CN117407583A - 推荐方法、装置及电子设备、存储介质 - Google Patents
推荐方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN117407583A CN117407583A CN202311286833.4A CN202311286833A CN117407583A CN 117407583 A CN117407583 A CN 117407583A CN 202311286833 A CN202311286833 A CN 202311286833A CN 117407583 A CN117407583 A CN 117407583A
- Authority
- CN
- China
- Prior art keywords
- user
- financial product
- financial
- recommendation
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000008520 organization Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种推荐方法、装置及电子设备、存储介质,所述方法包括:获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。通过本申请基于企业内个人社交关系实现理财产品的智能推荐。本申请可用于金融产品的推荐。
Description
技术领域
本申请涉及内容推荐技术领域,尤其涉及一种推荐方法、装置及电子设备、存储介质。
背景技术
随着互联网金融的发展,目前各大手机银行已经基本覆盖了消费、生活、理财等场景,丰富的场景一定程度保持了与用户关系链接的黏性。
在理财场景中,相关的推荐算法大多基于用户习惯或用户画像,对社交关系图谱考虑不足。
发明内容
本申请实施例提供了一种推荐方法、装置及电子设备、存储介质,以通过企业内个人社交关系实现理财产品的智能推荐。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种推荐方法,其中,所述方法包括:
获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
在一些实施例中,所述方法还包括:
根据所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,确定所述第一用户与所述第二用户之间的工作圈影响度;
和/或,
根据所述第二用户的职级以及所述第二用户的管理人数,确定所述第二用户的职级影响度。
在一些实施例中,所述方法还包括:
所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,与所述第二用户对所述第一用户造成的工作圈影响度呈反比;
所述第二用户的职级以及所述第二用户的管理人数,分别与所述第二用户的职级影响度呈正比。
在一些实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的理财产品生成理财产品推荐候选集合,其中所述候选集包括第一用户、第二用户购买的理财产品;
根据所述理财产品推荐候选集合,生成用户的理财产品购买向量以及理财产品持仓比例向量、理财产品点击向量、理财产品收藏向量;
分别计算所述理财产品购买向量的相似度以及所述理财产品持仓比例向量的相似度、所述理财产品点击向量的相似度、所述理财产品收藏向量的相似度,得到理财产品的总相似度,计算出所述理财产品的第一推荐分值,其中所述理财产品的总相似度中的相似度权重由高至低排序为购买、持仓比例、收藏、点击。
在一些实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的职位信息,得到第一用户所在公司的组织架构;
根据所述组织架构建立的多叉树,计算两个节点之间的最近公共祖先节点,其中所述多叉树中的根节点为公司负责人,每个父节点的子节点是其下属,子节点为员工节点;
计算所述员工节点到最近公共祖先的节点距离,并从公共祖先节点开始层次遍历找到员工节点,将遍历深度作为节点距离,两个员工节点之间的距离相加得到员工间的节点距离;
根据员工间的节点最大距离,确定最终的工作圈影响权重;
根据所述最终的工作圈影响权重,计算出所述理财产品的第二推荐分值。
在一些实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的职位信息中的职级,根据职级影响度P(第二用户)=第二用户下属员工个数+同职级下下属员工个数均值)/2,计算员工的职级影响度;
根据所述职级影响度,确定最终的职级影响权重;
根据所述最终的职级影响权重,计算出所述理财产品的第三推荐分值。
