CN117593084A - 金融产品推送方法、装置、设备、存储介质和程序产品 - Google Patents
金融产品推送方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117593084A CN117593084A CN202311620963.7A CN202311620963A CN117593084A CN 117593084 A CN117593084 A CN 117593084A CN 202311620963 A CN202311620963 A CN 202311620963A CN 117593084 A CN117593084 A CN 117593084A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- financial
- predicted
- triples
- 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 56
- 230000006870 function Effects 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007634 remodeling Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种金融产品推送方法、装置、设备、存储介质和程序产品,应用于人工智能和金融科技技术领域。通过基于用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系、用户与金融产品的关系,生成知识图谱,基于产品预测模型的重塑函数重塑知识图谱中多个三元组,根据模型输出的多个预测产品三元组和各个预测产品三元组对应的预测分数,确定目标预测产品三元组,进而确定向用户推送的预测金融产品。相较于传统的通过简单的机器学习进行产品推送的方式,本方案通过结合用户、金融产品和关系之间的三元组形成知识图谱,并利用重塑函数对三元组进行重塑,预测得到符合用户需求的金融产品,提高了金融产品推送的准确度。
Description
技术领域
本申请涉及人工智能和金融科技技术领域,特别是涉及一种金融产品推送方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人们生活水平的提高,越来越多人选择购买金融产品,以对资产进行增值。目前想用户推送金融产品的方式通常是通过简单的机器学习模型进行金融产品预测和推送。然而,通过简单机器学习进行金融产品推送的方式,用户难以得到符合用户需求的金融产品,导致金融产品推送准确度降低。
因此,目前的金融产品推送方法存在推送准确度低的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高推送准确度的金融产品推送方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种金融产品推送方法,所述方法包括:
获取用户对应的用户金融信息以及金融产品对应的产品信息;
根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱;所述知识图谱包括M个三元组;其中M≥1;
将所述M个三元组输入经训练的产品预测模型,获取所述产品预测模型基于重塑函数获取所述M个三元组对应的重塑特征矩阵后,基于所述重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;所述预测产品三元组包括所述用户的用户标识、所述用户对应的预测金融产品以及所述用户标识与所述预测金融产品的关系;其中N≥1;
根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品。
在其中一个实施例中,所述获取用户对应的用户金融信息以及金融产品对应的产品信息,包括:
根据用户对应的年龄、资产和风险承受等级,得到所述用户对应的用户金融信息;
根据所述金融产品对应的风险等级、收益率和交易条件,得到所述金融产品对应的产品信息。
在其中一个实施例中,所述根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱,包括:
根据A个头实体、B个尾实体以及所述A个头实体与所述B个尾实体之间的关系,生成M个三元组;所述头实体包括所述用户的用户标识和所述金融产品中的至少一种,所述尾实体包括所述头实体对应的用户金融信息和产品信息中的至少一种;其中A≥1,B≥1;
根据所述M个三元组得到所述知识图谱。
在其中一个实施例中,所述将所述M个三元组输入经训练的产品预测模型,包括:
将所述M个三元组输入经训练的产品预测模型,由所述产品预测模型获取所述三元组中头实体对应的第一嵌入向量和关系对应的第二嵌入向量;所述头实体包括所述用户的用户标识和所述金融产品中的至少一种;
将所述第一嵌入向量和所述第二嵌入向量输入重塑函数,根据所述重塑函数输出的重塑特征矩阵,确定对应的张量;
将所述张量映射至预设维度的空间中,并根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数;所述预设维度基于所述第一嵌入向量和所述第二嵌入向量的维度确定,所述关系矩阵基于所述M个三元组中多个第二嵌入向量确定。
在其中一个实施例中,所述根据所述重塑函数输出的重塑特征矩阵,确定对应的张量,包括:
将所述重塑特征矩阵输入二维卷积层,获取所述二维卷积层输出的特性图;
