基于蜜獾算法的银行产品推荐方法、装置、设备及介质制造方法及图纸

本申请提供一种基于蜜獾算法的银行产品推荐方法、装置、设备及介质，应用于金融领域或其他领域，方法包括：利用反向学习算法生成原始客群的反向客群，从原始客群和反向客群中筛选出包括多个客户的优化客群。获取优化客群中包括的每个客户的信息，将信息输入至基于蜜獾算法的分类模型，分类模型预测得到向每个客户推荐购买的银行产品类型，利用客户信息以及分类模型预测得到向客户推荐购买的银行产品类型，该银行产品类型符合客户自身情况并且符合客户的购买意愿，也就是说，能够利用优化后的客群包括的信息，以及训练好的基于蜜獾算法的分类模型实现向用户个性化推荐银行产品，进而提升对于单个客户的推荐质量，提升客户对银行产品推荐的满意度。产品推荐的满意度。产品推荐的满意度。

【技术实现步骤摘要】
基于蜜獾算法的银行产品推荐方法、装置、设备及介质


[0001]本专利技术涉及计算机领域，特别涉及一种基于蜜獾算法的银行产品推荐方法、装置、设备及介质。

技术介绍

[0002]随着当前社会的金融和计算机发展，银行涉及越来越多的金融交易。基于银行终端设备应用程序(Application，APP)以及银行系统的快速迭代，银行产品相关的金融交易也在飞速发展。在银行APP界面以及银行网页上都有银行产品的推荐，极大的方便了客户进行银行产品的购买。
[0003]但是银行产品形式多样，如何实现向每个客户推荐最符合该客户自身情况的银行产品，提升对于单个客户的推荐质量，是一个亟待解决的问题。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种基于蜜獾算法的银行产品推荐方法、装置、设备及介质，能够实现根据客户的自身情况向客户推荐符合其自身的银行产品，提升对于单个客户的推荐质量，提升客户对银行产品推荐的满意度。
[0005]本申请实施例提供了一种基于蜜獾算法的银行产品推荐方法，所述方法包括：
[0006]利用反向学习算法生成原始客群的反向客群，从所述原始客群和所述反向客群中筛选出优化客群，所述优化客群包括多个客户；
[0007]获取所述优化客群中包括的每个所述客户的信息，将所述信息输入至基于蜜獾算法的分类模型，所述分类模型预测得到向每个所述客户推荐购买的银行产品类型。
[0008]可选地，所述利用反向学习算法生成原始客群的反向客群，从所述原始客群和所述反向客群中筛选出优化客群包括：
[0009]获取原始客群和评估函数f(x)，所述原始客群数字化后对应的区间为[a，b]，p为所述[a，b]中的任意一点，利用反向学习算法生成所述p的反向数P，所述P构成反向客群，若f(P)<f(p)，则利用所述p代替所述P，形成优化客群。
[0010]可选地，所述P＝a+b
‑
p。
[0011]可选地，所述方法还包括：
[0012]获取训练客户的信息以及所述训练客户历史购买的银行产品类型；
[0013]根据所述训练客户的信息以及所述训练客户历史购买的银行产品类型对所述分类模型进行训练，在所述分类模型到达最大迭代次数时，利用蜜獾算法得到所述分类模型的猎物最佳位置和蜜獾最佳适应度。
[0014]可选地，所述利用蜜獾算法得到所述分类模型的猎物最佳位置和蜜獾最佳适应度包括：
[0015]利用蜜獾算法的运动公式更新蜜獾位置计算所述猎物最佳位置和所述蜜獾最佳适应度。
[0016]可选地，所述银行产品类型包括稳定类银行产品、进阶类银行产品和风险类银行产品。
[0017]可选地，所述方法还包括：
[0018]利用量子密钥对每个所述客户的信息进行加密。
[0019]本申请实施例提供了一种基于蜜獾算法的银行产品推荐装置，所述装置包括：
[0020]筛选单元，用于利用反向学习算法生成原始客群的反向客群，从所述原始客群和所述反向客群中筛选出优化客群，所述优化客群包括多个客户；
[0021]预测单元，用于获取所述优化客群中包括的每个所述客户的信息，将所述信息输入至基于蜜獾算法的分类模型，所述分类模型预测得到向每个所述客户推荐购买的银行产品类型。
[0022]本申请实施例提供了一种基于日志的测试案例推荐设备，所述设备包括：处理器和存储器；
[0023]所述存储器，用于存储指令；
[0024]所述处理器，用于执行所述存储器中的所述指令，执行如上述实施例中任一项所述的方法。
[0025]本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述实施例任意一项所述的方法。
[0026]本申请实施例提供了一种基于蜜獾算法的银行产品推荐方法，方法包括：利用反向学习算法生成原始客群的反向客群，从原始客群和反向客群中筛选出包括多个客户的优化客群，实现对于具有优势的客户进行筛选的目的，提升客群多样性和客群质量，进而提升后续利用分类模型进行预测时的准确性。获取优化客群中包括的每个客户的信息，将信息输入至基于蜜獾算法的分类模型，分类模型预测得到向每个客户推荐购买的银行产品类型，利用客户信息以及分类模型预测得到向客户推荐购买的银行产品类型，该银行产品类型符合客户自身情况并且符合客户的购买意愿，也就是说，能够利用优化后的客群包括的信息，以及训练好的基于蜜獾算法的分类模型实现向用户个性化推荐银行产品，进而提升对于单个客户的推荐质量，提升客户对银行产品推荐的满意度。
附图说明
[0027]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其它的附图。
[0028]图1示出了本申请实施例提供的一种基于蜜獾算法的银行产品推荐方法的流程示意图；
[0029]图2示出了本申请实施例提供的一种基于蜜獾算法的银行产品推荐装置的结构示意图。
具体实施方式
[0030]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的
附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0031]在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
[0032]本专利技术提供的基于蜜獾算法的银行产品推荐方法、装置、设备及介质可用于金融领域或其他领域，例如，可用于金融领域中的银行产品推荐应用场景。其他领域为除金融领域之外的任意领域，例如，计算机领域。上述仅为示例，并不对本专利技术提供的基于蜜獾算法的银行产品推荐方法、装置、设备及介质的应用领域进行限定。
[0033]随着当前社会的金融和计算机发展，银行涉及越来越多的金融交易。基于银行终端设备应用程序(Application，APP)以及银行系统的快速迭代，银行产品相关的金融交易也在飞速发展。在银行APP界面以及银行网页上都有银行产品的推荐，极大的方便了客户进行银行产品的购买。
[0034]但是银行产品形式多样，目前客户购买银行产品，大多是基于自身的经验或者是银行客户经理的推荐。客户可能由于理财知识有限，无法选择到最适合自身、收益最大化的银行产品。银行客户经理也有可能无法向客户推荐令其感到满意的银行产品。
[0035]因此，在银行产品形式多样的基础上，如何实现向每个客户推荐最符合该客户自身情况的银行产品，提升对于单个客户的推荐质量，是一个亟待解决的问题。...

