本申请提供了一种客户权益推送方法及装置、存储介质及电子设备，可应用于金融领域或其他领域，预先构建神经网络分类模型，通过获取待推送客户在预设时间段内的日常消费数据，将日常消费数据处理成多个语句，在每个语句的首个字符之前设置预设标识，得到每个语句对应的更新后的语句，利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果，基于分类结果，确定推送客户的消费偏好，基于消费偏好，向待推送客户推送权益。实现了基于待推送客户的消费偏好进行权益推送。基于待推送客户的消费偏好进行权益推送。基于待推送客户的消费偏好进行权益推送。
【技术实现步骤摘要】
客户权益推送方法及装置、存储介质及电子设备
[0001]本申请涉及互联网应用
，尤其涉及一种客户权益推送方法及装置、存储介质及电子设备。
技术介绍
[0002]银行权益系统的权益种类越来越多样化，包括出行、餐饮、话费、酒店等，而不同的客户所喜爱的权益各不相同，因此，如何提供一种能够实现基于客户的消费喜好为客户推送权益，以提升客户的满意度，从而促进银行业务发展的技术方案，是目前本领域技术人员亟需解决的问题。
技术实现思路
[0003]本申请提供了一种客户权益推送方法及装置、存储介质及电子设备，目的在于实现基于客户的消费喜好为客户推送权益，以提升客户的满意度，从而促进银行业务发展。
[0004]为了实现上述目的，本申请提供了以下技术方案：
[0005]一种客户权益推送方法，包括：
[0006]获取待推送客户在预设时间段内的日常消费数据；
[0007]将所述日常消费数据处理成多个语句；
[0008]在每个语句的首个字符之前设置预设标识，得到每个语句对应的更新后的语句；
[0009]利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果；
[0010]基于所述分类结果，确定所述推送客户的消费偏好；
[0011]基于所述消费偏好，向所述待推送客户推送权益。
[0012]上述的方法，可选的，所述利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果，包括：
[0013]利用预先构建的神经网络分类模型中的神经网络层，对每个更新后的语句进行处理，得到每个更新后的语句的隐含向量；所述更新后的语句的隐含向量包括所述预设标识的向量和除所述预设标识外的每个字符的向量；
[0014]利用预先构建的神经网络分类模型中的重注意力层，对每个更新后的语句的隐含向量进行处理，得到每个更新后的语句的加权向量；
[0015]将每个更新后的语句的加权向量叠加所述预设标识的向量，得到每个更新后的语句的最终向量；
[0016]将每个更新后的语句的最终向量输入至预先构建的神经网络分类模型中的分类器中，得到分类结果。
[0017]上述的方法，可选的，所述利用预先构建的神经网络模型中的重注意力层，对每个更新后的语句的隐含向量进行处理，得到每个更新后的语句的加权向量，包括：
[0018]针对每个更新后的语句，利用所述神经网络模型中的重注意力层，确定每个目标
字符的权重，并基于每个目标字符权重，和每个目标字符的向量，计算每个更新后的语句的加权向量；其中，目标字符为所述更新后的语句中除所述预设标识外的任意一个字符，所述每个目标字符的权重依据该目标字符的向量与所述预设标识的向量，通过预设的得分公式计算得到。
[0019]上述的方法，可选的，所述将所述日常消费数据处理成多个语句，包括：
[0020]针对所述日常消费数据中的每一条消费记录，确定所述消费记录中的隐私数据，将所述隐私数据进行删除；
[0021]基于删除隐私数据后的各条消费记录，得到所述日常消费数据的多个语句。
[0022]上述的方法，可选的，所述基于所述消费偏好，向所述待推送客户推送权益，包括：
[0023]确定预设的与所述消费偏好关联的权益；
[0024]将所确定的权益推送至所述待推送客户。
[0025]一种客户权益推送装置，包括：
[0026]获取单元，用于获取待推送客户在预设时间段内的日常消费数据；
[0027]处理单元，用于将所述日常消费数据处理成多个语句；
[0028]设置单元，用于在每个语句的首个字符之前设置预设标识，得到每个语句对应的更新后的语句；
[0029]分类单元，用于利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果；
[0030]确定单元，用于基于所述分类结果，确定所述推送客户的消费偏好；
[0031]推送单元，用于基于所述消费偏好，向所述待推送客户推送权益。
[0032]上述的装置，可选的，所述分类单元，包括：
[0033]第一处理子单元，用于利用预先构建的神经网络分类模型中的神经网络层，对每个更新后的语句进行处理，得到每个更新后的语句的隐含向量；所述更新后的语句的隐含向量包括所述预设标识的向量和除所述预设标识外的每个字符的向量；