对所述特性图进行全连接映射,得到所述重塑特征矩阵对应的张量。
在其中一个实施例中,所述根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数,包括:
根据映射后的张量中第一嵌入向量和第二嵌入向量分别与关系矩阵中的第二嵌入向量的乘积,得到包含用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量的组合的多组预测产品三元组;
针对每组预测产品三元组,将该组预测产品三元组中用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量输入预设评分函数,获取所述预设评分函数针对该组预测产品三元组输出的预测分数。
在其中一个实施例中,所述根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品,包括:
根据所述预测分数大于预设分数阈值的预测产品三元组,得到目标预测产品三元组;
根据所述目标预测产品三元组确定对应的用户标识和预测金融产品,并向所述用户标识对应的用户推送所述预测金融产品。
第二方面,本申请提供了一种金融产品推送装置,所述装置包括:
获取模块,用于获取用户对应的用户金融信息以及金融产品对应的产品信息;
生成模块,用于根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱;所述知识图谱包括M个三元组;其中M≥1;
输入模块,用于将所述M个三元组输入经训练的产品预测模型,获取所述产品预测模型基于重塑函数获取所述M个三元组对应的重塑特征矩阵后,基于所述重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;所述预测产品三元组包括所述用户的用户标识、所述用户对应的预测金融产品以及所述用户标识与所述预测金融产品的关系;其中N≥1;
推送模块,用于根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述金融产品推送方法、装置、计算机设备、存储介质和计算机程序产品,通过基于用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成知识图谱,基于产品预测模型中的重塑函数对知识图谱中多个三元组进行重塑,获取模型输出的多个预测产品三元组和各个预测产品三元组对应的预测分数,根据预测分数确定目标预测产品三元组,并根据目标预测产品三元组确定向用户推送的预测金融产品。相较于传统的通过简单的机器学习进行产品推送的方式,本方案通过结合用户、金融产品和关系之间的三元组形成知识图谱,并利用重塑函数对三元组进行重塑,预测得到符合用户需求的金融产品,提高了金融产品推送的准确度。
附图说明
图1为一个实施例中金融产品推送方法的流程示意图;
图2为一个实施例中预处理步骤的流程示意图;
图3为一个实施例中模型预测步骤的流程示意图;
图4为另一个实施例中金融产品推送方法的流程示意图;
图5为一个实施例中金融产品推送装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种金融产品推送方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现,包括以下步骤:
步骤S202,获取用户对应的用户金融信息以及金融产品对应的产品信息。
其中,用户可以是被推送金融产品的用户,金融产品可以有多种类型,且每种金融产品具有对应的产品信息。其中,每个用户对金融产品的需求不同,且每种金融产品的产品信息也不同,因此需要通过对用户的金融相关的信息以及金融产品的产品信息进行分析,确定符合用户需求的金融产品。
其中,终端可以获取用户对应的用户金融信息,并获取金融产品对应的产品信息。其中,用户金融信息可以是用户对应的与金融相关的信息。产品信息可以包括金融产品的属性、风险等信息。需要说明的是,上述用户金融信息可以是经过上述用户授权后采集的信息。
步骤S204,根据用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成对应的知识图谱;知识图谱包括M个三元组。
其中,上述用户对应有相应的用户标识,上述用户标识、用户金融信息、金融产品和产品信息均可以作为实体,且用户与用户金融信息之间存在对应关系、金融产品与产品信息之间存在对应关系。则终端可以根据上述用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成对应的知识图谱。
例如,终端通过用户标识、用户与用户金融信息的关系、以及用户金融信息生成用户对应的三元组,终端通过金融产品、金融产品与产品信息之间的关系、以及产品信息生成金融产品对应的三元组。即终端可以根据多个实体以及多个实体之间的关系,生成M个三元组,从而终端基于M个三元组得到对应的知识图谱。其中,M≥1,上述用户标识的数量、用户与用户金融信息的关系的数量、用户金融信息的数量、金融产品的数量、金融产品与产品信息之间的关系的数量、以及产品信息的数量可以根据实际情况进行设置,即上述各个数量可以相同也可以不同,并且,上述用户标识的数量、用户与用户金融信息的关系的数量、以及用户金融信息的数量可以根据用户的实际情况进行组合,进而得到M个三元组,上述金融产品的数量、金融产品与产品信息之间的关系的数量、以及产品信息可以根据金融产品的实际情况进行组合,进而得到M个三元组,即上述用户与产品对应的三元组的数量和金融产品与产品信息对应的三元组的数量也可以不同。
