产品推荐方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种产品推荐方法，该方法包括：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。本发明专利技术根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。

Product Recommendation Method, Device and Computer Readable Storage Media

【技术实现步骤摘要】
产品推荐方法、装置及计算机可读存储介质
本专利技术涉及计算机
，尤其涉及一种产品推荐方法、装置及计算机可读存储介质。
技术介绍
随着互联网与金融的不断融合和发展，理财产品APP作为移动互联网金融的一个重要板块，近年得到了迅速发展，越来越多的人开始尝试并接受这种新的理财方式。但已有理财产品直销APP无法整合银行相关业务的功能；而且也没有高低门槛之分，因此不具备风险评估功能，用户无法定位自己的风险承受范围，做出合理投资。
技术实现思路
本专利技术提供一种产品推荐方法、装置及计算机可读存储介质，其主要目的在于根据客户的特征、喜好、交易行为进行深入分析和挖掘，为客户提供了理财产品实时个性化精准营销和定制化服务。为实现上述目的，本专利技术还提供一种产品推荐方法，所述方法包括：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数，所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。优选地，在获取训练样本数据之前，所述方法还包括：采集原始样本数据；对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。优选地，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：从训练样本数据中得到每种理财产品类型下的样本集合；从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。优选地，所述方法还包括：获取理财产品库中各个理财产品的描述；从各个理财产品的描述中提取关键词；根据各个理财产品对应的关键词，确定各个理财产品的类型。优选地，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益对照表。为了实现上述目的、本专利技术还提供一种产品推荐装置，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的数据库设计文档程序，所述数据库设计文档程序被所述处理器执行时实现如下步骤：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数，所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。优选地，在获取训练样本数据之前，所述处理器执行时还实现如下步骤：采集原始样本数据；对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。优选地，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：从训练样本数据中得到每种理财产品类型下的样本集合；从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。优选地，所述处理器执行时还实现如下步骤还包括：获取理财产品库中各个理财产品的描述；从各个理财产品的描述中提取关键词；根据各个理财产品对应的关键词，确定各个理财产品的类型。此外，为实现上述目的，本专利技术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上存储有数据库设计文档程序，所述数据库设计文档程序可被一个或者多个处理器执行，以实现如上所述的产品推荐方法的步骤。附图说明图1为本专利技术一实施例提供的产品推荐方法的流程示意图；图2为本专利技术一实施例提供的产品推荐装置的内部结构示意图；图3为本专利技术一实施例提供的产品推荐装置中数据库设计文档程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种产品推荐方法。参照图1所示，为本专利技术一实施例提供的产品推荐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。在本实施例中，产品推荐方法包括：S10、获取训练样本数据。在本实施例中，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据。所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据。本申请中集成用户的多种数据，从而全面评估用户的消费能力、风险能力，从而为用户确定更符合用户的理财产品。例如，通过获取社交媒体数据还能预知用户的社交层次，从而预测用户的消费潜力及抗风险能力等等。在获取训练样本数据之前，所述方法还包括：采集原始样本数据；对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。本专利技术实施例的原始样本数据，虽然经过质量检测，删除了其中的不完整数据和错误数据处理之后的数据，但仍可能存在没有达到业务标准或建模标准的数据。因此在对数据进行预处理操作中，还应对数据进行清洗处理。例如，对其中存在的异常值进行校正或者删除。其中，缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。对缺失值常用的补偿方法有删除缺失值或插值补缺失值法。其中，离散化处理，是指把无限空间中有限的个体映射到有限的空间中去，以此本文档来自技高网...

【技术保护点】
1.一种产品推荐方法，其特征在于，所述方法包括：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据,所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。

【技术特征摘要】
1.一种产品推荐方法，其特征在于，所述方法包括：获取训练样本数据，所述训练样本数据包括多个用户的样本数据，其中一个用户的样本数据包括用户的特征数据及用户对应的理财产品类型，所述用户的特征数据包括：用户的银行业务数据、征信数据及生活业务数据,所述银行业务数据包括：存贷款数据、基金数据、保险数据；所述生活业务数据包括：网上购物消费数据、社交媒体数据、电话充值数据、生活水电费数据；基于所述训练样本数据，训练得到理财产品类型预测模型；获取目标用户的特征数据；将所述目标用户的特征数据作为所述理财产品类型预测模型的输入，输出所述目标用户对应的目标理财产品类型；从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品。2.如权利要求1所述的产品推荐方法，其特征在于，在获取训练样本数据之前，所述方法还包括：采集原始样本数据；对原始样本数据进行预处理，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理、去重处理、合并同类项处理。3.如权利要求1所述的产品推荐方法，其特征在于，所述理财产品类型预测模型为训练后的深度卷积神经网络模型，所述深度卷积神经网络模型的训练过程主要包括：从训练样本数据中得到每种理财产品类型下的样本集合；从每个理财产品类型下的样本集合中获取每个理财产品类型下的待训练样本集合及每个理财产品类型下的待校验样本集合；将每个理财产品类型下的待训练样本集合的样本依次输入所述深度卷积神经网络模型，利用预设的训练算法训练用于根据用户的特征数据预测用户购买理财产品类型的深度卷积神经网络模型，并利用每个理财产品类型下的待校验样本集合的样本校验训练后的深度卷积神经网络模型。4.如权利要求1所述的产品推荐方法，其特征在于，所述方法还包括：获取理财产品库中各个理财产品的描述；从各个理财产品的描述中提取关键词；根据各个理财产品对应的关键词，确定各个理财产品的类型。5.如权利要求1至4中任一项所述的产品推荐方法，其特征在于，所述从理财产品库中，推荐与所述目标理财产品类型匹配的理财产品包括：从理财产品库中读取各个理财产品的类型，将与所述目标理财产品类型相同的理财产品确定为与所述目标理财产品类型匹配的理财产品；将与所述目标理财产品类型匹配的理财产品的信息展现给用户，所述信息包括理财产品的类型、交易时间、收益率、风险介绍以及损益...

【专利技术属性】
技术研发人员：刘金满，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东,44