推荐产品信息的生成方法、装置、电子设备和介质制造方法及图纸

本公开提供了一种推荐产品信息的生成方法，可用于金融领域或其他领域。该方法包括：将所述多个候选产品的产品信息文本输入标签预测模型中，以确定所述多个候选产品中每一个候选产品的产品标签，其中，所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的；获取目标客户的客户标签；将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果；以及基于所述匹配结果，生成针对所述目标客户的推荐产品信息。本公开还提供了一种推荐产品信息的生成装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
推荐产品信息的生成方法、装置、电子设备和介质


[0001]本公开涉及金融领域，具体地，涉及一种推荐产品信息的生成方法、装置、设备、介质和程序产品。

技术介绍

[0002]随着人工智能技术的发展，银行也在进行精细化理财销售运营，通常会基于用户来推荐个性化的理财产品。
[0003]在实现本公开构思的过程中，专利技术人发现，目前的产品推荐算法基于用户的协同过滤推荐策略，需要对大量的数据进行分析，计算量大，推荐速度慢。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种推荐产品信息的生成方法、装置、设备、介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种推荐产品信息的生成方法，包括：获取多个候选产品的产品信息文本；将所述多个候选产品的产品信息文本输入标签预测模型中，以确定所述多个候选产品中每一个候选产品的产品标签，其中，所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的；获取目标客户的客户标签；将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果；以及基于所述匹配结果，生成针对所述目标客户的推荐产品信息。
[0006]根据本公开的实施例，所述获取目标客户的客户标签的步骤包括：获取目标客户的客户信息文本；和将所述客户信息文本输入所述标签预测模型中，以确定所述目标客户的客户标签。
[0007]根据本公开的实施例，基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括：训练样本集获取操作：获取训练样本集，所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签；模型参数更新操作：对所述训练样本集的历史客户信息文本执行卷积操作，得到第一特征向量，或者，对所述训练样本集的历史产品信息文本执行卷积操作，得到第一特征向量；将所述第一特征向量输入N个串联的残差块，得到第二特征向量，其中，N为大于等于1的整数；将所述第二特征向量输入M个串联的Transformer模型，得到第三特征向量，其中M为大于等于1的整数；基于所述第三特征向量，利用全连接层进行预测，得到预测标签；计算所述历史客户标签和预测标签的损失函数值，或者，计算所述历史产品标签和预测标签的损失函数值；当所述损失函数值大于预设的损失函数阈值时，更新所述标签预测模型的模型参数；以及标签预测模型生成操作：基于所述更新后的模型参数，多次执行所述模型参数更新操作，直至所述损失函数值小于等于所述损失函数阈值，利用最终更新后的模型参数得到训练后的标签预测模型。
[0008]根据本公开的实施例，所述获取目标客户的客户信息文本的步骤包括：获取客户对获取客户信息的授权；在得到客户获取客户信息的授权后获取客户信息；预处理所述客
户信息，得到客户信息文本。
[0009]根据本公开的实施例，所述将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果的步骤包括：将所述客户标签转化为第一客户标签向量；将所述产品标签转化为第一产品标签向量；使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互，生成交互注意力矩阵；将所述交互注意力矩阵与所述第一客户标签向量相乘，得到第二客户标签向量，和，将所述交互注意力矩阵与所述第一产品标签向量相乘，得到第二产品标签向量；对所述第二客户标签向量进行池化，得到第三客户标签向量，和，对所述第二产品标签向量进行池化，得到第三产品标签向量；拼接所述第三客户标签向量和所述第三产品标签向量，生成拼接向量；以及将所述拼接向量输入深度语义匹配模型的全连接层，利用分类器得到匹配结果。
[0010]根据本公开的实施例，所述分类器采用的算法是LogSoftmax分类器算法。
[0011]根据本公开的实施例，所述匹配结果包括所述多个候选产品中每一个候选产品的匹配度；所述基于所述匹配结果，生成针对所述目标客户的推荐产品信息的步骤包括：获取所述多个候选产品中每一个候选产品的权重，所述权重用于表示所述候选产品的重要性；对所述多个候选产品中的每一个候选产品，将所述权重与匹配度相乘，得到加权匹配度；对所述多个候选产品按照加权匹配度从大到小进行排序；预设目标产品个数K，其中，K为大于等于1的整数；选取加权匹配度前K个的候选产品作为目标产品；从预设数据库中获取所述目标产品的产品数据；以及基于所述目标产品的产品数据，生成针对所述目标客户的推荐产品信息。
[0012]根据本公开的实施例，所述对所述多个候选产品按照加权匹配度从大到小进行排序的步骤包括：当在所述多个候选产品中存在加权匹配度相同的候选产品时，获取所述加权匹配度相同的候选产品的销量；和对所述加权匹配度相同的候选产品，按照销量从大到小进行排序。
