理财产品推荐结果和所述第一账户分类结果发送至所述第一终端。
可选地,所述第一标识信息为所述目标账户对应的第一哈希值,所述第一哈希值是对所述目标账户的初始标识信息进行哈希运算处理得到的,所述在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,包括:对所述账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集;判断所述第二哈希数据集中是否存在所述第一哈希值;若所述第二哈希数据集中存在所述第一哈希值,则从所述账户基础信息集中确定与所述第一哈希值匹配的所述第一账户基础信息。
可选地,所述基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,包括:基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果。
可选地,在所述基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果之前,所述方法还包括:获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,所述M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据;基于所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在所述可信执行环境下进行模型训练,得到所述理财产品推荐模型。
可选地,所述基于所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在所述可信执行环境下进行模型训练,得到所述理财产品推荐模型,包括:对所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,得到所述M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果;对所述M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到所述M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;对所述M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征;基于所述目标数据特征,在所述可信执行环境下对初始模型进行训练,得到所述理财产品推荐模型。
可选地,在所述初始模型为K个,K为大于或等于2的整数的情况下,所述基于所述目标数据特征,在所述可信执行环境下对初始模型进行训练,得到所述理财产品推荐模型,包括:基于所述目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及所述K个第一模型分别对应的模型准确率,其中,K为大于或等于2的整数;将所述K个第一模型中,模型准确率大于或等于第一预设值的第一模型,作为所述理财产品推荐模型。
可选地,在所述理财产品推荐模型为L个,L为大于或等于2的整数的情况下,所述基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果,包括:根据L个理财产品推荐模型分别对应的模型准确率,确定所述L个理财产品推荐模型分别对应的权重值;将所述第一账户基础信息分别输入至所述L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果;基于所述L个理财产品推荐模型分别对应的权重值,以及所述L个理财产品推荐结果,得到所述第一理财产品推荐结果;基于所述L个理财产品推荐模型分别对应的权重值,以及所述L个账户分类结果,得到所述第一账户分类结果。
可选地,在所述基于所述第一账户基础信息,采用理财产品推荐模型,得到所述目标账户对应的第一理财产品推荐结果和第一账户分类结果目标账户之后,所述方法还包括:基于所述目标账户在当前理财产品购买周期的理财产品购买金额,以及上一理财产品购买周期的理财产品购买金额,确定所述目标账户的理财金额增幅,其中,所述上一理财产品购买周期为所述当前理财产品购买周期的前一个购买周期;根据所述理财金额增幅,确定所述目标账户的理财金额增长类型;根据所述目标账户的金融资产数额,确定所述目标账户的价值类型;基于所述理财金额增长类型、所述价值类型以及所述第一账户分类结果,确定所述目标账户的第二账户分类结果。
可选地,所述根据所述理财金额增幅,确定所述目标账户的理财金额增长类型,包括:判断所述理财金额增幅是否大于预设增幅阈值;若所述理财金额增幅大于所述预设增幅阈值,则确定所述理财金额增长类型为高增长账户;若所述理财金额增幅小于或等于所述预设增幅阈值,则确定所述理财金额增长类型为低增长账户;所述根据所述目标账户的金融资产数额,确定所述目标账户的价值类型,包括:判断所述金融资产数额是否大于预设资产阈值;若所述金融资产数额大于所述预设资产阈值,则确定所述价值类型为高价值账户;若所述金融资产数额小于或等于所述预设资产阈值,则确定所述价值类型为基础账户。
为了实现上述目的,根据本申请的另一方面,提供了一种信息处理装置。该装置包括:第一接收模块,用于接收来自于第一终端的目标账户的第一标识信息,其中,所述第一标识信息是所述第一终端对所述目标账户的初始标识信息进行加密处理得到的;第一匹配模块,用于在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,其中,所述第一账户基础信息至少包括所述目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,所述账户基础信息集中包括至少一个账户分别对应的账户基础信息;第一分类模块,用于基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,所述第一账户分类结果为潜在账户或非潜在账户;第一发送模块,用于将所述第一理财产品推荐结果和所述第一账户分类结果发送至所述第一终端。
为了实现上述目的,根据本申请的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述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任意一项上述的信息处理方法。
