一种金融产品智能推荐方法及系统与流程

本发明属于数据处理领域，尤其涉及一种金融产品智能推荐方法及系统。

背景技术：

随着互联网技术的迅猛发展，个性化推荐已经成为人们网络生活中不可或缺的网络服务之一，也成为了互联网产品未来发展的重点。

目前，对于产品的推荐方法主要包括两种：第一种，用户根据自身兴趣设定喜好的兴趣标签，系统根据推荐信息与用户兴趣标签的匹配程度为用户进行推荐。第二种是用户根据自身兴趣，在已经设定好的分类中选择感兴趣的类别标签，系统根据推荐信息与用户兴趣标签的匹配程度为用户进行推荐。

但是上述两种推荐方法都存在以下问题：由于用户不愿意花费更多的时间和精力去进行设定，甚至有些用户是随意选择标签，使标签描述不准确，无法为用户推荐更准确地需求产品，从而导致推荐结果准确率降低。

有鉴于此，如今迫切需要设计一种智能推荐方法，以解决现有技术中推荐准确度较低低的不足之处。

技术实现要素：

本发明实施例提供了一种金融产品智能推荐方法及系统，以解决现有技术中存在的推荐准确率较低的问题。

本发明实施例提供一种金融产品智能推荐方法，其包括以下步骤：

采集用户的行为数据及征信数据；

基于所述行为数据及征信数据，为所述用户分别生成行为特征标签和征信特征标签；

分别根据所述行为特征标签及征信特征标签将用户划分成不同的用户行为群组及不同的用户征信群组；

根据所述不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度；

根据所述不同用户征信群组的征信特征标签计算不同用户征信群组对应各个金融产品的风控规则匹配度；

结合所述用户行为群组偏好度和所述用户征信群组的风控规则匹配度对不同的用户进行金融产品推荐；

基于所述用户的现有行为数据分别更新所述用户的行为特征标签和征信特征标签，同时重新分配所述用户所属用户群组，并计算更新后用户群组的偏好度和风控规则匹配度，自动优化推荐模型。

进一步的，所述行为数据包括用户的定位信息和/或应用安装偏好信息。

进一步的，所述征信数据包括个人征信报告、公积金数据及社保卡数据。

进一步的，在生成所述行为特征标签或征信特征标签时，对所述行为数据或征信数据进行分词处理以提取出特征词。

进一步的，根据不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度的方法具体包括：

确定同一用户行为群组的不同行为特征标签的权重；

将不同的行为特征标签权重进行从大到小排序；

将行为特征标签的最大权重作为该用户行为群组对金融产品的偏好度。

进一步的，所述根据所述不同用户征信群组的征信特征标签计算不同用户群组对应各个金融产品的风控规则匹配度的方法具体包括：

基于所述征信特征标签，给不同用户征信群组赋予不同的信用度值；

将该信用度值进行排序；

根据排序确定不同用户征信群组的风险级别。

进一步的，所述用户的现有行为数据包括用户的投资行为数据及借还款行为数据。

另，本发明实施例同时提供一种金融产品的智能推荐系统，包括：

采集模块，用于采集用户的行为数据及征信数据；

生成模块，用于基于所述行为数据及征信数据，为所述用户分别生成行为特征标签和征信特征标签；

划分模块，用于分别根据所述行为特征标签及征信特征标签将用户划分成不同的用户行为群组及不同的用户征信群组；

偏好度计算模块，用于根据所述不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度；

风控匹配度计算模块，用于根据所述不同用户征信群组的征信特征标签计算不同用户征信群组对应各个金融产品的风控规则匹配度；

推荐模块，用于结合所述用户行为群组偏好度和所述用户征信群组的风控规则匹配度对不同的用户进行金融产品推荐；

更新模块，用于基于所述用户的现有行为数据分别更新所述用户的行为特征标签和征信特征标签，同时重新分配所述用户所属用户群组，并计算更新后用户群组的偏好度和风控规则匹配度，自动优化推荐模型。

