本申请公开一种基金推荐方法、装置、计算机设备和存储介质，属于大数据技术领域，方法包括：获取用户对基金的偏好矩阵，偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；基于时间衰减函数计算基金池中各个基金的热度值，并根据各个基金的热度值，对偏好矩阵进行调整；获取基金相似度矩阵，基金相似度矩阵中的元素用于表征基金池中每两个基金之间的相似度；基于调整后的偏好矩阵以及基金相似度矩阵，从基金池中筛选基金进行推荐给目标用户。本申请实施例能够提高基金推荐的准确性。本申请实施例能够提高基金推荐的准确性。本申请实施例能够提高基金推荐的准确性。
【技术实现步骤摘要】
一种基金推荐方法、装置、计算机设备和存储介质
[0001]本申请涉及大数据
，尤其涉及一种基金推荐方法、装置、计算机设备和存储介质。
技术介绍
[0002]科技的快速发展，使得互联网得到了更好的普及，也使得信息及数据基金不断的膨胀，成指数型增长。互联网资源提供方会将其提供的资源展示给用户，尤其对于诸如基金产品等金融类资源而言，线上基金产品种类繁多，而大多数用户属于非专业人士，无法根据自己的判断来正确选择适合自己的基金产品，从而给用户带来不好的金融体验。因此，如何准确地向用户推荐基金产品是目前亟待解决的问题。
技术实现思路
[0003]为了解决上述
技术介绍
中提到的技术问题，本申请提供了一种基金推荐方法、装置、计算机设备和存储介质。本申请的技术方案如下：
[0004]第一方面，提供了一种基金推荐方法，所述方法包括：
[0005]获取用户对基金的偏好矩阵，所述偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；
[0006]基于时间衰减函数计算所述基金池中各个基金的热度值，并根据各个所述基金的热度值，对所述偏好矩阵进行调整；
[0007]获取基金相似度矩阵，所述基金相似度矩阵中的元素用于表征所述基金池中每两个基金之间的相似度；
[0008]基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户。
[0009]进一步地，所述方法还包括：
[0010]根据各个用户对所述基金池中各基金的至少一个行为数据，计算各个用户的用户活跃值，所述用户活跃值用于反映用户活跃度；
[0011]所述根据所述基金池中各个基金的热度值，对所述偏好矩阵进行调整，包括：
[0012]根据各个用户的用户活跃值和各个所述基金的热度值，对所述偏好矩阵进行调整。
[0013]进一步地，所述获取用户对基金的偏好矩阵，包括：
[0014]根据各个用户对所述基金池中各个基金的至少一个行为数据以及各所述行为数据对应的预设权重，加权计算各所述用户对各所述基金的偏好度值；
[0015]根据各所述用户对各所述基金的偏好度值，构建所述偏好矩阵。
[0016]进一步地，所述基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户，包括：
[0017]根据调整后的所述偏好矩阵，确定出所述目标用户的偏好基金；
[0018]根据所述基金相似度矩阵，从所述基金池中筛选出与所述偏好基金之间的相似度排序靠前的预设数量的相似基金，以形成基金候选集；
[0019]采用基于预设机器学习算法训练得到的推荐模型对所述基金候选集中的基金进行重排序处理，得到最终的基金排序结果进行推荐给所述目标用户。
[0020]进一步地，所述推荐模型是采用如下方式训练得到：
[0021]根据各个用户对所述基金池中各基金的至少一个行为数据，构造各个用户的基金行为特征；
[0022]根据各个用户的用户特征、各个基金的基金特征以及各个用户的基金行为特征，生成训练样本；
[0023]基于预设机器学习算法对所述训练样本进行训练，得到所述推荐模型。
[0024]进一步地，所述预设机器学习算法为XGBoost算法。
[0025]第二方面，提供了一种基金推荐装置，所述装置包括：
[0026]第一获取模块，用于获取用户对基金的偏好矩阵，所述偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；
[0027]调整模块，用于基于时间衰减函数计算所述基金池中各个基金的热度值，并根据各个所述基金的热度值，对所述偏好矩阵进行调整；
[0028]第二获取模块，用于获取基金相似度矩阵，所述基金相似度矩阵中的元素用于表征所述基金池中每两个基金之间的相似度；
[0029]推荐模块，用于基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户。
[0030]进一步地，所述调整模块还用于：
[0031]根据各个用户对所述基金池中各基金的至少一个行为数据，计算各个用户的用户活跃值，所述用户活跃值用于反映用户活跃度；
