一种推荐现金商品的方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种推荐现金商品的方法、装置、设备及存储介质。该方法包括：获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果。本发明专利技术实施例解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

【技术实现步骤摘要】
一种推荐现金商品的方法、装置、设备及存储介质
本专利技术实施例涉及互联网技术，尤其涉及一种推荐现金商品的方法、装置、设备及存储介质。
技术介绍
随着互联网金融的发展，出现了现金商品，如取现、信用卡还卡等。上述商品主要有两个不确定因素：金额和期数，当用户面对现金商品页面时，如何根据用户特征，提供合适的金额和期数的组合选择方式，目前主要有两种处理方法：其一，采用业务规则方法，如按照用户公司收益最大化的方法，将其最大的可借额度作为推荐金额，按照最大期数作为推荐期数；其二，热销方法，按照实际用户最常出现的借款的金额和期数作为推荐的金额和期数。上述方式一，虽然理论上可实现公司利益最大化，但实际上并不是大部分用户在多数情况下的选择，当和用户真实选择的金额和期数偏离较大时，用户需要手动修改金额和期数；上述方式二，由于不同用户对应的借款需求以及还款意愿不一样，因此用实际最常出现的金额和期数并不能代表所用用户的选择，因而准确率也不高。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术提供一种推荐现金商品的方法、装置、设备及存储介质，以实现提高推荐准确度。第一方面，本专利技术实施例提供了一种推荐现金商品的方法，该方法包括：获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。进一步的，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合。进一步的，所述获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果之后，还包括：基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。进一步的，所述将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集，包括：获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。进一步的，所述二元分类器算法包括决策树和逻辑回归。第二方面，本专利技术实施例还提供了一种推荐现金商品的装置，该装置包括：正负样本获取模块，用于获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；目标训练集生成模块，用于将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；训练模型获取模块，用于采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；排序结果生成模块，用于获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。进一步的，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合；所述装置，还包括：推荐模块，用于基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。进一步的，所述目标训练集生成模块，包括：信息获取单元，用于获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；样本训练单元，用于将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。第三方面，本专利技术实施例还提供了一种设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前文所述的推荐现金商品的方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前文所述的推荐现金商品的方法。本专利技术通过获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，采用二元分类器算法，根据上述目标训练集对预设的数学模型进行训练，得到训练模型，利用上述训练模型预测待预测用户对应的现金商品的排序结果。解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。附图说明图1a是本专利技术实施例一中的一种推荐现金商品的方法的流程图；图1b是本专利技术实施例一中的用户特征信息的示意图；图1c是本专利技术实施例一中的现金商品的金额填写页面的示意图；图1d是本专利技术实施例一中的现金商品的期数填写页面的示意图；图2是本专利技术实施例一中的一种推荐现金商品的方法的流程图；图3是本专利技术实施例三中的一种推荐现金商品的装置的结构示意图；图4是本专利技术实施例四中的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1a为本专利技术实施例一提供的一种推荐现金商品的方法的流程图，本实施例可适用于向用户推荐合适的现金商品的情况，该方法可以由推荐现金商品的装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于终端中，例如典型的是手机、计算机、平板电脑等。如图1a所示，该方法具体包括如下步骤：步骤S110、获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；其中，现金商品是随着互联网金融的发展而出现的，可选的，现金商品的参数包括金额和期数，相应的，正样本为用户购买的现金商品中选择的金额和起手构成的组合，负样本为用户购买的现金商品中未选择的金额和期数构成的组合。示例性的，可供用户选择的金额的最小值为100元，最大值为公司给每个用户的可借额度，比如5000元，同时设定可选择的金额为100元的整倍数；可供用户选择的期数有3期，6期，9期，12期，18期，21期，24期，36期等，上述金额和期数便可形成(1000元，3期)、(1000元，6期)、(1000元，9期)等组合方式，需要说明的是，在实际业务中，由于向用户提供的可选择的金额和期数的种类均为有限种，因此，上述构成的组合方式也为有限种。此外，根据实际情况，针对具体金额和期数的可选种类进行设定，在此并不作限定。当用户在上述提供的多种组合方式中选择了某一种(如(1000元，6期))，那么该种组合便称为正样本，与此同时，未被选择的其它种类(如(1000元,3期)，(1000元，24期)等)便称为负样本。由此可以看出，针对一名用户来说，正样本的个数为一个，而负样本的个数为多个。步骤S120、将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；可选的，用户特征信息本文档来自技高网...

【技术保护点】
一种推荐现金商品的方法，其特征在于，包括：获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

【技术特征摘要】
1.一种推荐现金商品的方法，其特征在于，包括：获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。2.根据权利要求1所述的方法，其特征在于，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合。3.根据权利要求2所述的方法，其特征在于，所述获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果之后，还包括：基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。4.根据权利要求1所述的方法，其特征在于，所述将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集，包括：获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。5.根据权利要求1-4任一项所述的方法，其特征在于，所述二元分类器算法包括决策树和逻辑回归。6.一种推荐现金商品的装置，其特征在于，包括：正负样本获取模块，用于获取多名用户购买的现金商...

【专利技术属性】
技术研发人员：吴志坚，
申请(专利权)人：深圳乐信软件技术有限公司，
类型：发明
国别省市：广东,44