进一步的，所述所述行为数据包括用户的定位信息和/或应用安装偏好信息。

进一步的，所述用户的现有行为数据包括用户的投资行为数据及借还款行为数据。

本发明实施例的上述方案与现有技术相比，具有以下有益效果：本发明实施例提供的金融产品智能推荐方法，通过根据用户信息生成行为特征标签和征信特征标签，并分别根据所述行为特征标签和征信特征标签将用户进行分组，分别计算不同群组的偏好度及风控规则匹配度；结合不同群组的偏好度和不同群组的风控规则匹配度进行产品推荐；后续实时追踪和更新，并自动优化推荐模型。该方法针对不同目标用户营销不同的产品，提高了推荐结果的准确度，从而能够更为精准地为用户推荐更贴合用户本身的个性化产品；另外也能够提高产品的营销效率。

附图说明

为了更清楚地说明本发明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要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例金融产品智能推荐方法的流程图。

图2是本发明实施例中根据不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度的方法流程图。

图3是本发明实施例中根据所述不同用户征信群组的征信特征标签计算不同用户群组对应各个金融产品的风控规则匹配度的方法流程图。

图4是本发明实施例金融产品智能推荐系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

下面结合附图详细说明本发明的优选实施例。

实施例1

请参阅图1，为本发明实施例提供的一种金融产品智能推荐方法的流程图，该方法包括：

s101，采集用户的行为数据及征信数据。

其中，所述采集用户各种数据的前提是必须经用户充分授权。经用户充分授权后，可采集必要的用户行为数据和征信数据。

本发明的实施例中，所述行为数据包括但不限于用户的定位信息和/或应用安装偏好信息等。所述用户的定位信息可基于位置服务(lbs)获得移动终端用户的位置信息。所述应用安装偏好信息包括一定时间内电子设备中应用程序的安装数量和卸载数量、每一个应用程序的安装次数和卸载次数等。所述用户的行为数据还可以包括用户的点击浏览数据、浏览时长数据、浏览范围数据等。

所述征信数据包括个人征信报告、公积金数据及社保卡数据等。所述征信数据可通过第三方认证采集。所述第三方可以为央行征信中心、住房公积金中心、社保局等具有认证资质的机构。

s102，基于所述行为数据及征信数据，为所述用户分别生成行为特征标签和征信特征标签。

其中，系统在采集到用户的行为数据和征信数据后，根据所述用户的行为数据为所述用户生成行为特征标签，同时根据所述用户的征信数据为所述用户生成征信特征标签。为不同的用户生成标签，方便后续将用户进行归类，从而对不同用户群组进行最优的推荐。

在生成所述行为特征标签或征信特征标签时，可以对所述行为数据或征信数据进行分词处理以提取出特征词。对所述行为数据或征信数据进行分词处理可以采用本领域公知的分词技术来进行，所提取出的特征词就是经过分词处理后得到的词语，或者称为关键词。

本发明实施例中，对于所述行为特征标签，每一个用户具有至少一个行为特征标签，该行为特征标签为可以能够概括该用户的行为数据的主要内容的关键词。举例说明，假设所述行为数据显示“所述用户的位置信息是长沙”、“明星张杰7月13在长沙开演唱会”等，对这些数据内容进行分析可生成“长沙”、“娱乐”等特征标签；假设所述行为数据显示所述用户最近安装了“草根投资”、“360财富”、“悟空理财”、“去哪儿”、“携程”等应用程序，对这些数据进行分析可生成“理财”、“旅游”等特征标签。

对于所述征信特征标签，该征信特征标签为可以能够概括所述用户的信用度的关键词。举例说明，假设所述用户个人征信报告显示没有逾期记录、五险一金缴纳数额较高，则生成“优质客户”等特征标签。

s103，分别根据所述行为特征标签及征信特征标签将用户划分成不同的用户行为群组及不同的用户征信群组；

其中，在生成用户的行为特征标签和征信特征标签后，根据所述标签可以将用户进行归类。本发明实施例中，一方面根据所述行为特征标签将对应的用户划分成不同群组，即用户行为群组；另一方面，根据所述征信特征标签将对应的用户划分成不同群组，即用户征信群组。