[0034]第二处理子单元，用于利用预先构建的神经网络分类模型中的重注意力层，对每个更新后的语句的隐含向量进行处理，得到每个更新后的语句的加权向量；
[0035]叠加子单元，用于将每个更新后的语句的加权向量叠加所述预设标识的向量，得到每个更新后的语句的最终向量；
[0036]输入子单元，用于将每个更新后的语句的最终向量输入至预先构建的神经网络分类模型中的分类器中，得到分类结果。
[0037]上述的装置，可选的，所述第二处理子单元具体用于：
[0038]针对每个更新后的语句，利用所述神经网络模型中的重注意力层，确定每个目标字符的权重，并基于每个目标字符权重，和每个目标字符的向量，计算每个更新后的语句的加权向量；其中，目标字符为所述更新后的语句中除所述预设标识外的任意一个字符，所述每个目标字符的权重依据该目标字符的向量与所述预设标识的向量，通过预设的得分公式计算得到。
[0039]一种存储介质，所述存储介质包括存储的指令集，其中，所述指令集被处理器执行时实现如上述的客户权益推送方法。
[0040]一种电子设备，包括：
[0041]存储器，用于存储至少一组指令集；
[0042]处理器，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如上述的客户权益推送方法。
[0043]与现有技术相比，本申请包括以下优点：
[0044]本申请提供了一种客户权益推送方法及装置、存储介质及电子设备，该方法包括：预先构建神经网络分类模型，通过获取待推送客户在预设时间段内的日常消费数据，将日常消费数据处理成多个语句，在每个语句的首个字符之前设置预设标识，得到每个语句对应的更新后的语句，利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果，基于分类结果，确定推送客户的消费偏好，基于消费偏好，向待推送客户推送权益。实现了基于待推送客户的消费偏好进行权益推送。
附图说明
[0045]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0046]图1为本申请提供的一种客户权益推送方法的方法流程图；
[0047]图2为本申请提供的一种客户权益推送方法的又一方法流程图；
[0048]图3为本申请提供的一种客户权益推送方法的另一方法流程图；
[0049]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种客户权益推送方法，其特征在于，包括：获取待推送客户在预设时间段内的日常消费数据；将所述日常消费数据处理成多个语句；在每个语句的首个字符之前设置预设标识，得到每个语句对应的更新后的语句；利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果；基于所述分类结果，确定所述推送客户的消费偏好；基于所述消费偏好，向所述待推送客户推送权益。2.根据权利要求1所述的方法，其特征在于，所述利用预先构建的神经网络分类模型，对每个更新后的语句进行处理，得到分类结果，包括：利用预先构建的神经网络分类模型中的神经网络层，对每个更新后的语句进行处理，得到每个更新后的语句的隐含向量；所述更新后的语句的隐含向量包括所述预设标识的向量和除所述预设标识外的每个字符的向量；利用预先构建的神经网络分类模型中的重注意力层，对每个更新后的语句的隐含向量进行处理，得到每个更新后的语句的加权向量；将每个更新后的语句的加权向量叠加所述预设标识的向量，得到每个更新后的语句的最终向量；将每个更新后的语句的最终向量输入至预先构建的神经网络分类模型中的分类器中，得到分类结果。3.根据权利要求2所述的方法，其特征在于，所述利用预先构建的神经网络模型中的重注意力层，对每个更新后的语句的隐含向量进行处理，得到每个更新后的语句的加权向量，包括：针对每个更新后的语句，利用所述神经网络模型中的重注意力层，确定每个目标字符的权重，并基于每个目标字符权重，和每个目标字符的向量，计算每个更新后的语句的加权向量；其中，目标字符为所述更新后的语句中除所述预设标识外的任意一个字符，所述每个目标字符的权重依据该目标字符的向量与所述预设标识的向量，通过预设的得分公式计算得到。4.根据权利要求1所述的方法，其特征在于，所述将所述日常消费数据处理成多个语句，包括：针对所述日常消费数据中的每一条消费记录，确定所述消费记录中的隐私数据，将所述隐私数据进行删除；基于删除隐私数据后的各条消费记录，得到所述日常消费数据的多个语句。5.根据权利要求1所述的方法，其特征在于，所述基于所述消费偏好，向所述待推送客户推送权益，包括：确定预设的与所述消费偏好关联的权益；将所...
【专利技术属性】
技术研发人员：赵玉琛，刘小刚，沈之芳，詹丽，王雪清，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。