【技术保护点】

【技术特征摘要】
1.一种基于蜜獾算法的银行产品推荐方法，其特征在于，所述方法包括：利用反向学习算法生成原始客群的反向客群，从所述原始客群和所述反向客群中筛选出优化客群，所述优化客群包括多个客户；获取所述优化客群中包括的每个所述客户的信息，将所述信息输入至基于蜜獾算法的分类模型，所述分类模型预测得到向每个所述客户推荐购买的银行产品类型。2.根据权利要求1所述的方法，其特征在于，所述利用反向学习算法生成原始客群的反向客群，从所述原始客群和所述反向客群中筛选出优化客群包括：获取原始客群和评估函数f(x)，所述原始客群数字化后对应的区间为[a，b]，p为所述[a，b]中的任意一点，利用反向学习算法生成所述p的反向数P，所述P构成所述反向客群，若f(P)<f(p)，则利用所述p代替所述P，形成所述优化客群。3.根据权利要求2所述的方法，其特征在于，所述P＝a+b
‑
p。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取训练客户的信息以及所述训练客户历史购买的银行产品类型；根据所述训练客户的信息以及所述训练客户历史购买的银行产品类型对所述分类模型进行训练，在所述分类模型到达最大迭代次数时，利用蜜獾算法得到所述分类模型的猎物最佳位置和蜜獾最佳适应度。5.根据权利要求4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：张梦蝶，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：