在一些实施例中,所述第一用户作为待推荐用户,根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品,包括:
初始化所述理财产品的推荐分值以及所述第一用户所在公司中所有员工信息;
遍历所有员工,计算第二用户对第一用户的理财产品分影响:M(第二用户,第一用户)=a*S(第二用户,第一用户)+b*D(第二用户,第一用户)+c*P(第二用户))*V(第二用户),并更新第一用户的理财产品分:T(第一用户)=T(第一用户)+M(第二用户,第一用户),其中,S(第二用户,第一用户)为理财产品的总相似度,D(第二用户,第一用户)为工作圈影响权重,P(第二用户)为职级影响权重,所述a,b,c为设定参数,所述a,所述b,所述c均与权重相关;
当遍历完所有员工后,得到第一用户最终的理财产品推荐分向量T(第二用户),用以向所述第一用户推荐所述理财产品。
第二方面,本申请实施例还提供推荐装置,其中,所述装置包括:
获取模块,用于获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
计算模块,用于根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
推荐模块,用于根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
第三方面,本申请实施例还提供一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行上述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:获取第一用户所在公司中第二用户的职位信息和理财产品。由于所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构,所以可以第二用户的职位信息和理财产品计算出理财产品的推荐分值。最后,根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。通过综合考虑理财理念、组织架构(同组、上下级)、职级维度对推荐的影响,从而实现精准营销,可提高理财产品的售卖概率,以增加营收。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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为本申请实施例中推荐方法流程示意图;
图2为本申请实施例中推荐装置结构示意图;
图3本申请实施例中推荐方法的组织架构原理图;
图4为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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他实施例,都属于本申请保护的范围。
发明人研究时发现,理财产品推荐的模式主要有以下方式:
方式一:根据用户画像、用户群画像推荐理财产品。用户标签画像提供探索用户特征及画像的能力,可完成对用户的识别、聚类和细分,通过历史特征变化查看用户全生命周期的演变过程,主要功能包含用户分群、用户群画像和用户标签管理。用户分群,即用户信息标签化,通过分析用户的历史行为路径、行为特征、偏好等属性,可以将具有相同属性的用户划分为一个群体,并进行后续分析。用户群画像分析是对一个指定用户群,通过可视化的方式,展示出人群的标签分布和行为特征数据。
方式二:基于理财产品的协同过滤算法推荐产品。根据用户已经购买的理财产品,通过协同过滤、矩阵分解、embedding解析计算得到相似度矩阵,从相似度矩阵中寻找相同特征的产品可能存在的推荐关系,经过数据清洗和特征工程后进入排序模型,得到更精准的推荐信息。
方式三:基于金融机构理财产品榜单推荐,金融机构理财产品榜单包括基金产品、理财产品、保险产品销售榜单、热搜榜单等。
在方式一中根据用户画像、用户群画像,向客户推荐预设的理财产品类型。推荐时只考虑了用户所在画像群购买的理财产品,未考虑自己的社交网络熟人购买了哪些理财产品。在方式二中采取基于产品的协同过滤算法,存在理财产品推荐的冷启动问题。
本申请的实施例中根据企业社交关系网络提供了推荐算法。并且当遇到冷启动问题,即用户不存在历史购买记录时,由于在实际推荐算法的应用中可能是多种推荐算法综合计算后的结果,可先用本申请的推荐算法化解冷启动问题后,再结合其他推荐算法综合使用。
因此,本申请的实施例中提出了一种从对公客户应用程序的企业内员工社交关系映射到个人手机银行的理财产品推荐方案。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种推荐方法,如图1所示,提供了本申请实施例中推荐方法流程示意图,所述方法至少包括如下的步骤S110至步骤S130:
步骤S110,获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构。
第一用户是指待进行理财推荐的用户。第二用户是指在第一用户所在公司且属于公司中的组织结构中的成员。也就是说,通过第一用户获取得到其所在公司中第二用户的职位信息和第二用户购买理财产品的偏好。
需要注意的是,第二用户的职级可以根据第一用户间接获取,也可以根据企业内用户之间的社交关系直接获取。比如,采用对公客户应用程序,可以获取除了第一用户以外的第二用户的职位信息。
示例性地,获取第一用户当前所在公司其他员工即第二用户的职位信息比如部门、职级等,在近半年购买/收藏/点击的理财产品信息,比如理财产品名称、持仓金额、持仓收益率等。
可以理解,当用用户购买理财产品时,提前告知用户为其提供算法推荐服务的情况,并公示服务的基本原理、目的意图和主要运行机制,其次,也为用户提供给算法选择权,便捷的关闭算法推荐服务的选项。
步骤S120,根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值。
根据所述第二用户的职位信息和理财产品分别进行理财风格相似度计算、工作圈理财影响度计算以及职级重要度计算后,最终计算出理财产品的推荐分值。
理财产品的推荐分值是基于理财风格相似度计算结果,并根据工作圈理财影响和职级重要度所占的权重计算出的,通过权重计算在进行理财产品推荐时,考虑企业社交属性关系。
考虑到员工之间对理财推荐的影响,引入了工作圈影响度的概念,考虑到公司职级对理财推荐的影响,引入了职级影响度的概念,分别计算出工作圈理财影响和职级重要度。
步骤S130,根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
根据推荐分值找出匹配的理财产品并向第一用户进行推荐。第一用户在理财场景中即会收到相关推荐。综合考虑理财理念、组织架构(同组、上下级)、职级维度对推荐的影响,从而实现精准营销,可提高理财产品的售卖概率,以增加营收。
通过上述方法,考虑到日常场景中熟人间经常会进行理财产品的推荐和讨论,所以出于信任对熟人的理财推荐采纳度更高。本申请考虑企业社交关系,更贴合实际生活。
区别于相关技术中,根据用户群画像向客户推荐预设的理财产品类型的不足。通过上述方法,在进行理财产品推荐时,考虑企业社交属性关系,考虑员工之间同组、上下级员工关系以及工资职级对理财推荐的影响。
区别于相关技术中,根据用户已经购买的理财产品,通过协同过滤算法,推荐相应理财产品的不足。通过上述方法,利用使用加法和的方式融合多种子相似度,计算出最终的理财风格相似度,考虑多种影响因素对推荐得分的影响,并设置相关参数,可根据实际应用情况进行动态调节,还可缓解冷启动问题,即当用户没有历史可参考的数据时,可先使用本申请的算法进行化解,也适用于用户没有历史可参考的数据的情形。
区别于相关技术中,采用理财产品排行榜进行推荐的不足。通过获取近半年购买/收藏/点击的理财产品信息,使用持仓金额门限的方法,生成理财产品持仓比例向量,过滤不值得推荐的理财产品。
在本申请的一个实施例中,所述方法还包括:根据所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,确定所述第一用户与所述第二用户之间的工作圈影响度;和/或,根据所述第二用户的职级以及所述第二用户的管理人数,确定所述第二用户的职级影响度。
在确定员工间的工作圈相互影响度时使用员工间在组织架构中的距离来衡量两者的工作圈影响程度,组织架构距离较近的员工,相互能产生更多的影响。
进一步地,在确定员工职级影响度时,职级越高影响的人数越多,可以采用管理人数的方式来表示该员工的职级影响度。
在本申请的一个实施例中,所述方法还包括:所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,与所述第二用户对所述第一用户造成的工作圈影响度呈反比;所述第二用户的职级以及所述第二用户的管理人数,分别与所述第二用户的职级影响度呈正比。
具体实施时,考虑员工之间对理财推荐的影响,引入了工作圈影响度的概念,采用组织节点距离的方式来度量员工间的影响,抽象为多叉树的树节点距离进行求解。
进一步地,还考虑到公司职级对理财推荐的影响,引入了职级影响度的概念,综合考虑管理人数和职级平均管理人数的方法,计算出员工的职级影响度。
在本申请的一个实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:根据所述第二用户的理财产品生成理财产品推荐候选集合,其中所述候选集包括第一用户、第二用户购买的理财产品;根据所述理财产品推荐候选集合,生成用户的理财产品购买向量以及理财产品持仓比例向量、理财产品点击向量、理财产品收藏向量;分别计算所述理财产品购买向量的相似度以及所述理财产品持仓比例向量的相似度、所述理财产品点击向量的相似度、所述理财产品收藏向量的相似度,得到理财产品的总相似度,计算出所述理财产品的第一推荐分值,其中所述理财产品的总相似度中的相似度权重由高至低排序为购买、持仓比例、收藏、点击。