优选的，可以将根据所述特征标签的关键词是否相似或相近，将相似或者相近的用户归为一类。例如，将所述用户行为特征标签为“长沙”、“娱乐”的用户或具有相似标签的用户可以归为一个用户群组，将行为特征标签为“理财”、“旅游”或具有相似标签的用户可归为一个用户群组。将所述用户征信特征标签为“优质客户”的用户可归为一个用户群组，将征信特征标签为“中等客户”的用户归为一个用户群组。

s104，根据所述不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度；

其中，所述金融产品可以理解为包括不同的理财产品或不同的借贷产品。所述用户行为群组的偏好度可以理解为所述不同用户群组中的用户对金融产品的关注程度。对某一款理财产品关注程度越高，代表该用户群组中的用户投资购买意向很高；关注程度不高，代表该用户群组中的用户最近没有投资理财的意向。

本发明实施例中，如图2所示，根据不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度的方法具体包括步骤：

s201，确定同一用户行为群组的不同行为特征标签的权重。其中，可根据所述不同行为特征标签的特征词出现的概率进行权重的赋值。

s202，将不同的行为特征标签权重进行从大到小排序；

s203，将行为特征标签的最大权重作为该用户行为群组对金融产品的偏好度。

举例说明，如果一个用户群组的特征标签包括“贷款”、“位于北京”及“出国旅游”，各个标签的权重分别为50％、20％及30％，则可判断出该用户群组最近急需用钱，并且根据工作在北京并且经常出国可以分析出该用户具有一定的还款能力，此时该用户群组对利息高、额度大及能够快速拨款的产品的偏好度应该较高。

s105，根据所述不同用户征信群组的征信特征标签计算不同用户征信群组对应各个金融产品的风控规则匹配度；

其中，所述风控规则匹配度可以理解为每个用户群组购买不同金融产品的风险程度。举例说明，当某一个用户群组的征信特征标签为“优质客户”时，可以判断该用户群组中的用户为低风险客户，则该低风险评级的客户可以购买同级或风险等级更高的产品，也可以投资风险等级低的产品；同理，高风险评级的客户只可以购买同级或风险等级更低的产品，而投资高风险等级产品的行为将会被严格限制。

本发明实施例中，如图3所示，所述根据所述不同用户征信群组的征信特征标签计算不同用户群组对应各个金融产品的风控规则匹配度的方法具体包括步骤：

s301，基于所述征信特征标签，给不同用户征信群组赋予不同的信用度值。如征信特征标签为“优质客户”，则信用度值可赋予80％；征信特征标签为“中等客户”，则信用度值可赋予“60％”；征信特征标签为“上等客户”，则信用度值可赋予90％。

s302，将该信用度值进行排序；其中，按从大到小的顺序将所述信用度值进行排序。

s303，根据排序确定不同用户征信群组的风险级别。其中，信用度值越高，该用户群组的风险级别越低；反之则为高风险用户。

s106，结合所述用户行为群组偏好度和所述用户征信群组的风控规则匹配度对不同的用户进行金融产品推荐；

在获得不同用户行为群组的偏好度和不同用户征信群组的风控规则匹配度后，综合分析出哪一个用户适合哪一款金融产品，从而将对应的金融产品推荐给对应的用户。举例说明，当同一用户对金融产品的偏好度高，同时该用户为高风险客户，只能匹配风险等级较低的产品，因此系统可以向该用户优先推荐风险等级较低的金融产品。

所述推荐的方式不限，可以采用消息推送(push)，或者在浏览页面按推荐产品的优先等级对用户进行呈现。

s107，基于所述用户的现有行为数据分别更新所述用户的行为特征标签和征信特征标签，同时重新分配所述用户所属用户群组，并计算更新后用户群组的偏好度和风控规则匹配度，自动优化推荐模型。

其中，所述用户的现有行为数据包括用户的投资行为数据及借还款行为数据。对于借贷产品，可以追踪不同用户在所述金融产品所在平台的借还款行为数据，并根据该借还款行为数据重新执行步骤s102-s107。对于理财产品，可以追踪用户现在实际理财能力，对其进行重新推荐不同的消息。

