基金产品推荐方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术公开一种基金产品推荐方法、装置、终端设备及存储介质。该基金产品推荐方法，包括：获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。该基金产品推荐方法能够基于用户的投资条件进行基金产品推荐，提高投资者对基金产品定位的准确性。

【技术实现步骤摘要】
基金产品推荐方法、装置、终端设备及存储介质
本专利技术涉及金融数据处理领域，尤其涉及一种基金产品推荐方法、装置、终端设备及存储介质。
技术介绍
基金投资是指投资者通过基金交易系统购买基金产品以实现对资产的管理和分配的一种理财手段。当前基金交易系统中依据投资风险的高低将基金产品依次划分成股票型、指数型、混合型、债券型和货币型等基金类型，用户根据基金类型和自身投资条件选取不同基金类型的基金产品进行交易。当前基金交易系统不具有基于用户的投资条件进行基金产品推荐的功能，使得投资者对自身投资条件和基金产品进行定位时，因定位准确性较低而影响投资基金的收益率。
技术实现思路
本专利技术实施例提供一种基金产品推荐方法、装置、终端设备及存储介质，以解决当前基金交易系统不具有基于用户的投资条件进行基金产品推荐的问题。第一方面，本专利技术实施例提供一种基金产品推荐方法，包括：获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。第二方面，本专利技术实施例提供一种基金产品推荐装置，包括：当前用户画像数据获取模块，用于获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；用户数据模型获取模块，用于获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；目标聚类类簇确定模块，用于基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；目标基金产品确定模块，用于基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。第三方面，本专利技术实施例提供一种一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基金产品推荐方法的步骤。第四方面，本专利技术实施例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有计算机程序，所述计算机程序被处理器执行时实现所述基金产品推荐方法的步骤。本专利技术实施例所提供的的基金产品推荐方法、装置、设备及存储介质中，基于当前用户画像数据和用户数据类型，确定目标风险评估值，并利用目标风险评估值确定对应的目标基金产品，以使推荐给目标用户的目标基金产品对用户自身投资条件和基金产品进行准确定位，有助于目标用户提高投资收益率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1中基金产品推荐方法的一流程图。图2是本专利技术实施例1中基金产品推荐方法的另一流程图。图3是图2中步骤S50的一具体流程图。图4是图1中步骤S30的一具体流程图。图5是图1中步骤S40的一具体流程图。图6是本专利技术实施例2中基金产品推荐装置的一原理框图。图7是本专利技术实施例4中终端设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1图1示出本实施例中基金产品推荐方法的流程图。该基金产品推荐方法应用在基金交易系统中，用于根据用户的投资条件给用户推荐目标基金产品，以避免投资者对自身投资条件和基金产品定位准确性较低而影响投资基金的收益率。如图1所示，该基金产品推荐方法包括如下步骤：S10：获取当前用户画像数据，当前用户画像数据包括至少一个当前特征数据。其中，当前用户画像数据是需要推荐基金产品的用户的用户画像数据。本实施例中，将需要推荐基金产品的用户简称为目标用户。用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。用户画像数据是构建该用户画像的数据。该当前用户画像数据可体现目标用户自身的投资条件。当前特征数据是与目标用户自身投资条件相关的数据。该当前特征数据包括但不限于本实施例中的年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值。即当前用户画像数据包括至少一个当前特征数据，具体是指包括年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值中的至少一个。当前特征数据中的年龄是目标用户的年龄，目标用户的年龄与目标用户可能购买的基金产品的基金类型具有相关性。一般而言，目标用户的年龄越大，越偏向于购买风险较低的基金产品；反之，目标用户的年龄越小，越偏向于购买风险较高的基金产品。当前特征数据中的职业是目标用户的职业，目标用户的职业一般与目标用户的性格相关，性格不同的目标用户可能选择不同风险的基金产品；反之，性格相同的目标用户可能选择购买相同风险的基金产品。当前特征数据中的收入可以是目标用户的可支配收入，也可以是目标用户的纯收入，收入也可能影响目标用户选择基金产品的基金类型。当前特征数据中的投资经验是指目标用户在投资基金或者投资其他金融理财产品上的经验，一般投资经验越少，越偏向于购买风险较低的基金产品。当前特征数据中的投资比例是指目标用户购买基金产品占所有投资的比例，根据投资比例的高低，可确定该用户偏向于购买哪种风险的基金产品。当前特征数据中的风险偏好是目标用户的风险偏好，根据风险偏好推荐不同风险的基金产品。当前特征数据中的承受亏损值是目标用户可以承受亏损的值，可基于承受亏损值推荐风险不同的基金产品。S20：获取用户数据模型，用户数据模型包括至少两个聚类类簇，每一聚类类簇对应一风险评估值。用户数据模型是基金交易系统预先基于训练用户画像数据训练后获取与投资基金的风险评估值关联的模型。其中，训练用户画像数据是训练用户的用户画像数据，该训练用户画像数据是用于训练用户数据模型的数据。该训练用户是预先在基金交易系统开户并进行过基金交易的用户。聚类类簇是采用聚类算法对训练用户画像数据进行聚类后，获取的相似训练用户画像数据的集合。每一聚类类簇对应一风险评估值，该风险评估值是任一聚类类簇中训练用户画像数据对应的训练用户在投资基金时可承受风险的评估值。可以理解地，风险评估值与基金产品的基金类型相关联，风险评估值越大的训练用户越偏向于投资风险高且收益高的基金产品，反之，风险评估值越小的训练用户越偏向于投资风险低且收益低的基金产品。在一具体实施方式中，如图2所示，该基金产品推荐方法还包括：S50：基于训练用户画像数据训练用户数据模型，训练用户画像数据包括至少一个训练特征数据。其中，训练特征数据是与训练用户自身投资条件相关的数据。该训练特征数据包括但不限于本实施例中的年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值。即当前用户画像数据包括至少一个训练特征数据，具体是指包括年龄、职业、收入、投资经验、投资比例、风险偏好和承受亏损值中的至少一个。具体地，基于训练用户画像数据训练用户数据本文档来自技高网...