具体实施时,首先获取用户当前所在公司其他员工的职位信息,比如部门、职级等、近半年购买/收藏/点击的理财产品信息比如理财产品名称、持仓金额、持仓收益率等。需要注意的是,可以采用对公的应用程序获取用户当前所在公司其他员工的职位信息和理财信息等。
其次,生成理财产品推荐候选集合,候选集包含了所有员工购买的理财产品。比如,员工1购买了[产品1,产品2,产品4]、员工2购买了[产品3,产品5]、员工3购买了[产品1,产品5],则生成候选集是[产品1,产品2,产品3,产品4,产品5]。
然后,根据推荐候选集合,生成用户的理财产品购买向量,如果员工购买了某个产品,则向量相应位置用1表示,用V表示理财产品购买向量。比如,员工1的购买向量为V(1)=[1,1,0,1,0],表示持有产品1、产品2、产品4,产品和向量位置一一对应。
进一步地,根据用户的购买金额,去除“干扰”理财产品,进一步优化购买向量。如果用户购买的理财产品低于x元(结合应用场景情况调整),则认为用户没有持有。比如,员工1,如果员工1的产品2购买金额小于x元,则购买向量有[1,1,0,1,0]优化为[1,0,0,1,0]。也就是说,用户低持仓表明不确定性大,干扰推荐。
通过上述步骤,获取近半年购买/收藏/点击的理财产品信息(理财产品名称、持仓金额、持仓收益等),使用持仓金额门限的方法,生成理财产品持仓比例向量,过滤不值得推荐的理财产品。
进一步地,生成更多的表征向量,理财产品持仓比例向量、点击向量、收藏向量等。可以理解,表征向量的构建可以考虑更多因素,包括但不限于理财产品的风险等级,登录理财App的活跃天数等。
a.生成理财产品持仓比例向量,即用户每个理财产品的持仓金额占总持仓的比例。比如,员工1,对购买产品1的金额为500元,购买产品4的金额为500元,用M表示持仓比例,则M(1)=[0.5,0,0,0.5,0]。
b.统计用户近半年点击过的理财产品及点击次数,生成理财产品点击向量。如:员工1,点击过产品1共10次,产品2共5次,产品4共23次,用C表示点击向量,则C(1)=[10,5,0,23,0],生成所有用户的点击向量后,使用Min-Max Normalization进行归一化。比如,对于产品1来说,员工i点击次数最多为20次,员工j点击次数最少为0次,则员工1的产品1点击次数归一化为(10-0)/(20-0)=0.5,同理,归一化其他产品,更新向量C。
c.统计用户近半年收藏过的理财产品信息,生成理财产品收藏向量。如:员工1,收藏了产品3,产品5,用E表示收藏向量,则E(1)=[0,0,1,0,1]。
根据上述计算出的理财产品购买向量(S1),采用余弦相似度计算用户之间的购买向量相似度,比如,员工1和员工2的理财产品表征向量分别为V(1)=[1,0,0,1,0]和V(2)=[1,0,0,0,1],计算相似度为0.5,越接近1越相似,说明两者之间理财风格越相似,用S1表示相似度,用S1(1,2)表示1对2的相似度,与S1(2,1)相等。
最后,同理可以生成员工间的持仓比例相似度(S2)、点击相似度(S3)、收藏相似度(S4)。员工之间的理财风格相似度由上述至少4种相似度构成,S=a*S1+b*S2+c*S3+d*S4,a、b、c、d参数又来调整子相似度重要性。通常而言,购买相似度对理财风格的影响最大,其次是持仓比例相似度,再次是收藏相似度,最后为点击相似度,因此有a>b>c>d>0。
需要注意的是,相似度的计算也可以采用欧几里得距离、曼哈顿距离等方法,在本申请的实施例中并不进行具体限定。
在本申请的一个实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:根据所述第二用户的职位信息,得到第一用户所在公司的组织架构;根据所述组织架构建立的多叉树,计算两个节点之间的最近公共祖先节点,其中所述多叉树中的根节点为公司负责人,每个父节点的子节点是其下属,子节点为员工节点;计算所述员工节点到最近公共祖先的节点距离,并从公共祖先节点开始层次遍历找到员工节点,将遍历深度作为节点距离,两个员工节点之间的距离相加得到员工间的节点距离;根据员工间的节点最大距离,确定最终的工作圈影响权重;根据所述最终的工作圈影响权重,计算出所述理财产品的第二推荐分值。
如图3所示,员工3和员工1距离是1,员工1和员工7的距离是2,员工1和员工5的距离是4,将这些距离定义为工作圈影响度。一般地组织结构是多叉树结构,把距离关系抽象为两个树节点在多叉树上的最短距离,即两个节点间有多少条边。
具体实施时,可以使用节点与最近公共祖先的节点的距离来计算两个节点的距离。D(j,i)表示员工j和员工i的距离,k为员工i、j在组织树中的最近公共祖先节点,那么D(j,i)=D(j,k)+D(i,k),如图,D(1,5)=D(1,7)+D(5,7)=4。