通过本申请,采用以下步骤:接收来自于第一终端的目标账户的第一标识信息,其中,所述第一标识信息是所述第一终端对所述目标账户的初始标识信息进行加密处理得到的;在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,其中,所述第一账户基础信息至少包括所述目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,所述账户基础信息集中包括至少一个账户分别对应的账户基础信息;基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,所述第一账户分类结果为潜在账户或非潜在账户;将所述第一理财产品推荐结果和所述第一账户分类结果发送至所述第一终端,达到了基于第一账户基础信息,采用理财产品推荐模型,安全、准确地得到第一理财产品推荐结果和第一账户分类结果的目的,解决了相关技术中信息处理方法存在的安全性低且检测结果准确性低的问题。进而达到了提升信息处理方法的安全性和准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的信息处理方法的流程图;
图2是根据本申请实施例的一种可选的可信执行环境的示意图;
图3是根据本申请实施例的一种可选的理财产品推荐模型的训练流程图;
图4是根据本申请实施例提供的信息处理装置的示意图;
图5是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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一部分的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
隐私求交(Private set Intersection,PSI)算法:是一种用于保护数据隐私的安全计算方法,它允许两个参与方在不暴露各自的私有数据的情况下,确定两个数据集之间的共同元素。由于数据被加密处理,参与方无法直接获得对方的私有数据,只能通过比对加密标签来获取共同元素的信息。这样可以保护数据的隐私,同时实现数据的比对功能。
可信执行环境:是计算平台上由软硬件方法构建的一个安全区域,其基本思想是:在硬件中,为敏感数据单独分配一块隔离的内存,所有敏感数据的计算均在这块内存中进行,并且除了经过授权的接口外,硬件中的其他部分不能访问这块隔离的内存中的信息,以此来实现敏感数据的隐私计算。
需要说明的是,本申请所涉及的相关信息(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。
下面结合优选的实施步骤对本申请进行说明,图1是根据本申请实施例提供的信息处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的。
可选地,图2是根据本申请实施例的一种可选的可信执行环境的示意图,如图2所示,第一终端为第一金融机构是计算发起方,第二终端为第二金融机构是委托计算方和算法提供方。在接收来自于第一终端的目标账户的第一标识信息之前,第一终端发起理财产品推荐,以及账户分类的需求,并将任务需求描述提供给第二终端;第二终端远程认证第一终端的可信执行环境是否满足预设环境条件,即具备一定的安全性、可靠性和可信度,能够保证所执行的操作和处理的数据的真实性、完整性和保密性,并加密提供算法程序;第一终端认证第二终端的可信执行环境是否满足预设环境条件,以及算法是否满足预设条件,验证通过后发起理财产品推荐,以及账户分类的请求;第一终端对目标账户的初始标识信息进行哈希运算,得到第一哈希值,将第一哈希值通过可信通道发送至第二终端。通过以上方式,使得第二终端无法看到第一终端的目标账户信息,能够确保第一终端的目标账户信息的安全性与保密性。
步骤S102,在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息。
可选地,账户画像数据可以包括身份属性、社会属性、登记信息、信用属性、产品偏好、消费特征、客户价值等,理财产品购买行为数据可以包括理财产品购买频率、购买期限、购买金额等,理财产品特征数据可以包括理财产品的风险等级、募集方式、理财产品开放形态、投资性质等。仍如图2所示,第二终端在预设的可信执行环境下,利用隐私求交算法从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息。通过在可信执行环境下的隐私求交算法,使得第一终端无法看到第二终端的账户基础信息集,确保了第二终端的账户基础信息集的安全性;提高信息匹配处理的安全性,实现了在保护账户信息隐私的前提下,进行账户信息的匹配处理。
在一种可选的实施例中,第一标识信息为目标账户对应的第一哈希值,第一哈希值是对目标账户的初始标识信息进行哈希运算处理得到的,在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,包括:对账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集;判断第二哈希数据集中是否存在第一哈希值;若第二哈希数据集中存在第一哈希值,则从账户基础信息集中确定与第一哈希值匹配的第一账户基础信息。
可选地,第二终端对账户基础信息集中包括的账户基础信息分别利用预设哈希函数进行哈希运算处理,得到第二哈希数据集。基于相同哈希函数,由于不同的输入数据能够生成不同的哈希值,而相同的输入数据能够生成相同的哈希值,因此判断第二哈希数据集中是否存在第一哈希值;若第二哈希数据集中存在第一哈希值,则从账户基础信息集中确定与第一哈希值匹配的第一账户基础信息。通过以上方式,可以实现在不共享两个终端原始数据的情况下,确定出账户信息之间的交集,使得账户信息的隐私得到了保护。
步骤S103,基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户。
