一种基于神经网络的智能卡片推荐方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的智能卡片推荐方法及装置，该方法包括获取用户的卡片推荐请求，根据用户的卡片推荐请求，提取出用户的用户特征，将用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数，智能卡片推荐模型是对由各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的，将推荐分数大于预设阈值的卡片推荐给用户。由于在训练智能卡片推荐模型时，使用的数据来源多，数据维度广，使得智能卡片推荐模型的推荐成功率高，进而可以提高用户的申卡或用卡效率。

【技术实现步骤摘要】
一种基于神经网络的智能卡片推荐方法及装置
本专利技术涉及卡片推荐
，尤其涉及一种基于神经网络的智能卡片推荐方法及装置。
技术介绍
近年来，随着智能手机的蓬勃发展，人们越来越频繁地使用手机钱包来进行交易结算的支付，但手机中绑定多张不同银行卡(借记卡、贷记卡)、交通卡也会带来一些不便。例如，当用户选择手机钱包支付时，应用会弹出系统默认的借记卡，而用户偏向于使用信用卡时需要手动进行选择，支付效率较低。本专利提案提供了一种手机钱包智能发卡、选卡方法，用于在发卡时自动推荐发卡行和卡片，颠覆现有发卡模式，提高发卡效率；在支付时，向用户推荐付款卡片，减少用户操作、提高支付效率、改善用户的支付体验。
技术实现思路
本专利技术实施例提供一种基于神经网络的智能卡片推荐方法及装置，用以实现根据用户的需求自动向用户推荐卡片，降低用户的操作步骤，提高用户的用卡效率。第一方面，本专利技术实施例提供一种基于神经网络的智能卡片推荐方法，包括：获取用户的卡片推荐请求；根据所述用户的卡片推荐请求，提取出所述用户的用户特征；本文档来自技高网...

【技术保护点】
1.一种基于神经网络的智能卡片推荐方法，其特征在于，包括：/n获取用户的卡片推荐请求；/n根据所述用户的卡片推荐请求，提取出所述用户的用户特征；/n将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；/n将推荐分数大于预设阈值的卡片推荐给所述用户。/n

【技术特征摘要】
1.一种基于神经网络的智能卡片推荐方法，其特征在于，包括：
获取用户的卡片推荐请求；
根据所述用户的卡片推荐请求，提取出所述用户的用户特征；
将所述用户的用户特征输入至智能卡片推荐模型中，得到各卡片的推荐分数；所述智能卡片推荐模型是对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到的；
将推荐分数大于预设阈值的卡片推荐给所述用户。


2.如权利要求1所述的方法，其特征在于，所述对各由用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据组成的训练集进行训练学习得到所述智能卡片推荐模型，包括：
获取各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据；
对所述各用户的历史数据、各终端厂商的平台数据、各发卡行的平台数据和卡片组织的平台数据进行标注，得到训练集；
对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征；
将所述各用户的群体特征、用户特征和反馈特征输入至预设的神经网络模型进行训练学习，直到模型收敛，得到所述智能卡片推荐模型。


3.如权利要求2所述的方法，其特征在于，所述群体特征包括移动终端设备用户群特点、卡用户群特点和商户用户群特点；
所述用户特征包括用户的自身画像、用户的历史交易数据和相似用户的历史交易数据；
所述反馈特征包括用户使用勘误、用户推荐接受度和补充勘误。


4.如权利要求3所述的方法，其特征在于，卡片推荐请求为发卡请求，所述智能卡片推荐模型为智能卡片发卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、申请的卡片、支付地点、申卡地点、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据和申卡数据；
根据所述各用户的历史交易数据和申卡数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据和申卡数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、申卡成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据和申卡数据确定为所述各用户的反馈特征的补充勘误。


5.如权利要求3所述的方法，其特征在于，卡片推荐请求为用卡请求，所述智能卡片推荐模型为智能卡片用卡模型；
所述对所述训练集中的数据进行特征提取，得到各用户的群体特征、用户特征和反馈特征，包括：
根据所述训练集中的移动终端设备的设备类型、设备类型分布、设备占有率以及用户性别、年龄、消费习惯、职业，确定出所述各用户的群体特征中的移动终端设备用户群特点；
根据所述训练集中的卡片类型、卡片支付成功率、卡片市场占有率、卡片用户意愿度、卡片用户性别、年龄、消费习惯和职业，确定出所述各用户的群体特征中的卡用户群特点；
根据所述训练集中的交易金额、交易笔数和消费人群，确定出所述各用户的群体特征中的商户用户群特点；
根据所述训练集中的用户的性别、年龄、职业、移动终端的设备类型、拥有卡片类型和消费习惯，确定出所述各用户的用户特征中的用户的自身画像；
根据所述训练集中的用户使用的卡片、是否使用营销信息、是否存在营销信息、交易成功的时间、支付金额、支付地点和交易商户类型，确定出所述各用户的用户特征中的用户的历史交易数据；
根据所述各用户的历史交易数据的维度，将具有相同维度且各维度的相似度大于各维度相似度阈值的用户，确定为所述各用户的相似用户，并确定出所述各用户的用户特征中的相似用户的历史交易数据；
根据所述训练集中各交易中推荐卡片信息、用户手动选取的卡片信息及其交易信息，确定出所述各用户的反馈特征中的用户使用勘误；
根据所述训练集中的用户及相似勘误用户的推荐接受率、支付成功率、营销优惠的接受率，确定出所述各用户的反馈特征的用户推荐接受度；
从所述相似勘误用户中选择出不满意推荐结果且手动选取卡片的用户，将所述不满意推荐结果且手动选取卡片的用户的历史交易数据确定为所述各用户的反馈特征的补充勘误。


6.如权利要求1至5任一项所述的方法，其特征在于，在所述将推荐分数大于预设阈值的卡片推荐给所述用户之后，还包括：
获取用户的卡片选取结果；
若所述卡片选取结果为未选取所述推荐分数大于预设阈值的卡片，则将所述卡片推荐请求、所述推荐分数大于预设阈值的卡片、所述卡片选取结果和所述用户手动选取的卡片存储为训练数据。


7.一种基于神经网络的智能卡片推荐装置，其特征在于，包括：
获取...

【专利技术属性】
技术研发人员：刘刚，陈珂，蒋海俭，林晋任，才华，章政，肖普山，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海;31