[0032]根据各个用户的用户活跃值和各个所述基金的热度值，对所述偏好矩阵进行调整。
[0033]进一步地，所述第一获取模块用于：
[0034]根据各个用户对所述基金池中各个基金的至少一个行为数据以及各所述行为数据对应的预设权重，加权计算各所述用户对各所述基金的偏好度值；
[0035]根据各所述用户对各所述基金的偏好度值，构建所述偏好矩阵。
[0036]进一步地，所述推荐模块用于：
[0037]根据调整后的所述偏好矩阵，确定出所述目标用户的偏好基金；
[0038]根据所述基金相似度矩阵，从所述基金池中筛选出与所述偏好基金之间的相似度排序靠前的预设数量的相似基金，以形成基金候选集；
[0039]采用基于预设机器学习算法训练得到的推荐模型对所述基金候选集中的基金进行重排序处理，得到最终的基金排序结果进行推荐给所述目标用户。
[0040]进一步地，所述装置还包括训练模块，所述训练模块用于：
[0041]根据各个用户对所述基金池中各基金的至少一个行为数据，构造各个用户的基金行为特征；
[0042]根据各个用户的用户特征、各个基金的基金特征以及各个用户的基金行为特征，
生成训练样本；
[0043]基于预设机器学习算法对所述训练样本进行训练，得到所述推荐模型。
[0044]进一步地，所述预设机器学习算法为XGBoost算法。
[0045]第三方面，提供了一种计算机设备，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如下操作步骤：
[0046]获取用户对基金的偏好矩阵，所述偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；
[0047]基于时间衰减函数计算所述基金池中各个基金的热度值，并根据各个所述基金的热度值，对所述偏好矩阵进行调整；
[0048]获取基金相似度矩阵，所述基金相似度矩阵中的元素用于表征所述基金池中每两个基金之间的相似度；
[0049]基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户。
[0050]第四方面，提供了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如下操作步骤：
[0051]获取用户对基金的偏好矩阵，所述偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；
[0052]基于时间衰减函数计算所述基金池中各个基金的热度值，并根据各个所述基金的热度值，对所述偏好矩阵进行调整；
[0053]获取基金相似度矩阵，所述基金相似度矩阵中的元素用于表征所述基金池中每两个基金之间的相似度；
[0054本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基金推荐方法，其特征在于，所述方法包括：获取用户对基金的偏好矩阵，所述偏好矩阵中的元素用于表征用户对基金池中的基金的偏好度；基于时间衰减函数计算所述基金池中各个基金的热度值，并根据各个所述基金的热度值，对所述偏好矩阵进行调整；获取基金相似度矩阵，所述基金相似度矩阵中的元素用于表征所述基金池中每两个基金之间的相似度；基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户。2.根据权利要求1所述的方法，其特征在于，所述获取用户对基金的偏好矩阵，包括：根据各个用户对所述基金池中各个基金的至少一个行为数据以及各所述行为数据对应的预设权重，加权计算各所述用户对各所述基金的偏好度值；根据各所述用户对各所述基金的偏好度值，构建所述偏好矩阵。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据各个用户对所述基金池中各基金的至少一个行为数据，计算各个用户的用户活跃值，所述用户活跃值用于反映用户活跃度；所述根据所述基金池中各个基金的热度值，对所述偏好矩阵进行调整，包括：根据各个用户的用户活跃值和各个所述基金的热度值，对所述偏好矩阵进行调整。4.根据权利要求1至3任一所述的方法，其特征在于，所述基于调整后的所述偏好矩阵以及所述基金相似度矩阵，从所述基金池中筛选基金进行推荐给目标用户，包括：根据调整后的所述偏好矩阵，确定出所述目标用户的偏好基金；根据所述基金相似度矩阵，从所述基金池中筛选出与所述偏好基金之间的相似度排序靠前的预设数量的相似基金，以形成基金候选集；采用基于预设机器学习算法训练得到的推荐模型对所述基金候选集中的基金进行重排序处理，得到最终的基金排序结果进行推荐给所述目标用户。5.根据权...
【专利技术属性】
技术研发人员：冯慧敏，
申请(专利权)人：苏宁金融科技南京有限公司，
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。