首先,计算两个节点的最近公共祖先节点。
根据组织关系构建多叉树,根节点为公司负责人,每个父节点的子节点是其下属。遍历员工i=1...N,计算与其他员工j=1...N的距离。对于员工i、员工j的最近公共祖先计算。
进一步地,对于员工i、员工j的最近公共祖先计算包括:
a、初始化根节点为遍历节点。b、从遍历节点开始多叉树的遍历,如果能访问到员工i节点,则进行c步骤,否则执行d步骤。c、从遍历节点开始多叉树的遍历,如果能访问到员工j节点,则进行e步骤,否则执行d步骤。d、访问遍历节点的父节点下其他的子节点,要满足子节点未作为根节点,如果其他节点都被访问过,则返回父节点作为最近公共祖先节点。e、将该节点的子节点作为遍历节点进行访问,执行步骤b。
其次,计算员工节点到最近公共祖先的节点距离,从公共节点开始层次遍历,找到员工节点,遍历深度即为节点距离,两个员工的距离相加得到员工间的节点距离。
最后,得到所有员工间的距离后,要转为影响权重,同时将权重的范围限制在0到1之间。首先得到员工间最大距离maxD,则最终工作圈影响权重为:
上述步骤中,引入了工作圈影响度作为理财推荐算法的一种影响因子,并提出了工作圈影响度的定义。把组织架构抽象成多叉树,并采用多叉树的节点距离作为工作圈影响度的度量,使用最近公共祖先算法计算多叉树节点间的距离作为影响度。
在本申请的一个实施例中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:根据所述第二用户的职位信息中的职级,根据职级影响度P(第二用户)=第二用户下属员工个数+同职级下下属员工个数均值)/2,计算员工的职级影响度;根据所述职级影响度,确定最终的职级影响权重;根据所述最终的职级影响权重,计算出所述理财产品的第三推荐分值。
请继续参考图3,其中员工3管理人数为2个人,其职级影响度为P(3)=2,员工7为部长,管理人数等于直接下属人数加上下属管理人数P(7)=2+P(3)+P(6)。
计算员工j的职级影响度,P(j)=下属个数+P(下属)。计算所有的员工的职级影响度,从低职级往高职级计算,P(普通员工)=0,P(组长)=下属的普通员工个数,P(部长)=下属组长个数+P(组长1)+..+P(组长n),以此类推得到所有员工的职级影响度P。
考虑到有些职能岗位下属较少,在计算时职级影响度会偏低,修正职级影响度为P(j)=(员工j下属员工个数+同职级下下属员工个数均值)/2。
得到职级影响度后,要转为影响权重,同时将权重的范围限制在0到1之间。首先得到职级影响度最大值maxP,则最终工职级影响度为:
上述步骤中,引入了职级影响度作为理财推荐算法的一种影响因子,并提出了职级影响度的定义。使用管理员工数量作为职级影响度的度量。
在本申请的一个实施例中,所述第一用户作为待推荐用户,根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品,包括:初始化所述理财产品的推荐分值以及所述第一用户所在公司中所有员工信息;遍历所有员工,计算第二用户对第一用户的理财产品分影响:M(第二用户,第一用户)=a*S(第二用户,第一用户)+b*D(第二用户,第一用户)+c*P(第二用户))*V(第二用户),并更新第一用户的理财产品分:T(第一用户)=T(第一用户)+M(第二用户,第一用户),其中,S(第二用户,第一用户)为理财产品的总相似度,D(第二用户,第一用户)为工作圈影响权重,P(第二用户)为职级影响权重,所述a,b,c为设定参数,所述a,所述b,所述c均与权重相关;当遍历完所有员工后,得到第一用户最终的理财产品推荐分向量T(第二用户),用以向所述第一用户推荐所述理财产品。
计算员工的理财产品推荐分。给定用户(员工i),根据推荐候选集,初始化员工的理财产品分向量为T(i)=[0,0,0..],每个位置对应具体的理财产品,如:第一个位置是产品1,依次类推。企业有N个员工,使用员工1、员工2、..员工N编号进行区分。
根据上述结果,遍历所有员工,计算员工j对员工i的理财产品分影响:M(j,i)=(a*S(j,i)+b*D(j,i)+c*P(j))*V(j)。通过上述确定S(j,i),通过上述步骤确定D(j,i),P(j),以及参数a,b,c。更新员工i的理财产品分:T(i)=T(i)+M(j,i)。
上述步骤中,通过利用使用加法和的方式融合多种子相似度,计算出最终的理财风格相似度,考虑多种影响因素对推荐得分的影响,并设置相关参数,可根据实际应用情况进行动态调节,还可缓解冷启动问题,即当用户没有历史可参考的数据时,可先使用本申请中的算法进行化解,也适用于用户没有历史可参考的数据的情形。
作为本实施例中的优选,在确定a、b、c值的过程中,考虑到理财相似度更重要,建议将a的分量调整的大些,b和c的值根据公司组织结构情况决定,其中a+b+c=1。当然,本领域技术人员可以根据实际使用场景进行配置,在本申请的实施例中并不进行具体限定。