步骤S206,将M个三元组输入经训练的产品预测模型,获取产品预测模型基于重塑函数获取M个三元组对应的重塑特征矩阵后,基于重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;预测产品三元组包括用户的用户标识、用户对应的预测金融产品以及用户标识与预测金融产品的关系。
其中,终端可以预先训练待训练的产品预测模型,从而得到经训练的产品预测模型。例如,终端可以利用多个样本三元组以及样本三元组对应的样本产品三元组和各个样本分数,对待训练的产品预测模型进行训练。终端可以通过迭代训练的方式,调整待训练的产品预测模型的模型参数,直至满足预设训练结束条件时,得到经训练的产品预测模型。其中,预设训练结束条件可以是在预设训练次数内,上述产品预测模型输出的预测产品三元组及其对应的预测分数,与上述样本产品三元组和各个样本分数的相似度大于或等于预设相似度阈值;或者,上述训练次数达到上述预设训练次数。
其中,上述产品预测模型中可以设置有重塑函数。重塑函数可以转换三元组的结构,使产品预测模型可以对实体与实体之间的弱关系进行挖掘。终端可以将上述知识图谱中的M个三元组输入经训练的产品预测模型,并由产品预测模型基于重塑函数获取M个三元组对应的重塑特征矩阵后,基于重塑特征矩阵输出N个预测产品三元组,以及各个预测产品三元组对应的预测分数。其中,上述预测产品三元组包括用户的用户标识、用户对应的预测金融产品,以及用户标识与预测金融产品的关系。即终端可以通过产品预测模型,预测用户可能购买的多个金融产品;以及用户与各个可能购买的金融产品的匹配度,即上述预测分数。并且,由于产品预测模型可以对M个三元组进行重塑,则上述N个预测产品三元组与输入产品预测模型的M个三元组的数量可以不同,例如产品预测模型可以将一个用户标识与多个预测金融产品进行关联,则终端可以将M个三元组输入产品预测模型,得到产品预测模型输出的N个预测产品三元组。其中N≥1且M与N表示的数字可以不同。
步骤S208,根据预测分数确定目标预测产品三元组,并根据目标预测产品三元组确定向用户推送的预测金融产品。
其中,上述产品预测模型输出的预测产品三元组具有对应的预测分数。终端可以根据上述预测分数,从N个预测产品三元组中确定出目标预测产品三元组。从而终端可以根据目标预测产品三元组确定向用户推送的预测金融产品。其中,上述预测金融产品可以基于目标预测产品三元组中金融产品对应的实体确定。
其中,上述目标预测产品三元组可以通过预测分数与阈值的比较确定。例如在一个实施例中,终端可以将上述各个预测分数与预设分数阈值进行比较,并获取预测分数大于上述预设分数阈值的预测产品三元组,从而终端可以根据预测分数大于预设分数阈值的预测产品三元组,得到目标预测产品三元组。其中,上述目标预测产品三元组可以有多个。上述目标预测产品三元组中包括用户标识对应的实体、用户标识与金融产品之间的关系、以及金融产品对应的实体,终端可以根据目标预测产品三元组确定对应的用户标识和预测金融产品,并向用户标识对应的用户推送预测金融产品。
上述金融产品推送方法中,通过基于用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成知识图谱,基于产品预测模型中的重塑函数对知识图谱中多个三元组进行重塑,获取模型输出的N个预测产品三元组和各个预测产品三元组对应的预测分数,根据预测分数确定目标预测产品三元组,并根据目标预测产品三元组确定向用户推送的预测金融产品。相较于传统的通过简单的机器学习进行产品推送的方式,本方案通过结合用户、金融产品和关系之间的三元组形成知识图谱,并利用重塑函数对三元组进行重塑,预测得到符合用户需求的金融产品,提高了金融产品推送的准确度。
在一个实施例中,获取用户对应的用户金融信息以及金融产品对应的产品信息,包括:根据用户对应的年龄、资产和风险承受等级,得到用户对应的用户金融信息;根据金融产品对应的风险等级、收益率和交易条件,得到金融产品对应的产品信息。
本实施例中,上述用户的用户金融信息可以包括多种类型,上述金融产品对应的产品信息也可以包括多种。对应用户,终端可以获取用户对应的年龄、资产和风险承受等级等信息,并根据上述年龄、资产和风险承受等级等信息,得到用户对应的用户金融信息。对于金融产品,终端可以获取金融产品对应的风险等级、收益率和交易条件等信息,得到金融产品对应的产品信息。
具体地,用户购买某种金融产品受多种因素影响,包括自身因素和产品因素等。终端可以通过对用户的金融相关信息以及产品信息进行分析,确定符合用户需求的金融产品。其中,终端获取的用户金融信息可以包括用户过往偏好、用户年龄、存款情况、风险承受情况和理财经验等。其中,存款情况可以表示为用户的资产,风险承受情况和理财经验可以表示为用户的风险承受等级。终端获取的产品信息可以包括风险等级、产品所属主体、产品收益率、起存资源数值和运维方式等。其中,起存资源数值可以表示为上述交易条件。终端可以从上述数据中提取相关信息作为实体,并构建相应的知识图谱。
通过本实施例,终端可以获取多个用户金融信息和产品信息,并基于用户金融信息和产品信息构建相应的知识图谱,用于进行产品预测,提高了产品推送预测的准确度。
在一个实施例中,根据用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成对应的知识图谱,包括:根据A个头实体、B个尾实体以及A个头实体与B个尾实体之间的关系,生成M个三元组;头实体包括用户的用户标识和金融产品中的至少一种,尾实体包括头实体对应的用户金融信息和产品信息中的至少一种;根据M个三元组得到知识图谱;其中A≥1,B≥1。