可选地,第一账户基础信息包括的目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据。基于第一账户基础信息,在可信执行环境下可以确定出目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中第一理财产品推荐结果为高风险(不推荐)与低风险(推荐),第一账户分类结果为潜在账户或非潜在账户。
在一种可选的实施例中,基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,包括:基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果。
可选地,理财产品推荐模型可以为决策树模型、分类模型、聚类模型、关联规则模型、神经网络模型等。例如,若使用决策树模型,则能够将现有的账户分出不同的账户群组,输出第一理财产品推荐结果以及是否潜在账户,判断账户年龄是否小于30岁,若小于30岁则判断是否使用***消费,若使用则为潜在账户,若不使用则判断该账户购买理财产品的风险,若为高风险则不推荐购买,若为低风险则推荐购买。仍如图2所示,第二终端提供理财产品推荐模型,并在可信执行环境下执行。通过在可信执行环境下执行理财产品推荐模型,可以保证该算法程序的安全性。
在一种可选的实施例中,在基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果之前,方法还包括:获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据;基于M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在可信执行环境下进行模型训练,得到理财产品推荐模型。
可选地,如图3是根据本申请实施例的一种可选的理财产品推荐模型的训练流程图,如图3所示,首先获取M个账户分别对应的账户基础信息中包括的账户画像数据、理财产品购买行为数据,基于M个账户分别对应的账户基础信息以及理财产品特征数据、理财产品推荐结果和账户分类结果,在可信执行环境下进行模型训练,得到理财产品推荐模型。采用可信执行环境,使得运行环境更为安全,确保了账户数据的安全。
在一种可选的实施例中,基于M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在可信执行环境下进行模型训练,得到理财产品推荐模型,包括:对M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,得到M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果;对M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;对M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征;基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型。
可选地,仍如图3所示,数据经过数据整合、数据预处理、特征工程后输入模型中进行训练,具体的,M个账户分别对应的账户初始基础信息可以与M个账户分别对应的标识信息进行匹配整合,得到M个账户分别对应的账户基础信息;对M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,其中预处理可以为数据清洗处理、数据去重处理、数据标准化处理,得到处理后的账户基础信息、理财产品推荐结果和账户分类结果;对处理后的账户基础信息、理财产品推荐结果和账户分类结果利用特征提取模型进行特征提取处理,得到M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;对以上三种特征进行融合处理,得到融合后的目标数据特征;基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型。
在一种可选的实施例中,在初始模型为K个,K为大于或等于2的整数的情况下,基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型,包括:基于目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及K个第一模型分别对应的模型准确率,其中,K为大于或等于2的整数;将K个第一模型中,模型准确率大于或等于第一预设值的第一模型,作为理财产品推荐模型。
可选地,仍如图3所示,将目标数据特征输入至多种初始模型中进行模型算法的选择,经过模型构建,模型优化与评价后,完成数据挖掘的过程,得到理财产品推荐模型。具体的,若初始模型为K个,则基于目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及K个第一模型分别对应的模型准确率,将K个第一模型中,模型准确率最高的第一模型,作为理财产品推荐模型。
在一种可选的实施例中,在理财产品推荐模型为L个,L为大于或等于2的整数的情况下,基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果,包括:根据L个理财产品推荐模型分别对应的模型准确率,确定L个理财产品推荐模型分别对应的权重值;将第一账户基础信息分别输入至L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果;基于L个理财产品推荐模型分别对应的权重值,以及L个理财产品推荐结果,得到第一理财产品推荐结果;基于L个理财产品推荐模型分别对应的权重值,以及L个账户分类结果,得到第一账户分类结果。
可选地,若理财产品推荐模型为L个,则根据L个理财产品推荐模型分别对应的模型准确率,确定L个理财产品推荐模型分别对应的权重值,将第一账户基础信息分别输入至L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果,根据L个理财产品推荐模型分别对应的权重值,以及L个理财产品推荐结果,得到第一理财产品推荐结果,根据L个理财产品推荐模型分别对应的权重值,以及L个账户分类结果,得到第一账户分类结果。通过给不同的理财产品推荐模型赋予不同的权重,可以根据其准确率来调整不同模型的影响力,以便更准确地得到第一理财产品推荐结果与第一账户分类结果。
