本发明专利技术公开了一种金融机构的产品推荐方法及装置、电子设备、存储介质，涉及人工智能领域，其中，该方法包括：接收用户数据，其中，用户数据包括：用户特征、交易明细数据和交易行为；将用户数据输入至产品推荐模型，并接收产品推荐模型输出的推荐结果，其中，产品推荐模型的训练数据融入多个产品层级的标签信息，每一产品层级对应有分类器，推荐结果中包括：至少一个拟推荐产品和每个拟推荐产品所属的产品层级；将推荐结果展示在系统页面上。本发明专利技术解决了现有技术中的推荐模型在推荐金融产品时，忽略了产品之间的层次关系从而导致推荐效果不佳的技术问题。佳的技术问题。佳的技术问题。
【技术实现步骤摘要】
金融机构的产品推荐方法及装置、电子设备、存储介质
[0001]本专利技术涉及人工智能领域，具体而言，涉及一种金融机构的产品推荐方法及装置、电子设备、存储介质。
技术介绍
[0002]随着科技发展，金融机构陆续打造了线上线下、丰富多样的用户触点，来满足用户日常业务办理、渠道交易等需求。面对着大量的用户，金融机构需要更全面、准确地洞察用户理财需求。在实际理财产品业务开展过程中，需要挖掘不同理财产品对客群的吸引力，从而找到目标客群，进行针对性营销。
[0003]相关技术中，主流的机器学习技术在客群精准营销场景上存在明显的弊端/不足，主要体现在两个方面，第一，相关技术中只能对某一个产品进行建模，如果要预测用户是否会购买多个产品，需要对每一个产品进行建模学习，这样导致模型构建成本太大，且每一个模型都需要单独构建训练样本。第二，相关技术中即使有部分建模方法支持对所有产品进行建模，其一般是将产品的属性作为产品特征加入模型学习，以此区分不同产品，而忽略了产品之间的层次关系，导致学习效果不佳。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种金融机构的产品推荐方法及装置、电子设备、存储介质，以至少解决现有技术中的推荐模型在推荐金融产品时，忽略了产品之间的层次关系从而导致推荐效果不佳的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种金融机构的产品推荐方法，包括：接收用户数据，其中，所述用户数据包括：用户特征、交易明细数据和交易行为；将所述用户数据输入至产品推荐模型，并接收所述产品推荐模型输出的推荐结果，其中，所述产品推荐模型的训练数据融入多个产品层级的标签信息，每个所述产品层级对应有分类器，所述推荐结果中包括：至少一个拟推荐产品和每个所述拟推荐产品所属的所述产品层级；将所述推荐结果展示在系统页面上。
[0007]可选地，在构建所述产品推荐模型时，包括：获取多份训练样本，其中，每份所述训练样本至少包括：用户特征、历史交易行为、历史交易明细数据；构建每份所述训练样本的样本特征；基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项；基于所述分层多标签经验损失项和所述分层多标签对比损失项，确定模型目标函数；调整所述模型目标函数，得到每个所述产品层级的分类器，并确定所述产品推荐模型。
[0008]可选地，在获取多份训练样本之后，还包括：分析每份所述训练样本中的数据表的数据列；对所述数据列中的缺失值进行补全处理；或者，对出现缺失值所属缺失项的总数量大于预设数量阈值的所述数据列进行删除处理。
[0009]可选地，构建每份所述训练样本的样本特征的步骤，包括：提取每份所述训练样本中关联每个用户的基本信息，得到所述用户的用户特征；提取每份所述训练样本中关联每个用户的行为偏好信息，得到行为特征；提取每份所述训练样本中关联交易产品的基本信息，得到产品特征；提取每份所述训练样本中关联所述交易产品的交易数据，得到产品交易特征；基于所述用户特征、所述行为特征、所述产品特征和所述产品交易特征，构建每份所述训练样本的样本特征。
[0010]可选地，基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项的步骤，包括：基于所述样本特征，确定所述训练样本的多个样本标签；配置与所述训练样本的交易产品对应的多个所述产品层级，并为每个所述产品层级配置对应的所述分类器；基于所述多个样本标签，通过所述分类器确定所述训练样本所属的产品层级；基于所述训练样本所属的样本集合、所述多个样本标签、所述训练样本所属的产品层级和所述产品层级对应的所述分类器，建立样本标签分层模型，由所述样本标签分层模型确定所述训练样本的分层多标签经验损失项。
[0011]可选地，所述分层多标签经验损失项用于表征交易产品所属的产品层级的层级信息以及各层级关联关系。
[0012]可选地，基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项的步骤，还包括：对所有的所述训练样本进行配对，构建多个训练样本对；查询所述训练样本对中与每个所述训练样本对应的样本标签和所属产品层级；将属于同一产品层级且样本标签相同的所述训练样本对表征为正样本对；将不属于同一产品层级和/或样本标签不相同的所述训练样本对表征为负样本对；采用预设对比学习策略，将样本集合中关联所述正样本对的两个训练样本之间的泛化距离输出靠近，并将所述负样本对的两个训练样本之间的泛化距离输出远离；控制所述产品推荐模型学习所述正样本对中所述训练样本之间的相似信息，并学习所述负样本对中所述训练样本之间的区别信息，并由所述产品推荐模型确定所述训练样本的分层多标签对比损失项。