本实施例中,上述用户、用户金融信息、金融产品和产品信息均可以作为实体,上述用户具有相应的用户标识,则用户标识可以作为头实体,金融产品可以作为头实体或尾实体,用户金融信息和产品信息可以作为尾实体。上述用户与用户金融信息之间具有对应关系,金融产品与产品信息之间也具有对应关系。则终端可以根据A个头实体、B个尾实体以及A个头实体与B个尾实体之间的对应关系,生成M个三元组。例如,终端可以从用户的用户标识和金融产品中选择至少一种,作为头实体,从头实体对应的用户金融信息和产品信息中选择至少一种,作为尾实体。在一些实施例中,终端还可以将用户标识作为头实体,将金融产品作为尾实体。终端生成上述M个三元组后,可以根据M个三元组得到知识图谱。
具体地,终端可以将用户的用户标识、年龄、资产和风险承受等级等信息作为用户相关的实体,将金融产品、风险等级、收益率和交易条件作为金融产品相关的实体,从而终端可以构建异构知识图谱。其中,该知识图谱中可以包括:用户标识-年龄,用户标识-资产,用户标识-风险承受等级,金融产品-风险等级,金融产品-收益率,金融产品-交易条件,用户标识-金融产品等关系类型。
在构建知识图谱时,终端需要对上述各个关系进行预处理,生成相应的三元组。例如,终端可以生成(头实体,关系,尾实体)的形式的三元组,根据金融知识图谱的特点,终端可以生成的三元组包括但不限于:(用户,的,年龄),(用户,的,资产),(用户,的,风险承受等级),(金融产品,的,风险等级),(金融产品,的,收益率),(金融产品,的,交易条件),(用户,购买,金融产品)等。终端可以将构建的知识图谱作为输入数据,通过上述三元组预测是否存在知识图谱缺失边,例如(用户,购买,金融产品)。通过头实体和关系进行尾实体预测,即通过用户、用买,预测用户会购买的金融产品。其中,由于一个作为头实体的用户可以对应多个尾实体,例如一个用户可以分别具有年龄、资产、风险承受等级等尾实体,而一个作为头实体的金融产品也可以对应多个尾实体,例如一个金融产品可以分别具有风险等级、收益率、交易条件等尾实体,则上述头实体、关系和尾实体的数量可以各不相同,进而生成的三元组的数量也可以与上述头实体的数量、关系的数量和尾实体的数量各不相同,例如,终端基于A个头实体、B个尾实体、C个关系可以得到M个三元组,其中,A、B、C、M均大于等于1;且A、B、C、M的数值可以各不相同。
其中,如图2所示,图2为一个实施例中预处理步骤的流程示意图。终端可以通过ConvE模型对三元组数据进行预处理,生成键值对。其中,ConvE模型可以是一种实体关系预测模型。终端可以首先列出所有头实体和关系,并去除重复的头实体和关系组合,并列出所有头实体和关系的组合对应的尾实体,其中,列出的头实体和关系的组合对应的尾实体可以是实际存在的关系。终端还可以将头实体和关系和嵌入向量进行拼接后,预测所有尾实体与该头实体和关系组合的评分。终端在确认各个头实体和关系的组合对应的尾实体时,可以输入一组数据,如图2所示,头实体均为e1,关系均为re1,每条组合数据对应的尾实体不同,则终端通过数据去重整合处理为键值对后,一条头实体e1、关系为re1的数据可以列出所有对应的尾实体正例,即e2、e3、e4、e5。从而终端可以基于知识图谱中的多组三元组进行产品预测。
通过本实施例,终端可以基于用户、用户金融信息、金融产品及其产品信息,生成多组三元组,并基于多组三元组构建的知识图谱进行针对用户的金融产品预测,提高了金融产品推送的准确度。
在一个实施例中,将M个三元组输入经训练的产品预测模型,包括:将M个三元组输入经训练的产品预测模型,由产品预测模型获取三元组中头实体对应的第一嵌入向量和关系对应的第二嵌入向量;头实体包括用户的用户标识和金融产品中的至少一种;将第一嵌入向量和第二嵌入向量输入重塑函数,根据重塑函数输出的重塑特征矩阵,确定对应的张量;将张量映射至预设维度的空间中,并根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数;预设维度基于第一嵌入向量和第二嵌入向量的维度确定,关系矩阵基于M个三元组中多个第二嵌入向量确定。
本实施例中,终端可以利用产品预测模型进行针对用户的金融产品预测。终端预先构建的知识图谱中可以包括M个三元组,上述产品预测模型中可以设置有重塑函数。则终端可以将上述M个三元组输入经训练的产品预测模型,由产品预测模型获取三元组中头实体对应的第一嵌入向量和三元组中关系对应的第二嵌入向量。其中,上述头实体可以是用户的用户标识,也可以是金融产品。产品预测模型将上述获取的第一嵌入向量和第二嵌入向量输入重塑函数,由重塑函数对第一嵌入向量和第二嵌入向量进行重塑,输出对应的重塑特征矩阵,终端可以基于上述重塑特征矩阵,确定对应的张量。其中,张量可以是任意数量的维度,可以被认为是超过两个维度的数组。
产品预测模型可以对上述张量进行映射,例如将张量映射至预设维度的空间中。其中,上述预设维度可以基于第一嵌入向量和第二嵌入向量的维度确定。例如可以是一维的空间。产品预测模型还可以将映射后的张量与所有关系矩阵进行相乘,并根据乘积得到N个预测产品三元组和各个预测产品三元组对应的预测分数。其中,上述关系矩阵可以基于M个三元组中的多个关系对应的多个第二嵌入向量确定。从而产品预测模型可以输出上述的N个预测产品三元组和各个预测产品三元组对应的预测分数。