具体的，当用户进行购买金融产品后，实时追踪该用户的借还款行为数据，并不断去更新该用户的行为特征标签和征信特征标签，基于新的行为特征标签和征信特征标签重新将该用户划分到相应的用户行为群组和用户征信群组。例如，该用户之前是“优质客户”特征标签，但是实际借款后没有按时还款，可以更新其征信特征标签为“中等客户”，并后续为该客户仅推荐风险等级较低的金融产品。

本发明实施例提供的金融产品智能推荐方法，通过根据用户信息生成行为特征标签和征信特征标签，并分别根据所述行为特征标签和征信特征标签将用户进行分组，分别计算不同群组的偏好度及风控规则匹配度；结合不同群组的偏好度和不同群组的风控规则匹配度进行产品推荐；后续实时追踪和更新，并自动优化推荐模型。该方法针对不同目标用户营销不同的金融产品，并实时动态更新，提高了推荐结果的准确度，从而能够更为精准地为用户推荐更贴合用户本身的个性化产品；另外也能够提高产品的营销效率。

同时，本发明实施例提供一种金融产品的智能推荐系统，如图4所示，包括：

采集模块41，用于采集用户的行为数据及征信数据。本发明的实施例中，所述行为数据包括但不限于用户的定位信息和/或应用安装偏好信息等。所述用户的定位信息可基于位置服务(lbs)获得移动终端用户的位置信息。所述应用安装偏好信息包括一定时间内电子设备中应用程序的安装数量和卸载数量、每一个应用程序的安装次数和卸载次数等。所述用户的行为数据还可以包括用户的点击浏览数据、浏览时长数据、浏览范围数据等。

所述征信数据包括个人征信报告、公积金数据及社保卡数据等。所述征信数据可通过第三方认证采集。所述第三方可以为央行征信中心、住房公积金中心、社保局等具有认证资质的机构。

生成模块42，用于基于所述行为数据及征信数据，为所述用户分别生成行为特征标签和征信特征标签。其中，在生成所述行为特征标签或征信特征标签时，可以对所述行为数据或征信数据进行分词处理以提取出特征词。对所述行为数据或征信数据进行分词处理可以采用本领域公知的分词技术来进行，所提取出的特征词就是经过分词处理后得到的词语，或者称为关键词。

本发明实施例中，对于所述行为特征标签，每一个用户具有至少一个行为特征标签，该行为特征标签为可以能够概括该用户的行为数据的主要内容的关键词。对于所述征信特征标签，该征信特征标签为可以能够概括所述用户的信用度的关键词。举例说明，假设所述用户个人征信报告显示没有逾期记录、五险一金缴纳数额较高，则生成“优质客户”等特征标签。

划分模块43，用于分别根据所述行为特征标签及征信特征标签将用户划分成不同的用户行为群组及不同的用户征信群组。本发明实施例中，一方面根据所述行为特征标签将对应的用户划分成不同群组，即用户行为群组；另一方面，根据所述征信特征标签将对应的用户划分成不同群组，即用户征信群组。优选的，可以将根据所述特征标签的关键词是否相似或相近，将相似或者相近的用户归为一类。

偏好度计算模块44，用于根据所述不同用户行为群组的行为特征标签计算不同用户行为群组对应各个金融产品的偏好度。其中，所述金融产品可以理解为包括不同的理财产品或不同的借贷产品。所述用户行为群组的偏好度可以理解为所述不同用户群组中的用户对金融产品的关注程度。对某一款理财产品关注程度越高，代表该用户群组中的用户投资购买意向很高；关注程度不高，代表该用户群组中的用户最近没有投资理财的意向。