在一种可选的实施例中,在基于第一账户基础信息,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果目标账户之后,方法还包括:基于目标账户在当前理财产品购买周期的理财产品购买金额,以及上一理财产品购买周期的理财产品购买金额,确定目标账户的理财金额增幅,其中,上一理财产品购买周期为当前理财产品购买周期的前一个购买周期;根据理财金额增幅,确定目标账户的理财金额增长类型;根据目标账户的金融资产数额,确定目标账户的价值类型;基于理财金额增长类型、价值类型以及第一账户分类结果,确定目标账户的第二账户分类结果。
可选地,可以根据目标账户在本月的理财产品购买金额,以及上个月的理财产品购买金额,确定目标账户每个月理财金额增幅,再根据该增幅,确定目标账户的理财金额增长类型;根据目标账户的金融资产数额,确定目标账户的价值类型。基于理财金额增长类型、价值类型以及第一账户分类结果,确定目标账户的第二账户分类结果,也可以确定理财金额增长类型对应的第一权重值,价值类型对应的第二权重值,以及第一账户分类结果对应的第三权重值,基于理财金额增长类型、价值类型、第一账户分类结果、第一权重值、第二权重值以及第三权重值,确定第二账户分类结果。通过为理财金额增幅、价值类型、第一账户分类结果设置权重值,以更好地捕捉对账户分类的关键因素,以便更准确地得出第二账户分类结果。
在一种可选的实施例中,根据理财金额增幅,确定目标账户的理财金额增长类型,包括:判断理财金额增幅是否大于预设增幅阈值;若理财金额增幅大于预设增幅阈值,则确定理财金额增长类型为高增长账户;若理财金额增幅小于或等于预设增幅阈值,则确定理财金额增长类型为低增长账户;根据目标账户的金融资产数额,确定目标账户的价值类型,包括:判断金融资产数额是否大于预设资产阈值;若金融资产数额大于预设资产阈值,则确定价值类型为高价值账户;若金融资产数额小于或等于预设资产阈值,则确定价值类型为基础账户。
可选地,判断理财金额增幅是否大于预设增幅阈值,其中,预设增幅阈值可以为20%,若理财金额增幅大于20%,则为高增长账户;若理财金额增幅小于或等于20%,则为低增长账户。判断金融资产数额是否大于预设资产阈值,其中预设资产阈值可以为100万,若金融资产数额大于100万,则为高价值账户;若金融资产数额小于或等于100万,则为基础账户。
步骤S104,将第一理财产品推荐结果和第一账户分类结果发送至第一终端。
可选地,将第一理财产品推荐结果和第一账户分类结果通过可信通道发送至第一终端后,第一终端可以根据第一理财产品推荐结果和第一账户分类结果,结合第二终端自身现有的业务逻辑给出最终的目标账户推荐结果,其中,业务逻辑可以为:上班族或账户储蓄金额较高的客户往往更懂得合理配置资产及规避风险,更关注高收益、较高风险等级的产品;而对于有稳定收入,每月定期缴房贷、车贷的上班族,他们的资金流动性差,因此更关注收益稳定的理财产品。第一终端再将最终目标账户推荐结果完成信息匹配并返回到业务***,供业务经理参考。
通过上述步骤S101至步骤S104,可以达到基于第一账户基础信息,采用理财产品推荐模型,安全、准确地得到第一理财产品推荐结果和第一账户分类结果的目的,解决相关技术中信息处理方法存在的安全性低且检测结果准确性低的问题。进而达到提升信息处理方法的安全性和准确性的效果。
基于上述实施例和可选实施例,本申请提出一种可选实施方式,该方法包括模型训练阶段和模型应用阶段,其中:
理财产品推荐模型的训练通过如下方式实现:
步骤S11,获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据。
步骤S12,对M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理。
步骤S13,对M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征。
步骤S14,对M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征。
步骤S15,基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型。
模型应用阶段通过如下方式实现:
步骤S21,接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息为目标账户对应的第一哈希值,第一哈希值是对目标账户的初始标识信息进行哈希运算处理得到的。
步骤S22,对账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集。
步骤S23,判断第二哈希数据集中是否存在第一哈希值。
步骤S24,若第二哈希数据集中存在第一哈希值,则从账户基础信息集中确定与第一哈希值匹配的第一账户基础信息。
步骤S25,基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果。
步骤S26,将第一理财产品推荐结果和第一账户分类结果发送至第一终端。
本申请实施例至少可以实现如下技术效果:保证了账户信息的安全性;提前精准定位潜在账户,对潜在客户进行细分。例如,在现有账户中精准定位了具有理财产品购买意向,但未购买过金融产品的账户群,根据产品类型将账户划分成不同账户群,向不同账户群推荐相对应的理财产品,极大的提高了理财产品推荐的准确性,降低了营销成本。
基于上述实施例和可选实施例,本申请提出另一种可选实施方式,该方法包括如下步骤:
步骤S201,第一终端将目标账户的第一标识信息发送至第二终端;
步骤S202,第二终端在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息;
步骤S203,第二终端基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;
步骤S204,第二终端将第一理财产品推荐结果和第一账户分类结果发送至第一终端。
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。仍需要说明的是,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。