在一些实施例中,考虑扁平化的组织架构,即:公司管理节点少,员工和员工之间组织距离基本相同。此时需要弱化工作圈相互影响度对打分的影响。
在一些实施例中,考虑如果员工j是新员工,则需要弱化工作圈相互影响度。
在一些实施例中,考虑员工对理财的购买年限,认为购买年限越长,则对理财了解越多,对推荐结果的影响应该更大。根据所有员工的理财年限,计算n个分位数(即:1/n、2/n…、1,1表示购买年限最大),员工理财年限所划分的分位数的数值作为a的取值,a=1/n、…、1。
在实际推荐中,需要考虑各个权重的融合。在本申请的实施例中还提供了同乘相加归一划的方法,融合上述的多个权重,设置得到最终的权重值。首先,各个情况下的同一类型的权重相乘,a=a1*a2*a3*a4,b=b1*b2*b3*b4,c=c1*c2*c3*c4;最后各个乘法结果处于结果,归一化得到最终的权重,a=a/(a+b+c),b=b/(a+b+c),c=c/(a+b+c)。
最后,遍历完所有员工后,可以得到员工i最终的理财产品推荐分向量T(j),根据分数对理财产品进行排序,分数越高说明越值得推荐,可生成推荐列表。
上述步骤中,在融合理财相似度、工作圈影响度和职级重要度时,给出了一般情况下的系数选择建议;另外,对于扁平化的组织结构、新员工、理财新手等特殊场景,给出了系数大小调整建议。
本申请实施例还提供了推荐装置200,如图2所示,提供了本申请实施例中推荐装置的结构示意图,所述推荐装置200至少包括:获取模块210、计算模块220以及推荐模块230,其中:
在本申请的一个实施例中,所述获取模块210具体用于:获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构。
第一用户是指待进行理财推荐的用户。第二用户是指在第一用户所在公司且属于公司中的组织结构中的成员。也就是说,通过第一用户获取得到其所在公司中第二用户的职位信息和第二用户购买理财产品的偏好。
需要注意的是,第二用户的职级可以根据第一用户间接获取,也可以根据企业内用户之间的社交关系直接获取。比如,采用对公客户应用程序,可以获取除了第一用户以外的第二用户的职位信息。
示例性地,获取第一用户当前所在公司其他员工即第二用户的职位信息比如部门、职级等,在近半年购买/收藏/点击的理财产品信息,比如理财产品名称、持仓金额、持仓收益率等。
可以理解,当用用户购买理财产品时,提前告知用户为其提供算法推荐服务的情况,并公示服务的基本原理、目的意图和主要运行机制,其次,也为用户提供给算法选择权,便捷的关闭算法推荐服务的选项。
在本申请的一个实施例中,所述计算模块220具体用于:根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值。
根据所述第二用户的职位信息和理财产品分别进行理财风格相似度计算、工作圈理财影响度计算以及职级重要度计算后,最终计算出理财产品的推荐分值。
理财产品的推荐分值是基于理财风格相似度计算结果,并根据工作圈理财影响和职级重要度所占的权重计算出的,通过权重计算在进行理财产品推荐时,考虑企业社交属性关系。
考虑到员工之间对理财推荐的影响,引入了工作圈影响度的概念,考虑到公司职级对理财推荐的影响,引入了职级影响度的概念,分别计算出工作圈理财影响和职级重要度。
在本申请的一个实施例中,所述推荐模块230具体用于:根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
根据推荐分值找出匹配的理财产品并向第一用户进行推荐。第一用户在理财场景中即会收到相关推荐。综合考虑理财理念、组织架构(同组、上下级)、职级维度对推荐的影响,从而实现精准营销,可提高理财产品的售卖概率,以增加营收。
能够理解,上述推荐装置,能够实现前述实施例中提供的推荐方法的各个步骤,关于推荐方法的相关阐释均适用于推荐装置,此处不再赘述。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成推荐装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
上述如本申请图1所示实施例揭示的推荐装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中推荐装置执行的方法,并实现推荐装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中推荐装置执行的方法,并具体用于执行:
获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