【技术保护点】
一种基金产品推荐方法，其特征在于，包括：获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。

【技术特征摘要】
1.一种基金产品推荐方法，其特征在于，包括：获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；获取用户数据模型，所述用户数据模型包括至少两个聚类类簇，每一所述聚类类簇对应一风险评估值；基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇；基于所述目标聚类类簇对应的风险评估值，确定目标基金产品。2.如权利要求1所述的基金产品推荐方法，其特征在于，所述获取用户数据模型之前，所述基金产品推荐方法还包括：基于训练用户画像数据训练所述用户数据模型，所述训练用户画像数据包括至少一个训练特征数据；将所述用户数据模型存储在数据库中；所述获取用户数据模型，包括：从所述数据库中获取所述用户数据模型。3.如权利要求2所述的基金产品推荐方法，其特征在于，所述基于训练用户画像数据训练所述用户数据模型，包括：对所述训练用户画像数据中的至少一个所述训练特征数据进行标准化处理，以使训练用户画像数据包括至少一个标准特征数据；采用K-means聚类算法对所述训练用户画像数据中至少一个所述标准特征数据进行聚类，获取至少二个聚类类簇，每一聚类类簇对应一质心用户画像数据；采用加权运算算法对所述质心用户画像数据进行加权处理，确定所述质心用户画像数据对应一风险评估值，所述加权运算算法为Pi＝∑Vi·Wi，其中，∑Wi＝1，Pi为质心用户的风险评估值，Vi为质心用户画像数据中每一标准特征数据的值，Wi是每一种标准特征数据的权重；基于所述聚类类簇和所述风险评估值，获取所述用户数据模型。4.如权利要求1所述的基金产品推荐方法，其特征在于，所述基于所述当前用户画像数据，从至少两个所述聚类类簇中获取与至少一个所述当前特征数据相对应的目标聚类类簇，包括：将所述当前用户画像数据分别与所述用户数据模型中至少两个所述聚类类簇的质心用户画像数据进行计算，获取至少两个欧氏距离；选取至少两个所述欧氏距离中最小值对应的质心用户画像数据所在的聚类类簇作为与至少一个所述当前特征数据相对应的所述目标聚类类簇。5.如权利要求1所述的基金产品推荐方法，其特征在于，所述基于所述目标聚类类簇对应的风险评估值，确定目标基金产品，包括：基于所述目标聚类类簇对应的风险评估值，确定对应的目标基金类型；根据所述基金类型，获取与所述基金类型相对应的待荐基金产品和基金评价指标；依据所述基金评价指标，采用快速排序算法对所述待荐基金产品进行排序，确定所述目标基金产品。6.一种基金产品推荐装置，其特征在于，包括：当前用户画像数据获取模块，用于获取当前用户画像数据，所述当前用户画像数据包括至少一个当前特征数据；用户数...

【专利技术属性】
技术研发人员：姬马婧雯，何军，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44