金融产品的推荐方法、装置、电子设备和介质与流程

本公开涉及金融领域，具体地，涉及一种金融产品的推荐方法、装置、设备、介质和程序产品。

背景技术：

1、随着大数据时代的来临，由于客户的个人收入快速增长，对于投资的意愿也更加强烈，互联网金融产品也可以说是互联网发展的必然结果。大量客户的参与，互联网客户规模急速扩张。如今市场上的金融产品屡见不鲜。在对某个金融产品进行推荐时，需要判断不同客户的购买意愿，以实现精准营销。

2、在实现本公开构思的过程中，发明人发现，现有技术中，确定不同客户对某个金融产品的购买意愿分时，需要依赖专家打分，导致效率低、准确性低。

技术实现思路

1、鉴于上述问题，本公开提供了一种金融产品的推荐方法、装置、设备、介质和程序产品。

2、根据本公开的第一个方面，提供了一种金融产品的推荐方法，包括：获取待推荐的金融产品的候选客户数据，其中，所述候选客户数据包括多个候选客户的数据；预处理所述候选客户数据，以获取候选客户特征；获取所述候选客户特征的m个客户特征类型，其中，m为大于等于1的整数；对所述m个客户特征类型进行降维，得到n个降维后的客户特征类型，其中，n为大于等于1的整数，且n小于m；从所述候选客户特征中提取与所述n个降维后的客户特征类型对应的n个客户特征，作为降维后的候选客户特征；将所述降维后的候选客户特征输入购买意愿分模型，以确定所述多个候选客户的购买意愿分，其中，所述购买意愿分模型是基于lightgbm框架构建的，利用历史购买意愿分预先训练得到的；基于所述购买意愿分，从所述多个候选客户中确定目标客户；以及向所述目标客户推荐所述金融产品。

3、根据本公开的实施例，所述对所述m个客户特征类型进行降维，得到n个降维后的客户特征类型的步骤包括：获取所述m个客户特征类型中每个客户特征类型的权重；将所述m个客户特征类型按照权重从大到小进行排序；以及选取前n个客户特征类型作为降维后的客户特征类型。

4、根据本公开的实施例，所述获取所述m个客户特征类型中每个客户特征类型的权重包括：利用tsne算法计算所述m个客户特征类型中每个客户特征类型的权重。

5、根据本公开的实施例，所述候选客户数据包括数值型数据和非数值型数据；所述预处理所述候选客户数据，以获取候选客户特征的步骤包括：对所述数值型数据进行归一化处理，以获取候选客户特征；和利用自然语言处理技术处理所述非数值型数据，以获取候选客户特征。

6、根据本公开的实施例，所述获取待推荐的金融产品的候选客户数据的步骤包括：获取客户对获取金融网站的客户数据的授权；在得到客户对获取金融网站的客户数据授权后，利用爬虫技术获取金融网站的客户数据集合，所述客户数据集合包括多个金融产品的客户数据；以及从所述客户数据集合中提取所述待推荐的金融产品的客户数据，作为待推荐的金融产品的候选客户数据。

7、根据本公开的实施例，所述客户数据包括客户访问金融网站的属性数据和行为数据。

8、根据本公开的实施例，所述基于所述购买意愿分，从所述多个候选客户中确定目标客户的步骤包括：预设购买意愿分阈值；和从所述多个候选客户中选取购买意愿分大于购买意愿分阈值的客户，作为目标客户。