本申请实施例还提供了一种信息处理装置,需要说明的是,本申请实施例的信息处理装置可以用于执行本申请实施例所提供的用于信息处理方法。以下对本申请实施例提供的信息处理装置进行介绍。
图4是根据本申请实施例的信息处理装置的示意图。如图4所示,该装置包括:第一接收模块401、第一匹配模块402、第一分类模块403、第一发送模块404,其中,
第一接收模块401,用于接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的;
第一匹配模块402,连接于第一接收模块401,用于在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息;
第一分类模块403,连接于第一匹配模块402,用于基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;
第一发送模块404,连接于第一分类模块403,用于将第一理财产品推荐结果和第一账户分类结果发送至第一终端。
本申请中,通过设置第一接收模块401,用于接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的;第一匹配模块402,用于在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息;第一分类模块403,用于基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;第一发送模块404,用于将第一理财产品推荐结果和第一账户分类结果发送至第一终端。达到了基于第一账户基础信息,采用理财产品推荐模型,安全、准确地得到第一理财产品推荐结果和第一账户分类结果的目的,解决了相关技术中信息处理方法存在的安全性低且检测结果准确性低的问题。进而达到了提升信息处理方法的安全性和准确性的效果。
在一种可选的实施例中,上述第一匹配模块,包括:第一处理子模块,用于对账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集;第一判断子模块,用于判断第二哈希数据集中是否存在第一哈希值;第一确定子模块,用于若第二哈希数据集中存在第一哈希值,则从账户基础信息集中确定与第一哈希值匹配的第一账户基础信息。
在一种可选的实施例中,上述第一分类模块,包括:第二确定子模块,用于基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果。
在一种可选的实施例中,上述装置还包括:第一获取子模块,用于获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据;第三确定子模块,用于基于M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在可信执行环境下进行模型训练,得到理财产品推荐模型。
在一种可选的实施例中,上述第三确定子模块,包括:第二处理子模块,用于对M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,得到M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果;第三处理子模块,用于对M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;第四处理子模块,用于对M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征;第四确定子模块,用于基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型。
在一种可选的实施例中,上述第四确定子模块,包括:第一训练子模块,用于基于目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及K个第一模型分别对应的模型准确率,其中,K为大于或等于2的整数;第五确定子模块,用于将K个第一模型中,模型准确率大于或等于第一预设值的第一模型,作为理财产品推荐模型。
在一种可选的实施例中,上述第二确定子模块,包括:第六确定子模块,用于根据L个理财产品推荐模型分别对应的模型准确率,确定L个理财产品推荐模型分别对应的权重值;第一输入子模块,用于将第一账户基础信息分别输入至L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果;第七确定子模块,用于基于L个理财产品推荐模型分别对应的权重值,以及L个理财产品推荐结果,得到第一理财产品推荐结果;第八确定子模块,用于基于L个理财产品推荐模型分别对应的权重值,以及L个账户分类结果,得到第一账户分类结果。
在一种可选的实施例中,上述装置还包括:第九确定子模块,用于基于目标账户在当前理财产品购买周期的理财产品购买金额,以及上一理财产品购买周期的理财产品购买金额,确定目标账户的理财金额增幅,其中,上一理财产品购买周期为当前理财产品购买周期的前一个购买周期;第十确定子模块,用于根据理财金额增幅,确定目标账户的理财金额增长类型;第十一确定子模块,用于根据目标账户的金融资产数额,确定目标账户的价值类型;第十二确定子模块,用于基于理财金额增长类型、价值类型以及第一账户分类结果,确定目标账户的第二账户分类结果。
在一种可选的实施例中,上述第十确定子模块,包括:第二判断子模块,用于判断理财金额增幅是否大于预设增幅阈值;第十三确定子模块,用于若理财金额增幅大于预设增幅阈值,则确定理财金额增长类型为高增长账户;第十四确定子模块,用于若理财金额增幅小于或等于预设增幅阈值,则确定理财金额增长类型为低增长账户;在一种可选的实施例中,上述第十一确定子模块,包括:第三判断子模块,用于判断金融资产数额是否大于预设资产阈值;第十五确定子模块,用于若金融资产数额大于预设资产阈值,则确定价值类型为高价值账户;第十六确定子模块,用于若金融资产数额小于或等于预设资产阈值,则确定价值类型为基础账户。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一接收模块401、第一匹配模块402、第一分类模块403、第一发送模块404对应于实施例中的步骤S101至步骤S104,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述信息处理装置包括处理器和存储器,上述单元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。