具体地,终端可以将三元组作为输入模型的数据,上述知识图谱可以表示为:其中G表示知识图谱,s表示头实体,r表示关系,o表示尾实体,ε表示实体的集合,R表示关系的集合。终端可以将知识图谱具体化为一个三元组事实,每个关系r∈R,两个实体s,o∈ε。则金融产品的推荐问题可以形式化为一个逐点学习排名的问题,终端可以在训练和预测过程中确定学习评分函数ψ为:/>其中,/>表示实体和关系嵌入向量的集合。对于一个三元组x=(s,r,o),终端可以通过产品预测模型预测它的评分ψ(x)∈R来评估这个三元组事实的真实性。其中头实体为s,关系为r,尾实体为o,三元组的评分函数定义为:/>其中,(s,r,o)表示三元组,es表示头实体嵌入向量,例如上述第一嵌入向量,er表示关系嵌入向量,例如上述第二嵌入向量。
终端可以通过产品预测模型,通过多个步骤输出对应的预测金融产品及其对应的预测分数。例如,如图3所示,图3为一个实施例中模型预测步骤的流程示意图。终端可以利用产品预测模型将三元组形式的数据形成特征图,通过产品预测模型对三元组进行实体和关系对应的嵌入向量的重建和连接。例如终端对实体和关系进行初始化嵌入,例如通过Complex嵌入进行初始化嵌入,形成嵌入矩阵,并去除头实体和关系的嵌入向量。从而产品预测模型可以去除头实体和关系的嵌入向量。将图3中步骤1和步骤2的矩阵输入到重塑函数中,得到重塑特征图,产品预测模型还可以将重塑特征图处理至相应的维度,并通过重塑函数得到相应的重塑特征矩阵。其中。
其中,由于已知数据仅能表达已有实体的部分关联。则终端可以通过知识图谱链接预测的方式,根据已知事实推断缺失的链接来解决缺失数据的问题。上述产品预测模型可以是基于ConvE的模型,ConvE采用了对实体低维嵌入向量进行二维重构的方法,应用卷积神经网络滤波器,捕捉实体之间丰富的交互信息。本实施例中的ConvE预测模型引入重塑特征函数,从而通过增强实体之间的嵌入,更好地捕捉实体之间的关系,准确的进行知识图谱链接预测。上述产品预测模型可以通过增强特征交互模块,应用重塑函数对实体的嵌入进行了重塑。生成嵌入向量对应的特征图,对重塑特征矩阵通过全连接得到的张量映射到预设维度的空间中,并与所有上述关系矩阵进行乘积运算。并使用得到的向量与所有关系对象计算得分,从而基于各个向量与关系对象的匹配,得到上述预测金融产品以及各个预测金融产品的预测分数。
通过本实施例,终端可以通过设置了重塑特征函数的产品预测模型,结合知识图谱中的M个三元组进行针对用户的金融产品预测,提高了金融产品预测的准确度。
在一个实施例中,根据重塑函数输出的重塑特征矩阵,确定对应的张量,包括:将重塑特征矩阵输入二维卷积层,获取二维卷积层输出的特性图;对特性图进行全连接映射,得到重塑特征矩阵对应的张量。
本实施例中,产品预测模型可以利用重塑特征矩阵生成张量。例如,终端可以在产品预测模型中,将得到的重塑特征矩阵输入二维卷积层,并获取二维卷积层输出的特性图。产品预测模型将特性图进行全连接映射,对特性图进行升维,从而得到重塑特征矩阵对应的张量。
并且,终端还可以通过张量与关系矩阵的乘积,确定预测产品三元组和对应的预测分数。例如,在一个实施例中,终端可以通过产品预测模型,根据映射后的张量中第一嵌入向量和第二嵌入向量分别与关系矩阵中的第二嵌入向量的乘积,得到包含用户标识对应多个第一嵌入向量、第二嵌入向量和预测金融产品对应的第一嵌入向量的组合的多组预测产品三元组。其中,第二嵌入向量为关系对应的嵌入向量。针对每组预测产品三元组,产品预测模型可以将该组预测产品三元组中用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量输入预设评分函数,获取预设评分函数针对该组预测产品三元组输出的预测分数。
具体地,产品预测模型可以是一种卷积神经网络模型,卷积神经网络能局部感知和参数共享的优点,在更高层将这些局部的信息进行合并,能更好的应对正负样本数量不均时预测准确率下降的问题,并且同时计算一对实体组合与数据集中的全部关系的预测评分能够很好的提升计算效率。产品预测模型可以通过增强特征交互模块对上述重塑特征矩阵进行处理。产品预测模型将初始的第一嵌入向量和第二嵌入向量输入到重塑函数中,生成重塑特征矩阵。例如,重塑函数可以表示为:/>则产品预测模型将嵌入的es和er变为矩阵/>其中m*n=2k。终端可以利用/>表示/>产品预测模型通过矩阵重塑es和er,使得矩阵中相邻的两个单元为不同实体的嵌入数据。其中,上述实体与关系的组合包括多个,则终端可以通过产品预测模型中的重塑函数/> 得到/>其中,产品预测模型可以对每一对头实体和关系的输入均生成该排列方式,终端通过非固定的输入顺序,捕获更多可能的交互。
终端通过产品预测模型中的重塑特征函数生成重塑特征矩阵后,可以通过2D卷积层过滤器将处理后的头实体和尾实体输入到一个二维卷积层中,从而降低已经形成的“图像”的维数,增加方法的非线性表达能力。产品预测模型通过卷积层可以输出特性图的张量例如图3中步骤4的矩阵。
其中,c为维度m和n的二维特征图个数。终端还可以通过产品预测模型对张量τ进行重塑,记为vec(τ),具体可以是对张量进行全连接投影,例如图3中的步骤5,得到升维后的张量。产品预测模型还可以将全连接投影后的张量与权重矩阵W进行乘积运算,将张量通过该乘积运算,映射到k维空间中,其中,k可以基于关系矩阵的维数确定。产品预测模型可以通过内积运算与所有关系嵌入向量rr进行匹配。该匹配可以通过与关系矩阵相乘实现。从而得到多个头实体、关系以及预测出的尾实体的组合的实体矩阵。其中,上述各个实体矩阵可以作为上述各组预测产品三元组。产品预测模型可以通过预设激活函数确定上述各个实体矩阵的分数。例如通过将实体矩阵输入logistic sigmoid(逻辑回归)函数中,确定各个实体矩阵的预测分数。