内存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)。内存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,并不排除在包括所述要素的过程、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。
以上所述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 (10)
1.一种推荐方法,其中,所述方法包括:
获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
2.如权利要求1所述方法,其中,所述方法还包括:
根据所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,确定所述第一用户与所述第二用户之间的工作圈影响度;
和/或,
根据所述第二用户的职级以及所述第二用户的管理人数,确定所述第二用户的职级影响度。
3.如权利要求2所述方法,其中,所述方法还包括:
所述第二用户在所述第一用户所在公司中的组织架构中的与所述第一用户的距离,与所述第二用户对所述第一用户造成的工作圈影响度呈反比;
所述第二用户的职级以及所述第二用户的管理人数,分别与所述第二用户的职级影响度呈正比。
4.如权利要求1所述方法,其中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的理财产品生成理财产品推荐候选集合,其中所述候选集包括第一用户、第二用户购买的理财产品;
根据所述理财产品推荐候选集合,生成用户的理财产品购买向量以及理财产品持仓比例向量、理财产品点击向量、理财产品收藏向量;
分别计算所述理财产品购买向量的相似度以及所述理财产品持仓比例向量的相似度、所述理财产品点击向量的相似度、所述理财产品收藏向量的相似度,得到理财产品的总相似度,计算出所述理财产品的第一推荐分值,其中所述理财产品的总相似度中的相似度权重由高至低排序为购买、持仓比例、收藏、点击。
5.如权利要求1所述方法,其中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的职位信息,得到第一用户所在公司的组织架构;
根据所述组织架构建立的多叉树,计算两个节点之间的最近公共祖先节点,其中所述多叉树中的根节点为公司负责人,每个父节点的子节点是其下属,子节点为员工节点;
计算所述员工节点到最近公共祖先的节点距离,并从公共祖先节点开始层次遍历找到员工节点,将遍历深度作为节点距离,两个员工节点之间的距离相加得到员工间的节点距离;
根据员工间的节点最大距离,确定最终的工作圈影响权重;
根据所述最终的工作圈影响权重,计算出所述理财产品的第二推荐分值。
6.如权利要求1所述方法,其中,所述根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值,包括:
根据所述第二用户的职位信息中的职级,根据职级影响度P(第二用户)=第二用户下属员工个数+同职级下下属员工个数均值)/2,计算员工的职级影响度;
根据所述职级影响度,确定最终的职级影响权重;
根据所述最终的职级影响权重,计算出所述理财产品的第三推荐分值。
7.如权利要求1所述方法,其中,所述第一用户作为待推荐用户,根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品,包括:
初始化所述理财产品的推荐分值以及所述第一用户所在公司中所有员工信息;
遍历所有员工,计算第二用户对第一用户的理财产品分影响:M(第二用户,第一用户)=a*S(第二用户,第一用户)+b*D(第二用户,第一用户)+c*P(第二用户))*V(第二用户),并更新第一用户的理财产品分:T(第一用户)=T(第一用户)+M(第二用户,第一用户),其中,S(第二用户,第一用户)为理财产品的总相似度,D(第二用户,第一用户)为工作圈影响权重,P(第二用户)为职级影响权重,所述a,b,c为设定参数,所述a,所述b,所述c均与权重相关;
当遍历完所有员工后,得到第一用户最终的理财产品推荐分向量T(第二用户),用以向所述第一用户推荐所述理财产品。
8.一种推荐装置,其中,所述装置包括:
获取模块,用于获取第一用户所在公司中第二用户的职位信息和理财产品,其中所述第二用户的职位信息包括第二用户的职级、第二用户在所述第一用户所在公司中的组织架构;
计算模块,用于根据所述第二用户的职位信息和理财产品,计算理财产品的推荐分值;