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(本申请的目的)。
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。
本申请实施例提供了一种非易失性存储介质,其上存储有程序,该程序被处理器执行时实现上述信息处理方法。
本申请实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述信息处理方法。
如图5所示,本申请实施例提供了一种电子设备,该电子设备10包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的;在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息;基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;将第一理财产品推荐结果和第一账户分类结果发送至第一终端。本文中的设备可以是服务器、PC、PAD、手机等。
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:接收来自于第一终端的目标账户的第一标识信息,其中,第一标识信息是第一终端对目标账户的初始标识信息进行加密处理得到的;在预设的可信执行环境下,从账户基础信息集中确定与第一标识信息匹配的第一账户基础信息,其中,第一账户基础信息至少包括目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,账户基础信息集中包括至少一个账户分别对应的账户基础信息;基于第一账户基础信息,在可信执行环境下确定目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,第一账户分类结果为潜在账户或非潜在账户;将第一理财产品推荐结果和第一账户分类结果发送至第一终端。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:对账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集;判断第二哈希数据集中是否存在第一哈希值;若第二哈希数据集中存在第一哈希值,则从账户基础信息集中确定与第一哈希值匹配的第一账户基础信息。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:基于第一账户基础信息,在可信执行环境下,采用理财产品推荐模型,得到目标账户对应的第一理财产品推荐结果和第一账户分类结果。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据;基于M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在可信执行环境下进行模型训练,得到理财产品推荐模型。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:对M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,得到M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果;对M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;对M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征;基于目标数据特征,在可信执行环境下对初始模型进行训练,得到理财产品推荐模型。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:基于目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及K个第一模型分别对应的模型准确率,其中,K为大于或等于2的整数;将K个第一模型中,模型准确率大于或等于第一预设值的第一模型,作为理财产品推荐模型。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:根据L个理财产品推荐模型分别对应的模型准确率,确定L个理财产品推荐模型分别对应的权重值;将第一账户基础信息分别输入至L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果;基于L个理财产品推荐模型分别对应的权重值,以及L个理财产品推荐结果,得到第一理财产品推荐结果;基于L个理财产品推荐模型分别对应的权重值,以及L个账户分类结果,得到第一账户分类结果。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:基于目标账户在当前理财产品购买周期的理财产品购买金额,以及上一理财产品购买周期的理财产品购买金额,确定目标账户的理财金额增幅,其中,上一理财产品购买周期为当前理财产品购买周期的前一个购买周期;根据理财金额增幅,确定目标账户的理财金额增长类型;根据目标账户的金融资产数额,确定目标账户的价值类型;基于理财金额增长类型、价值类型以及第一账户分类结果,确定目标账户的第二账户分类结果。
可选地,上述计算机程序产品还适于执行初始化有如下方法步骤的程序:判断理财金额增幅是否大于预设增幅阈值;若理财金额增幅大于预设增幅阈值,则确定理财金额增长类型为高增长账户;若理财金额增幅小于或等于预设增幅阈值,则确定理财金额增长类型为低增长账户;判断金融资产数额是否大于预设资产阈值;若金融资产数额大于预设资产阈值,则确定价值类型为高价值账户;若金融资产数额小于或等于预设资产阈值,则确定价值类型为基础账户。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种信息处理方法,其特征在于,包括:
接收来自于第一终端的目标账户的第一标识信息,其中,所述第一标识信息是所述第一终端对所述目标账户的初始标识信息进行加密处理得到的;
在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,其中,所述第一账户基础信息至少包括所述目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,所述账户基础信息集中包括至少一个账户分别对应的账户基础信息;
基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,所述第一账户分类结果为潜在账户或非潜在账户;
将所述第一理财产品推荐结果和所述第一账户分类结果发送至所述第一终端。
2.根据权利要求1所述的方法,其特征在于,所述第一标识信息为所述目标账户对应的第一哈希值,所述第一哈希值是对所述目标账户的初始标识信息进行哈希运算处理得到的,所述在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,包括:
对所述账户基础信息集中包括的账户基础信息分别进行哈希运算处理,得到第二哈希数据集;
判断所述第二哈希数据集中是否存在所述第一哈希值;
若所述第二哈希数据集中存在所述第一哈希值,则从所述账户基础信息集中确定与所述第一哈希值匹配的所述第一账户基础信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,包括:
基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果。
4.根据权利要求3所述的方法,其特征在于,在所述基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果之前,所述方法还包括:
获取M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,其中,所述M个账户分别对应的账户基础信息至少包括:对应账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据;
基于所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在所述可信执行环境下进行模型训练,得到所述理财产品推荐模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果,在所述可信执行环境下进行模型训练,得到所述理财产品推荐模型,包括:
对所述M个账户分别对应的账户基础信息、理财产品推荐结果和账户分类结果进行预处理,得到所述M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果;
对所述M个账户分别对应的处理后的账户基础信息、理财产品推荐结果和账户分类结果进行特征提取处理,得到所述M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征;
对所述M个账户分别对应的账户基础特征、理财产品特征、以及账户行为特征进行融合处理,得到融合后的目标数据特征;
基于所述目标数据特征,在所述可信执行环境下对初始模型进行训练,得到所述理财产品推荐模型。
6.根据权利要求5所述的方法,其特征在于,在所述初始模型为K个,K为大于或等于2的整数的情况下,所述基于所述目标数据特征,在所述可信执行环境下对初始模型进行训练,得到所述理财产品推荐模型,包括:
基于所述目标数据特征分别对K个初始模型进行训练,得到K个第一模型,以及所述K个第一模型分别对应的模型准确率,其中,K为大于或等于2的整数;
将所述K个第一模型中,模型准确率大于或等于第一预设值的第一模型,作为所述理财产品推荐模型。
7.根据权利要求3所述的方法,其特征在于,在所述理财产品推荐模型为L个,L为大于或等于2的整数的情况下,所述基于所述第一账户基础信息,在所述可信执行环境下,采用理财产品推荐模型,得到所述目标账户对应的所述第一理财产品推荐结果和所述第一账户分类结果,包括:
根据L个理财产品推荐模型分别对应的模型准确率,确定所述L个理财产品推荐模型分别对应的权重值;
将所述第一账户基础信息分别输入至所述L个理财产品推荐模型,得到L个理财产品推荐结果,以及L个账户分类结果;
基于所述L个理财产品推荐模型分别对应的权重值,以及所述L个理财产品推荐结果,得到所述第一理财产品推荐结果;
基于所述L个理财产品推荐模型分别对应的权重值,以及所述L个账户分类结果,得到所述第一账户分类结果。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,在所述基于所述第一账户基础信息,采用理财产品推荐模型,得到所述目标账户对应的第一理财产品推荐结果和第一账户分类结果目标账户之后,所述方法还包括:
基于所述目标账户在当前理财产品购买周期的理财产品购买金额,以及上一理财产品购买周期的理财产品购买金额,确定所述目标账户的理财金额增幅,其中,所述上一理财产品购买周期为所述当前理财产品购买周期的前一个购买周期;
根据所述理财金额增幅,确定所述目标账户的理财金额增长类型;
根据所述目标账户的金融资产数额,确定所述目标账户的价值类型;
基于所述理财金额增长类型、所述价值类型以及所述第一账户分类结果,确定所述目标账户的第二账户分类结果。
9.根据权利要求8所述的方法,其特征在于,
所述根据所述理财金额增幅,确定所述目标账户的理财金额增长类型,包括:
判断所述理财金额增幅是否大于预设增幅阈值;若所述理财金额增幅大于所述预设增幅阈值,则确定所述理财金额增长类型为高增长账户;若所述理财金额增幅小于或等于所述预设增幅阈值,则确定所述理财金额增长类型为低增长账户;
所述根据所述目标账户的金融资产数额,确定所述目标账户的价值类型,包括:判断所述金融资产数额是否大于预设资产阈值;若所述金融资产数额大于所述预设资产阈值,则确定所述价值类型为高价值账户;若所述金融资产数额小于或等于所述预设资产阈值,则确定所述价值类型为基础账户。
10.一种信息处理装置,其特征在于,包括:
第一接收模块,用于接收来自于第一终端的目标账户的第一标识信息,其中,所述第一标识信息是所述第一终端对所述目标账户的初始标识信息进行加密处理得到的;