其中,上述预设激活函数具体可以表示为:其中,es和eo分别表示头实体和尾实体的嵌入向量,/>实体和关系的初始嵌入采用随机生成的方式获得。/>是重塑特征函数。由于卷积神经网络模型可以处理图像形式的数据,产品预测模型可以将数据的嵌入向量处理成“图像”的形式,并以“图像”的数据作为输入,能够较好地处理高维数据,准确地获取数据特征。
通过上述实施例,终端可以通过设置了重塑函数的产品预测模型,对三元组中实体和关系对应的嵌入向量进行特征提取和识别预测,得到更符合用户需求的金融产品,提高了针对用户进行金融产品推送的准确度。
在一个实施例中,如图4所示,图4为另一个实施例中金融产品推送方法的流程示意图。本实施例中,终端可以对上述用户及其用户金融信息,金融产品及其产品信息进行预处理,得到相应的键值对,形成相应的知识图谱。其中,具体的预处理方法可以参照上述实施例的步骤,在此不再赘述。终端对数据进行预处理后,可以将知识图谱输入预先训练的产品预测模型。由产品预测模型基于重塑函数,对知识图谱中的三元组进行重塑,形成特征图,并基于特征图预测各个实体和关系组合对应的尾实体。进而得到上述预测产品三元组及其对应的预测分数。其中,具体的预测推荐方法可以参照上述实施例的步骤,在此不再赘述。
通过上述实施例,终端通过结合用户、金融产品和关系之间的三元组形成知识图谱,并利用重塑函数对三元组进行重塑,预测得到符合用户需求的金融产品,提高了金融产品推送的准确度。具体地,上述实施例通过引入更多关联性实体构建金融推荐异构知识图谱,在ConvE方法中引入重塑特征函数,从而提高推荐准确性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的金融产品推送方法的金融产品推送装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个金融产品推送装置实施例中的具体限定可以参见上文中对于金融产品推送方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种金融产品推送装置,包括:获取模块500、生成模块502、输入模块504和推送模块506,其中:
获取模块500,用于获取用户对应的用户金融信息以及金融产品对应的产品信息。
生成模块502,用于根据用户金融信息、用户与用户金融信息的关系、金融产品、金融产品与产品信息的关系以及用户与金融产品的关系,生成对应的知识图谱;知识图谱包括M个三元组;其中M≥1。
输入模块504,用于将M个三元组输入经训练的产品预测模型,获取产品预测模型基于重塑函数获取M个三元组对应的重塑特征矩阵后,基于重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;预测产品三元组包括用户的用户标识、用户对应的预测金融产品以及用户标识与预测金融产品的关系;其中N≥1。
推送模块506,用于根据预测分数确定目标预测产品三元组,并根据目标预测产品三元组确定向用户推送的预测金融产品。
在一个实施例中,上述获取模块500,用于根据用户对应的年龄、资产和风险承受等级,得到用户对应的用户金融信息;根据金融产品对应的风险等级、收益率和交易条件,得到金融产品对应的产品信息。
在一个实施例中,上述生成模块502,用于根据A个头实体、B个尾实体以及A个头实体与B个尾实体之间的关系,生成M个三元组;头实体包括用户的用户标识和金融产品中的至少一种,尾实体包括头实体对应的用户金融信息和产品信息中的至少一种;根据M个三元组得到知识图谱;其中A≥1,B≥1。
在一个实施例中,上述输入模块504,用于将M个三元组输入经训练的产品预测模型,由产品预测模型获取三元组中头实体对应的第一嵌入向量和关系对应的第二嵌入向量;头实体包括用户的用户标识和金融产品中的至少一种;将第一嵌入向量和第二嵌入向量输入重塑函数,根据重塑函数输出的重塑特征矩阵,确定对应的张量;将张量映射至预设维度的空间中,并根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数;预设维度基于第一嵌入向量和第二嵌入向量的维度确定,关系矩阵基于M个三元组中多个第二嵌入向量确定。
在一个实施例中,上述输入模块504,用于将重塑特征矩阵输入二维卷积层,获取二维卷积层输出的特性图;对特性图进行全连接映射,得到重塑特征矩阵对应的张量。
在一个实施例中,上述输入模块504,用于根据映射后的张量中第一嵌入向量和第二嵌入向量分别与关系矩阵中的第二嵌入向量的乘积,得到包含用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量的组合的多组预测产品三元组;针对每组预测产品三元组,将该组预测产品三元组中用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量输入预设评分函数,获取预设评分函数针对该组预测产品三元组输出的预测分数。
在一个实施例中,上述推送模块506,用于根据预测分数大于预设分数阈值的预测产品三元组,得到目标预测产品三元组;根据目标预测产品三元组确定对应的用户标识和预测金融产品,并向用户标识对应的用户推送预测金融产品。
