用于目标对象推荐的方法、计算设备和存储介质技术

本公开的实施例涉及一种用于目标对象推荐的方法、计算设备和存储介质。该方法包括基于预定目标对象集和预定用户集，生成预定用户集对应的用户维度数据集，用户维度数据集中包括与用户针对目标对象的相关操作的多维数据；基于用户维度数据集，提取多个与用户针对目标对象的相关操作的特征，以便生成关于用户的输入数据；基于所生成的输入数据，经由多样本训练后的目标对象推荐模型提取输入数据的特征，以便生成对预定用户集中每个用户针对每个目标对象执行相关操作的预测概率；获取用户针对目标对象执行相关操作的预测概率集；以及基于预测概率集，确定向用户推荐的目标对象；由此，能够精准且高效的对用户进行目标对象推荐。能够精准且高效的对用户进行目标对象推荐。能够精准且高效的对用户进行目标对象推荐。

【技术实现步骤摘要】
用于目标对象推荐的方法、计算设备和存储介质


[0001]本公开的实施例总体涉及数据处理领域，并且更具体地涉及一种用于目标对象推荐的方法、计算设备和存储介质。

技术介绍

[0002]传统的用于目标对象推荐的方式，如在金融行业进行产品推荐往往依赖于如拜访用户和发布广告等方式；然而在面对长尾用户如中小微企业时，由于这些用户数量庞大、资金总量较少、需求高度碎片化，采用传统的产品推荐方法难以取得良好的推荐效果。
[0003]并且，随着数字化经营在银行业的深入，传统的目标用户筛选机制已经显得笨拙与粗放，且触达用户范围有限，通过传统方式用户经理较难了解用户感兴趣的金融目标对象，难以精准且高效的实现目标对象营销。
[0004]综上，传统的用于目标对象推荐的方式存在的不足之处在于：难以精准且高效的对用户进行目标对象推荐。