第一匹配模块,用于在预设的可信执行环境下,从账户基础信息集中确定与所述第一标识信息匹配的第一账户基础信息,其中,所述第一账户基础信息至少包括所述目标账户的账户画像数据、理财产品购买行为数据以及理财产品特征数据,所述账户基础信息集中包括至少一个账户分别对应的账户基础信息;
第一分类模块,用于基于所述第一账户基础信息,在所述可信执行环境下确定所述目标账户对应的第一理财产品推荐结果和第一账户分类结果,其中,所述第一账户分类结果为潜在账户或非潜在账户;
第一发送模块,用于将所述第一理财产品推荐结果和所述第一账户分类结果发送至所述第一终端。
11.一种电子设备,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9中任意一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282860.4A CN117314649A (zh) | 2023-09-28 | 2023-09-28 | 信息处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282860.4A CN117314649A (zh) | 2023-09-28 | 2023-09-28 | 信息处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314649A true CN117314649A (zh) | 2023-12-29 |
Family
ID=89288016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311282860.4A Pending CN117314649A (zh) | 2023-09-28 | 2023-09-28 | 信息处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314649A (zh) |
-
2023
- 2023-09-28 CN CN202311282860.4A patent/CN117314649A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109716707B (zh) | 分布式电子记录和交易历史的服务器设备和方法 | |
US11625730B2 (en) | Synthetic online entity detection | |
US11546373B2 (en) | Cryptocurrency based malware and ransomware detection systems and methods | |
US11468448B2 (en) | Systems and methods of providing security in an electronic network | |
EP3646219B1 (en) | Detecting synthetic online entities facilitated by primary entities | |
US11855994B2 (en) | System and method for aggregating client data and cyber data for authentication determinations | |
CN111008709A (zh) | 联邦学习、资料风险评估方法、装置和*** | |
CN107169499B (zh) | 一种风险识别方法及装置 | |
CN105337928B (zh) | 用户身份识别方法、安全保护问题生成方法及装置 | |
CN112685774B (zh) | 基于大数据和区块链金融的支付数据处理方法及云服务器 | |
US11985153B2 (en) | System and method for detecting anomalous activity based on a data distribution | |
CN111160572A (zh) | 一种基于多标签的联邦学习方法、装置和*** | |
CA3233934A1 (en) | Data compression techniques for machine learning models | |
US20230262059A1 (en) | System and methods for secure validation of unrestricted resource distribution | |
CN113570373B (zh) | 一种基于区块链的可追责交易方法及*** | |
CN115907953A (zh) | 车贷方案推荐方法、装置、电子设备及计算机存储介质 | |
CN107423982B (zh) | 基于账户的业务实现方法和装置 | |
CN117314649A (zh) | 信息处理方法、装置及电子设备 | |
CA3131616A1 (en) | System and method for detecting anomalous activity based on a data distribution | |
US20200134623A1 (en) | Methods and systems for implementing credit card with multiple rule based authentications | |
US20240086923A1 (en) | Entity profile for access control | |
KR102409019B1 (ko) | 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 | |
CN111797126B (zh) | 数据的处理方法、装置及设备 | |
CN111327572B (zh) | 账户行为识别方法、设备及存储介质 | |
CN115601157A (zh) | 一种额度处理方法、装置、电子设备及计算机可读介质 |
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 |