[0013]根据本公开的实施例，所述产品标签包括收益类标签、期限类标签和风险类标签；和所述客户标签包括收益类标签、期限类标签和风险类标签。
[0014]根据本公开的实施例，所述获取多个候选产品的产品信息文本的步骤包括：获取所述多个候选产品的产品编号；和基于所述多个候选产品的产品编号，从金融网站上提取所述多个候选产品的产品信息文本。
[0015]根据本公开的实施例，所述获取目标客户的客户标签的步骤包括：获取所述目标客户的多个历史购买产品；确定所述多个历史购买产品的产品编号；基于所述多个历史购买产品的产品编号，从金融网站上提取所述多个历史购买产品的产品信息文本；将所述多个历史购买产品的产品信息文本输入所述标签预测模型中，以确定所述多个历史购买产品的产品标签，其中，所述产品标签包括所述多个历史购买产品中的每一个历史购买产品的产品标签；以及选取所述多个历史购买产品的产品标签中数量最多的标签，作为所述目标客户的客户标签。
[0016]本公开的第二方面提供了一种推荐产品信息的生成装置，包括：第一获取模块，用于获取多个候选产品的产品信息文本；产品标签确定模块，用于将所述多个候选产品的产品信息文本输入标签预测模型中，以确定所述多个候选产品中每一个候选产品的产品标签，其中，所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的；第二
获取模块，用于获取目标客户的客户标签；匹配模块，用于将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果；以及推荐信息生成模块，用于基于所述匹配结果，生成针对所述目标客户的推荐产品信息。
[0017]根据本公开的实施例，所述第二获取模块包括：第一获取单元，用于获取目标客户的客户信息文本；和第一确定单元，用于将所述客户信息文本输入所述标签预测模型中，以确定所述目标客户的客户标签。
[0018]根据本公开的实施例，所述产品标签确定模块基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括：训练样本集获取操作：获取训练样本集，所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签；模型参数更新操作：对所述训练样本集的历史客户信息文本执本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐产品信息的生成方法，其特征在于，所述方法包括：获取多个候选产品的产品信息文本；将所述多个候选产品的产品信息文本输入标签预测模型中，以确定所述多个候选产品中每一个候选产品的产品标签，其中，所述标签预测模型是基于残差块优化的Transformer模型预先训练得到的；获取目标客户的客户标签；将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果；以及基于所述匹配结果，生成针对所述目标客户的推荐产品信息。2.根据权利要求1所述的方法，其特征在于，所述获取目标客户的客户标签的步骤包括：获取目标客户的客户信息文本；和将所述客户信息文本输入所述标签预测模型中，以确定所述目标客户的客户标签。3.根据权利要求2所述的方法，其特征在于，基于残差块优化的Transformer模型预先训练得到所述标签预测模型的步骤包括：训练样本集获取操作：获取训练样本集，所述训练样本集包括历史客户信息文本、历史客户标签、历史产品信息文本和历史产品标签；模型参数更新操作：对所述训练样本集的历史客户信息文本执行卷积操作，得到第一特征向量，或者，对所述训练样本集的历史产品信息文本执行卷积操作，得到第一特征向量；将所述第一特征向量输入N个串联的残差块，得到第二特征向量，其中，N为大于等于1的整数；将所述第二特征向量输入M个串联的Transformer模型，得到第三特征向量，其中M为大于等于1的整数；基于所述第三特征向量，利用全连接层进行预测，得到预测标签；计算所述历史客户标签和预测标签的损失函数值，或者，计算所述历史产品标签和预测标签的损失函数值；当所述损失函数值大于预设的损失函数阈值时，更新所述标签预测模型的模型参数；以及标签预测模型生成操作：基于所述更新后的模型参数，多次执行所述模型参数更新操作，直至所述损失函数值小于等于所述损失函数阈值，利用最终更新后的模型参数得到训练后的标签预测模型。4.根据权利要求2所述的方法，其特征在于，所述获取目标客户的客户信息文本的步骤包括：获取客户对获取客户信息的授权；在得到客户获取客户信息的授权后获取客户信息；预处理所述客户信息，得到客户信息文本。5.根据权利要求1所述的方法，其特征在于，所述将所述目标客户的客户标签和所述多个候选产品的产品标签进行匹配，得到匹配结果的步骤包括：将所述客户标签转化为第一客户标签向量；将所述产品标签转化为第一产品标签向量；使所述第一客户标签向量和所述第一产品标签向量在Transformer模型的交互注意力层进行多次交互，生成交互注意力矩阵；
将所述交互注意力矩阵与所述第一客户标签向量相乘，得到第二客户标签向量，和，将所述交互注意力矩阵与所述第一产品标签向量相乘，得到第二产品标签向量；对所述第二客户标签向量进行池化，得到第三客户标签向量，和，对所述第二产品标签向量进行池化，得到第三产品标签向量；拼接所述第三客户标签向量和所述第三产品标签向量，生成拼接向量；以及将所述拼接向量输入深度语义匹配模型的全连接层，利用分类器得到匹配结果。6.根据权利要求5所述的方法，其特征在于，所述分类器采用的算法是LogSoftmax分类器算法。7.根据权利要求1
‑

【专利技术属性】
技术研发人员：徐雪，刘雨瑶，张驰，祝洁，
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：