上述金融产品推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种金融产品推送方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的金融产品推送方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的金融产品推送方法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的金融产品推送方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户金融信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种金融产品推送方法,其特征在于,所述方法包括:
获取用户对应的用户金融信息以及金融产品对应的产品信息;
根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱;所述知识图谱包括M个三元组;其中M≥1;
将所述M个三元组输入经训练的产品预测模型,获取所述产品预测模型基于重塑函数获取所述M个三元组对应的重塑特征矩阵后,基于所述重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;所述预测产品三元组包括所述用户的用户标识、所述用户对应的预测金融产品以及所述用户标识与所述预测金融产品的关系;其中N≥1;
根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱,包括:
根据A个头实体、B个尾实体以及所述A个头实体与所述B个尾实体之间的关系,生成M个三元组;所述头实体包括所述用户的用户标识和所述金融产品中的至少一种,所述尾实体包括所述头实体对应的用户金融信息和产品信息中的至少一种;其中A≥1,B≥1;
根据所述M个三元组得到所述知识图谱。
3.根据权利要求1所述的方法,其特征在于,所述将所述M个三元组输入经训练的产品预测模型,包括:
将所述M个三元组输入经训练的产品预测模型,由所述产品预测模型获取所述三元组中头实体对应的第一嵌入向量和关系对应的第二嵌入向量;所述头实体包括所述用户的用户标识和所述金融产品中的至少一种;
将所述第一嵌入向量和所述第二嵌入向量输入重塑函数,根据所述重塑函数输出的重塑特征矩阵,确定对应的张量;
将所述张量映射至预设维度的空间中,并根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数;所述预设维度基于所述第一嵌入向量和所述第二嵌入向量的维度确定,所述关系矩阵基于所述M个三元组中多个第二嵌入向量确定。
4.根据权利要求3所述的方法,其特征在于,所述根据所述重塑函数输出的重塑特征矩阵,确定对应的张量,包括:
将所述重塑特征矩阵输入二维卷积层,获取所述二维卷积层输出的特性图;
对所述特性图进行全连接映射,得到所述重塑特征矩阵对应的张量。
5.根据权利要求3所述的方法,其特征在于,所述根据映射后的张量与关系矩阵的乘积,输出N个预测产品三元组和各个预测产品三元组对应的预测分数,包括:
根据映射后的张量中第一嵌入向量和第二嵌入向量分别与关系矩阵中的第二嵌入向量的乘积,得到包含用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量的组合的多组预测产品三元组;
针对每组预测产品三元组,将该组预测产品三元组中用户标识对应的第一嵌入向量、关系对应的第二嵌入向量和预测金融产品对应的第一嵌入向量输入预设评分函数,获取所述预设评分函数针对该组预测产品三元组输出的预测分数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品,包括:
根据所述预测分数大于预设分数阈值的预测产品三元组,得到目标预测产品三元组;
根据所述目标预测产品三元组确定对应的用户标识和预测金融产品,并向所述用户标识对应的用户推送所述预测金融产品。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取用户对应的用户金融信息以及金融产品对应的产品信息,包括:
根据用户对应的年龄、资产和风险承受等级,得到所述用户对应的用户金融信息;
根据所述金融产品对应的风险等级、收益率和交易条件,得到所述金融产品对应的产品信息。
8.一种金融产品推送装置,其特征在于,所述装置包括:
获取模块,用于获取用户对应的用户金融信息以及金融产品对应的产品信息;
生成模块,用于根据所述用户金融信息、所述用户与所述用户金融信息的关系、所述金融产品、所述金融产品与所述产品信息的关系以及所述用户与所述金融产品的关系,生成对应的知识图谱;所述知识图谱包括M个三元组;其中M≥1;
输入模块,用于将所述M个三元组输入经训练的产品预测模型,获取所述产品预测模型基于重塑函数获取所述M个三元组对应的重塑特征矩阵后,基于所述重塑特征矩阵输出的N个预测产品三元组以及各个预测产品三元组对应的预测分数;所述预测产品三元组包括所述用户的用户标识、所述用户对应的预测金融产品以及所述用户标识与所述预测金融产品的关系;其中N≥1;
推送模块,用于根据所述预测分数确定目标预测产品三元组,并根据所述目标预测产品三元组确定向所述用户推送的预测金融产品。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620963.7A CN117593084A (zh) | 2023-11-30 | 2023-11-30 | 金融产品推送方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620963.7A CN117593084A (zh) | 2023-11-30 | 2023-11-30 | 金融产品推送方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593084A true CN117593084A (zh) | 2024-02-23 |