[0013]根据本专利技术实施例的另一方面，还提供了一种金融机构的产品推荐装置，包括：接收单元，用于接收用户数据，其中，所述用户数据包括：用户特征、交易明细数据和交易行为；输入单元，用于将所述用户数据输入至产品推荐模型，并接收所述产品推荐模型输出的推荐结果，其中，所述产品推荐模型的训练数据融入多个产品层级的标签信息，每个所述产品层级对应有分类器，所述推荐结果中包括：至少一个拟推荐产品和每个所述拟推荐产品所属的所述产品层级；展示单元，用于将所述推荐结果展示在系统页面上。
[0014]可选地，所述金融机构的产品推荐装置还包括：第一获取子单元，用于获取多份训练样本，其中，每份所述训练样本至少包括：用户特征、历史交易行为、历史交易明细数据；第一构建子单元，用于构建每份所述训练样本的样本特征；第一确定子单元，用于基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项；第二确定子单元，用于基于所述分层多标签经验损失项和所述分层多标签对比损失项，确定模型目标函数；第一调整子单元，用于调整所述模型目标函数，得到每个产品层级的分类器，并确定所述产品推荐模型。
[0015]可选地，所述第一获取子单元包括：第一分析模块，用于分析每份所述训练样本中的数据表的数据列；第一补全模块，用于对所述数据列中的缺失值进行补全处理；或者，第
一删除模块，用于对出现缺失值所属缺失项的总数量大于预设数量阈值的所述数据列进行删除处理。
[0016]可选地，所述第一构建子单元包括：第一提取模块，用于提取每份所述训练样本中关联每个用户的基本信息，得到所述用户的用户特征；第二提取模块，用于提取每份所述训练样本中关联每个用户的行为偏好信息，得到行为特征；第三提取模块，用于提取每份所述训练样本中关联交易产品的基本信息，得到产品特征；第四提取模块，用于提取每份所述训练样本中关联所述交易产品的交易数据，得到产品交易特征；第一构建模块，用于基于所述用户特征、所述行为特征、所述产品特征和所述产品交易特征，构建每份所述训练样本的样本特征。
[0017]可选地，所述第一确定子单元包括：第一确定模块，用于基于所述样本特征，确定所述训练样本的多个样本标签；第一配置模块，用于配置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种金融机构的产品推荐方法，其特征在于，包括：接收用户数据，其中，所述用户数据包括：用户特征、交易明细数据和交易行为；将所述用户数据输入至产品推荐模型，并接收所述产品推荐模型输出的推荐结果，其中，所述产品推荐模型的训练数据融入多个产品层级的标签信息，每个所述产品层级对应有分类器，所述推荐结果中包括：至少一个拟推荐产品和每个所述拟推荐产品所属的所述产品层级；将所述推荐结果展示在系统页面上。2.根据权利要求1所述的方法，其特征在于，在构建所述产品推荐模型时，包括：获取多份训练样本，其中，每份所述训练样本至少包括：用户特征、历史交易行为、历史交易明细数据；构建每份所述训练样本的样本特征；基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项；基于所述分层多标签经验损失项和所述分层多标签对比损失项，确定模型目标函数；调整所述模型目标函数，得到每个所述产品层级的分类器，并确定所述产品推荐模型。3.根据权利要求2所述的方法，其特征在于，在获取多份训练样本之后，还包括：分析每份所述训练样本中的数据表的数据列；对所述数据列中的缺失值进行补全处理；或者，对出现缺失值所属缺失项的总数量大于预设数量阈值的所述数据列进行删除处理。4.根据权利要求2所述的方法，其特征在于，构建每份所述训练样本的样本特征的步骤，包括：提取每份所述训练样本中关联每个用户的基本信息，得到所述用户的用户特征；提取每份所述训练样本中关联每个用户的行为偏好信息，得到行为特征；提取每份所述训练样本中关联交易产品的基本信息，得到产品特征；提取每份所述训练样本中关联所述交易产品的交易数据，得到产品交易特征；基于所述用户特征、所述行为特征、所述产品特征和所述产品交易特征，构建每份所述训练样本的样本特征。5.根据权利要求2所述的方法，其特征在于，基于所述样本特征，确定与每份所述训练样本对应的分层多标签经验损失项和分层多标签对比损失项的步骤，包括：基于所述样本特征，确定所述训练样本的多个样本标签；配置与所述训练样本的交易产品对应的多个所述产品层级，并为每个所述产品层级配置对应的所述分类器；基于所述多个样本标签，通过所述分类器确定所述训练样本所属的产品层级；基于所述训练样本所属的样本集合、所述多个样...
【专利技术属性】
技术研发人员：陈李龙，徐林嘉，
申请(专利权)人：中国工商银行股份有限公司，
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。