本发明实施例中，所述偏好度计算模块44还具体包括：

权重确定模块441，用于确定同一用户行为群组的不同行为特征标签的权重。其中，可根据所述不同行为特征标签的特征词出现的概率进行权重的赋值。

权重排序模块442，用于将不同的行为特征标签权重进行从大到小排序；

权重选择模块443，用于将行为特征标签的最大权重作为该用户行为群组对金融产品的偏好度。

举例说明，如果一个用户群组的特征标签包括“贷款”、“位于北京”及“出国旅游”，各个标签的权重分别为50％、20％及30％，则可判断出该用户群组最近急需用钱，并且根据工作在北京并且经常出国可以分析出该用户具有一定的还款能力，此时该用户群组对利息高、额度大及能够快速拨款的产品的偏好度应该较高。

风控匹配度计算模块45，用于根据所述不同用户征信群组的征信特征标签计算不同用户征信群组对应各个金融产品的风控规则匹配度。其中，所述风控规则匹配度可以理解为每个用户群组购买不同金融产品的风险程度。举例说明，当某一个用户群组的征信特征标签为“优质客户”时，可以判断该用户群组中的用户为低风险客户，则该低风险评级的客户可以购买同级或风险等级更高的产品，也可以投资风险等级低的产品；同理，高风险评级的客户只可以购买同级或风险等级更低的产品，而投资高风险等级产品的行为将会被严格限制。

本发明实施例中，所述风控匹配度计算模块45还具体包括：

信用赋值模块451，用于基于所述征信特征标签，给不同用户征信群组赋予不同的信用度值。如征信特征标签为“优质客户”，则信用度值可赋予80％；征信特征标签为“中等客户”，则信用度值可赋予“60％”；征信特征标签为“上等客户”，则信用度值可赋予90％。

信用排序模块452，用于将该信用度值进行排序；其中，按从大到小的顺序将所述信用度值进行排序。

风险确定模块453，用于根据排序确定不同用户征信群组的风险级别。其中，信用度值越高，该用户群组的风险级别越低；反之则为高风险用户。

推荐模块46，用于结合所述用户行为群组偏好度和所述用户征信群组的风控规则匹配度对不同的用户进行金融产品推荐。在获得不同用户行为群组的偏好度和不同用户征信群组的风控规则匹配度后，综合分析出哪一个用户适合哪一款金融产品，从而将对应的金融产品推荐给对应的用户。举例说明，当同一用户对金融产品的偏好度高，同时该用户为高风险客户，只能匹配风险等级较低的产品，因此系统可以向该用户优先推荐风险等级较低的金融产品。

所述推荐的方式不限，可以采用消息推送(push)，或者在浏览页面按推荐产品的优先等级对用户进行呈现。

更新模块47，用于基于所述用户的现有行为数据分别更新所述用户的行为特征标签和征信特征标签，同时重新分配所述用户所属用户群组，并计算更新后用户群组的偏好度和风控规则匹配度，自动优化推荐模型。其中，所述用户的现有行为数据包括用户的投资行为数据及借还款行为数据。对于借贷产品，可以追踪不同用户在所述金融产品所在平台的借还款行为数据，并根据该借还款行为数据重新执行步骤s102-s107。对于理财产品，可以追踪用户现在实际理财能力，对其进行重新推荐不同的消息。

具体的，当用户进行购买金融产品后，实时追踪该用户的借还款行为数据，并不断去更新该用户的行为特征标签和征信特征标签，基于新的行为特征标签和征信特征标签重新将该用户划分到相应的用户行为群组和用户征信群组。例如，该用户之前是“优质客户”特征标签，但是实际借款后没有按时还款，可以更新其征信特征标签为“中等客户”，并后续为该客户仅推荐风险等级较低的金融产品。

本发明实施例提供的金融产品智能推荐系统，通过根据用户信息生成行为特征标签和征信特征标签，并分别根据所述行为特征标签和征信特征标签将用户进行分组，分别计算不同群组的偏好度及风控规则匹配度；结合不同群组的偏好度和不同群组的风控规则匹配度进行产品推荐；后续实时追踪和更新，并自动优化推荐模型。该方法针对不同目标用户营销不同的金融产品，并实时动态更新，提高了推荐结果的准确度，从而能够更为精准地为用户推荐更贴合用户本身的个性化产品；另外也能够提高产品的营销效率。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。