9、本公开的第二方面提供了一种金融产品的推荐装置，包括：第一获取模块，用于获取待推荐的金融产品的候选客户数据，其中，所述候选客户数据包括多个候选客户的数据；预处理模块，用于预处理所述候选客户数据，以获取候选客户特征；第二获取模块，用于获取所述候选客户特征的m个客户特征类型，其中，m为大于等于1的整数；降维模块，用于对所述m个客户特征类型进行降维，得到n个降维后的客户特征类型，其中，n为大于等于1的整数，且n小于m；提取模块，用于从所述候选客户特征中提取与所述n个降维后的客户特征类型对应的n个客户特征，作为降维后的候选客户特征；打分模块，用于将所述降维后的候选客户特征输入购买意愿分模型，以确定所述多个候选客户的购买意愿分，其中，所述购买意愿分模型是基于lightgbm框架构建的，利用历史购买意愿分预先训练得到的；第一确定模块，用于基于所述购买意愿分，从所述多个候选客户中确定目标客户；以及推荐模块，用于向所述目标客户推荐所述金融产品。

10、根据本公开的实施例，所述降维模块包括：第一获取单元，用于获取所述m个客户特征类型中每个客户特征类型的权重；排序单元，用于将所述m个客户特征类型按照权重从大到小进行排序；以及选取单元，用于选取前n个客户特征类型作为降维后的客户特征类型。

11、根据本公开的实施例，所述第一获取单元包括：第一计算子模块，用于利用tsne算法计算所述m个客户特征类型中每个客户特征类型的权重。

12、根据本公开的实施例，所述第一获取模块的候选客户数据包括数值型数据和非数值型数据；所述预处理模块包括：归一化单元，用于对所述数值型数据进行归一化处理，以获取候选客户特征；和自然语言处理单元，用于利用自然语言处理技术处理所述非数值型数据，以获取候选客户特征。

13、根据本公开的实施例，第一获取模块包括：第二获取单元，用于获取客户对获取金融网站的客户数据的授权；爬虫单元，用于在得到客户对获取金融网站的客户数据授权后，利用爬虫技术获取金融网站的客户数据集合，所述客户数据集合包括多个金融产品的客户数据；以及提取单元，用于从所述客户数据集合中提取所述待推荐的金融产品的客户数据，作为待推荐的金融产品的候选客户数据。

14、根据本公开的实施例，所述爬虫单元的客户数据包括客户访问金融网站的属性数据和行为数据。

15、根据本公开的实施例，所述第一确定模块包括：预设单元，用于预设购买意愿分阈值；和目标客户选取单元，用于从所述多个候选客户中选取购买意愿分大于购买意愿分阈值的客户，作为目标客户。

16、本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

17、本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

18、本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

技术特征：

1.一种金融产品的推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述m个客户特征类型进行降维，得到n个降维后的客户特征类型的步骤包括：

3.根据权利要求2所述的方法，其特征在于，所述获取所述m个客户特征类型中每个客户特征类型的权重包括：

4.根据权利要求1所述的方法，其特征在于，所述候选客户数据包括数值型数据和非数值型数据；所述预处理所述候选客户数据，以获取候选客户特征的步骤包括：

5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取待推荐的金融产品的候选客户数据的步骤包括：

6.根据权利要求5所述的方法，其特征在于，所述客户数据包括客户访问金融网站的属性数据和行为数据。

7.根据权利要求1所述的方法，其特征在于，所述基于所述购买意愿分，从所述多个候选客户中确定目标客户的步骤包括：

8.一种金融产品的推荐装置，包括：

9.一种电子设备，包括：

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

技术总结
本公开提供了一种金融产品的推荐方法，可用于金融领域或其他领域。该方法包括：获取待推荐的金融产品的候选客户数据；预处理所述候选客户数据，以获取候选客户特征；获取所述候选客户特征的M个客户特征类型；对所述M个客户特征类型进行降维，得到N个降维后的客户特征类型；从所述候选客户特征中提取与所述N个降维后的客户特征类型对应的N个客户特征，作为降维后的候选客户特征；将所述降维后的候选客户特征输入购买意愿分模型，以确定所述多个候选客户的购买意愿分；基于所述购买意愿分，从所述多个候选客户中确定目标客户；以及向所述目标客户推荐所述金融产品。本公开还提供了一种金融产品的推荐装置、设备、存储介质和程序产品。

技术研发人员：陆雷岳
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：
技术公布日：2024/1/12