Family
ID=89921653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311620963.7A Pending CN117593084A (zh) | 2023-11-30 | 2023-11-30 | 金融产品推送方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593084A (zh) |
-
2023
- 2023-11-30 CN CN202311620963.7A patent/CN117593084A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
WO2013067461A2 (en) | Identifying associations in data | |
CN112214499B (zh) | 图数据处理方法、装置、计算机设备和存储介质 | |
CN116615736A (zh) | 经由光卷积进行的动态图节点嵌入 | |
CN112883227B (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
Jia et al. | Weakly supervised label distribution learning based on transductive matrix completion with sample correlations | |
Passalis et al. | Deep supervised hashing using quadratic spherical mutual information for efficient image retrieval | |
Zhang et al. | Adaptive non-negative projective semi-supervised learning for inductive classification | |
CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
Zhang et al. | Center consistency guided multi-view embedding anchor learning for large-scale graph clustering | |
Huang et al. | DeeptransMap: a considerably deep transmission estimation network for single image dehazing | |
CN117593084A (zh) | 金融产品推送方法、装置、设备、存储介质和程序产品 | |
Park et al. | Varying‐coefficients for regional quantile via KNN‐based LASSO with applications to health outcome study | |
CN117235533B (zh) | 对象变量分析方法、装置、计算机设备和存储介质 | |
Pei et al. | Self-adjusting multilayer nonlinear coupled mapping for low-resolution face recognition | |
Luo et al. | Bayesian graph convolutional network with partial observations | |
NEGGAZ et al. | An intelligent feature selection using archimedes optimization algorithm for facial analysis | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN117057439A (zh) | 模型参数更新方法、装置、计算机设备和存储介质 | |
Ma et al. | Latent Topic-Aware Multioutput Learning | |
Liu et al. | Exploiting similarity-induced redundancies in correlation topology for channel pruning in deep convolutional neural networks | |
Wang et al. | Visualize and compress single logo recognition neural network | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
CN117496216A (zh) | 图像分类方法、装置、设备、介质和产品 | |
Tomei et al. | A computational approach for progressive architecture shrinkage in action recognition |
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 |