技术实现思路

[0005]针对上述问题，本公开提供了一种用于目标对象推荐的方法、计算设备和存储介质，能够精准且高效的对用户进行目标对象推荐。
[0006]根据本公开的第一方面，提供了一种用于目标对象推荐的方法，包括：基于预定目标对象集和预定用户集，生成预定用户集对应的用户维度数据集，用户维度数据集中包括与用户针对目标对象的相关操作的多维数据；基于用户维度数据集，提取多个与用户针对目标对象的相关操作的特征，以便生成关于用户的输入数据；基于所生成的输入数据，经由多样本训练后的目标对象推荐模型提取输入数据的特征，以便生成对预定用户集中每个用户针对每个目标对象执行相关操作的预测概率；获取用户针对目标对象执行相关操作的预测概率集，预测概率集中包括每个用户针对任一目标对象执行相关操作的预测概率；以及基于预测概率集，确定向用户推荐的目标对象。
[0007]在一些实施例中，目标对象推荐的方法还包括：基于预测概率集，确定用户针对每个目标对象执行相关操作的概率所处的概率区间；以及基于任一用户针对每个目标对象执行相关操作的概率所处的概率区间，确定向任一用户推荐任一目标对象时所对应的推荐渠道。
[0008]在一些实施例中，目标对象推荐的方法还包括：响应于目标用户针对目标对象执行相关操作的预测概率大于等于预定操作概率阈值，将目标用户添加至所对应的目标对象的重点用户集合中；基于每个目标对象的重点用户集合，确定每个用户处于重点用户名单中的次数；以及基于每个目标对象的重点用户集合和每个用户处于重点用户名单中的次数，确定针对部分重点用户的推荐策略。
[0009]在一些实施例中，其中与用户针对目标对象的相关操作的多维数据至少包括以下之一：用户的自然属性、资产情况、资金流动、关联人员和用户针对目标对象的历史操作记
录。
[0010]在一些实施例中，其中目标对象为金融产品，用户针对目标对象的相关操作至少包括以下之一：接受、续约、解约和拒绝。
[0011]在一些实施例中，其中提取多个与用户针对目标对象的相关操作的特征，以便生成关于用户的输入数据包括：基于用户维度数据集，提取多个与用户针对目标对象的相关操作关联的特征向量，以便生成第一特征集；针对第一特征集，进行特征预处理以获取第二特征集；基于标签合并规则，针对第二特征集中符合标签合并规则的第二特征，进行标签合并以获取第三特征集；以及基于第三特征集，生成关于用户的输入数据。
[0012]在一些实施例中，其中经由多样本训练后的目标对象推荐模型提取输入数据的特征，以便生成对预定用户集中每个用户针对每个目标对象执行相关操作的预测概率包括：基于关于用户的输入数据和特征选择规则，对用户的特征进行选择以生成多棵决策树，每一棵决策树包括多个子节点；基于多棵决策树的生成序列，针对关于用户的输入数据进行多次预测，以获得每一棵决策树的预测结果；以及基于每一棵决策树的预测结果，生成每个用户针对每个目标对象执行相关操作的预测概率。
[0013]在一些实施例中，目标对象推荐的方法还包括：基于每个目标对象每次推荐的操作结果，生成每个目标对象的历史推荐结果表；基于每个用户每次接受目标对象推荐的操作结果，生成每个用户的历史推荐结果表；基于每个目标对象的历史推荐结果表和每个用户的历史推荐结果表，对标签合并规则和/或特征选择规则进行调整。
[0014]根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的第一方面的方法。
[0015]在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行本公开的第一方面的方法。
[0016]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
[0018]图1示出了用于实现根据本专利技术的实施例的用于目标对象推荐的方法的系统的示意图。
[0019]图2示出了根据本公开的实施例的用于目标对象推荐的方法200的流程图。
[0020]图3示出了根据本公开的实施例的用于确定推荐渠道的方法300的流程图。
[0021]图4示出了根据本公开的实施例的用于重点用户分类的方法400的流程图。
[0022]图5示出了根据本公开的实施例的用于生成关于用户的输入数据的方法500的流程图。
[0023]图6示出了根据本公开的实施例的用于通过决策树进行操作概率预测的方法600的流程图。
[0024]图7示出了根据本公开的实施例的用于生成决策树的方法700的流程图。
[0025]图8示出了根据本公开的实施例的用于调整标签合并规则和/或特征选择规则的方法800的流程图。
[0026]图9示出了根据本公开的实施例的用于对目标对象推荐方法进行概率分布验证的方法900的流程图。
[0027]图10示出了根据本公开的实施例的电子设备的框图。
具体实施方式
[0028]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0029]在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于目标对象推荐的方法，包括：基于预定目标对象集和预定用户集，生成所述预定用户集对应的用户维度数据集，所述用户维度数据集中包括与用户针对目标对象的相关操作的多维数据；基于所述用户维度数据集，提取多个与用户针对目标对象的相关操作的特征，以便生成关于用户的输入数据；基于所生成的输入数据，经由多样本训练后的目标对象推荐模型提取输入数据的特征，以便生成对预定用户集中每个用户针对每个目标对象执行相关操作的预测概率；获取用户针对目标对象执行相关操作的预测概率集，所述预测概率集中包括每个用户针对任一目标对象执行相关操作的预测概率；以及基于所述预测概率集，确定向用户推荐的目标对象。2.根据权利要求1所述的方法，还包括：基于所述预测概率集，确定用户针对每个目标对象执行相关操作的概率所处的概率区间；以及基于任一用户针对每个目标对象执行相关操作的概率所处的概率区间，确定向任一用户推荐任一目标对象时所对应的推荐渠道。3.根据权利要求1所述的方法，还包括：响应于目标用户针对目标对象执行相关操作的预测概率大于等于预定操作概率阈值，将所述目标用户添加至所对应的目标对象的重点用户集合中；基于每个目标对象的重点用户集合，确定每个用户处于重点用户名单中的次数；以及基于每个目标对象的重点用户集合和每个用户处于重点用户名单中的次数，确定针对部分重点用户的推荐策略。4.根据权利要求1所述的方法，其中与用户针对目标对象的相关操作的多维数据至少包括以下之一：用户的自然属性、资产情况、资金流动、关联人员和用户针对目标对象的历史操作记录。5.根据权利要求4所述的方法，其中所述目标对象为金融产品，所述用户针对目标对象的相关操作至少包括以下之一：接受、续约、解约和拒绝。6.根据权利要求1所述的方法，其中提取多个与用户针对目标对象的相关操作的...

【专利技术属性】
技术研发人员：卫青，吴轶智，
申请(专利权)人：中国建设银行股份有限公司上海市分行，
类型：发明
国别省市：