推荐模块,用于根据所述理财产品的推荐分值,向所述第一用户推荐所述理财产品。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~7之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286833.4A CN117407583A (zh) | 2023-10-07 | 2023-10-07 | 推荐方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286833.4A CN117407583A (zh) | 2023-10-07 | 2023-10-07 | 推荐方法、装置及电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117407583A true CN117407583A (zh) | 2024-01-16 |
Family
ID=89495379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311286833.4A Pending CN117407583A (zh) | 2023-10-07 | 2023-10-07 | 推荐方法、装置及电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407583A (zh) |
-
2023
- 2023-10-07 CN CN202311286833.4A patent/CN117407583A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
US20090037461A1 (en) | Method and system for automatic recognition and categorization of transactions | |
US20130151423A1 (en) | Valuation of data | |
JP2017504126A (ja) | 投資証券の層別コンポジットポートフォリオ | |
US10475125B1 (en) | Utilizing financial data of a user to identify a life event affecting the user | |
CN107451918B (zh) | 资产数据管理方法及装置 | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
US20240202205A1 (en) | Library information management system | |
CN113362158A (zh) | 一种信用评估方法、装置及计算机可读存储介质 | |
CN112015909A (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
CN111242356A (zh) | 一种财富走势预测方法、装置、设备及存储介质 | |
US20230128256A1 (en) | Financial health simulation system | |
CN112966189A (zh) | 一种基金产品推荐*** | |
CN110688433B (zh) | 一种基于路径的特征生成方法及装置 | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
Even et al. | Economics-driven data management: An application to the design of tabular data sets | |
US10475052B2 (en) | Systems and methods for use in evaluating aggregate merchant sets | |
US20190228472A1 (en) | System and method for quantifiable categorization of candidates for asset allocation | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
US7783547B1 (en) | System and method for determining hedge strategy stock market forecasts | |
JP2019160089A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
CN117407583A (zh) | 推荐方法、装置及电子设备、存储介质 | |
US11379929B2 (en) | Advice engine | |
Hajji et al. | Rating microfinance products consumers using artificial neural networks |
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 |