CN116361542A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116361542A CN116361542A CN202310066751.2A CN202310066751A CN116361542A CN 116361542 A CN116361542 A CN 116361542A CN 202310066751 A CN202310066751 A CN 202310066751A CN 116361542 A CN116361542 A CN 116361542A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- resource
- sample
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品,涉及大数据技术领域。所述方法包括:通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据用户的资源流失信息,确认用户的用户类型;在用户的用户类型为资源流失用户的情况下,获取用户在多个预设聚类指标下的指标信息;将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别;将与目标用户类别关联的目标产品,推荐给用户。采用本方法,能够提高产品推荐的准确性。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着大数据技术的发展,出现了产品推荐技术。在现有的产品推荐方法中,通常是通过专家对用户的行为数据的分析对用户进行分类,然后基于用户的分类结果为用户推荐相应的产品。
然而,传统的产品推荐方法容易受到专家经验的主观影响,使得用户的分类结果不准确,无法向用户推荐合适的产品,进而导致产品推荐的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高产品推荐的准确性的产品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种产品推荐方法。所述方法包括:
通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
将与所述目标用户类别关联的目标产品,推荐给所述用户。
在其中一个实施例中,所述通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型,包括:
获取用户的资源信息;
通过所述预先训练的资源流失信息预测模型,对所述用户的资源信息进行资源流失预测处理,得到所述用户的资源流失信息;
在所述用户的资源流失信息满足预设资源流失阈值的情况下,将所述用户的用户类型确认为资源流失用户。
在其中一个实施例中,所述预先训练的资源流失信息预测模型通过下述方式训练得到:
获取各个预测样本用户的样本资源信息;
针对各个所述预测样本用户,根据所述预测样本用户的样本资源信息的时间顺序,将所述样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息;
将所述观察期资源信息、所述间隔期资源信息以及所述表现期资源信息,输入至待训练的资源流失信息预测模型中,得到所述预测样本用户的表现期资源预测信息;
通过所述表现期资源预测信息与所述表现期资源信息之间的差异,对所述待训练的资源流失信息预测模型进行训练,得到训练完成的资源流失信息预测模型,作为所述预先训练的资源流失信息预测模型。
在其中一个实施例中,所述预先训练的聚类模型通过下述方式训练得到:
获取聚类样本用户在所述多个预设聚类指标下的样本指标信息;
通过待训练的聚类模型,对所述聚类样本用户在所述多个预设聚类指标下的样本指标信息进行聚类处理,得到所述聚类样本用户的样本用户类别;
确认各个所述样本用户类别之间的类别差异信息;
在所述类别差异信息小于预设差异阈值的情况下,对所述待训练的聚类模型进行训练,得到训练完成的聚类模型,作为所述预先训练的聚类模型。
在其中一个实施例中,所述获取所述用户在多个预设聚类指标下的指标信息,包括:
获取所述用户在多个基础特征指标下的指标信息;
确认所述多个基础特征指标之间的相关性信息;
对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理,得到所述多个预设聚类指标;
针对各个所述预设聚类指标,对所述用户在所述预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到所述用户在所述预设聚类指标下的指标信息。
在其中一个实施例中,在将与所述目标用户类别关联的目标产品,推荐给所述用户之前,还包括:
确认所述预先训练的聚类模型的各个用户类别;
获取各个所述用户类别的特征信息;所述用户类别的特征信息,根据所述用户类别的关联样本用户在所述多个预设聚类指标下的样本指标信息得到;所述用户类别的关联样本用户为用于训练所述预先训练的聚类模型的聚类样本用户中,对应的样本用户类别为所述用户类别的聚类样本用户;
针对各个所述用户类别,根据所述用户类别的特征信息,确认所述用户类别与产品之间的关联关系;
所述将与所述目标用户类别关联的目标产品,推荐给所述用户,包括:
查询所述关联关系,确认与所述目标用户类别关联的产品,作为目标产品;
将所述目标产品推荐给所述用户。
在其中一个实施例中,所述针对各个所述用户类别,根据所述用户类别的特征信息,确认所述用户类别与产品之间的关联关系,包括:
针对各个所述用户类别,根据所述用户类别的特征信息,预测所述用户类别的关联样本用户的产品消费行为;
确认与所述关联样本用户的产品消费行为关联的产品;
根据所述用户类别,以及所述与所述关联样本用户的产品消费行为关联的产品,确认所述用户类别与产品之间的关联关系。
第二方面,本申请还提供了一种产品推荐装置。所述装置包括:
流失信息预测模块,用于通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
指标信息获取模块,用于在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
用户类别聚类模块,用于将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
目标产品推荐模块,用于将与所述目标用户类别关联的目标产品,推荐给所述用户。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
将与所述目标用户类别关联的目标产品,推荐给所述用户。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
将与所述目标用户类别关联的目标产品,推荐给所述用户。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
将与所述目标用户类别关联的目标产品,推荐给所述用户。
上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品,首先通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,并根据用户的资源流失信息,确认用户的用户类型;然后在用户的用户类型为资源流失用户的情况下,获取用户在多个预设聚类指标下的指标信息;接着将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别;最后将与目标用户类别关联的目标产品,推荐给用户。这样,通过预先训练的资源流失信息预测模型,能够精准地将用户类型为资源流失用户的用户,确认为需要进行产品推荐的目标客群;然后再通过用户在多个预设聚类指标下的指标信息和预先训练的聚类模型,确认用户的用户类别,并根据用户类别确认需要推荐给用户的目标产品,进而完成对用户的产品推荐。基于以上过程的产品推荐方法,不会受到主观影响的干扰,能够实现对用户的精准分类以及针对用户的产品推荐,提高了产品推荐的准确性,从而能够对用户开展个性化的服务,对资源流失用户进行有效挽留。
附图说明
图1为一个实施例中产品推荐方法的流程示意图;
图2为一个实施例中预先训练的资源流失信息预测模型的训练步骤的流程示意图;
图3为一个实施例中预先训练的聚类模型的训练步骤的流程示意图;
图4为一个实施例中聚类样本用户的聚类结果示意图;
图5为另一个实施例中产品推荐方法的流程示意图;
图6为一个实施例中产品推荐装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一示例性实施例中,如图1所示,提供了一种产品推荐方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括服务器和终端的系统,并通过服务器和终端之间的交互实现。其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现;终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等本实施例中,该方法包括以下步骤:
步骤S102,通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据用户的资源流失信息,确认用户的用户类型。
其中,预先训练的资源流失信息预测模型,根据预测样本用户的资源流失信息训练得到。资源流失信息用于表征用户在未来一段时期内是否继续选择企业的服务,以银行的产品推荐场景为例,用户的资源流失信息可为用户的资源流失率;用户的资源包括用户的资产、用户对理财产品的投入、用户对投资产品的投入等。
具体地,服务器通过预先训练的资源流失信息预测模型,对用户的资产、用户对理财产品的投资等资源信息进行预测处理,得到用户的资源流失率以表征资源流失信息;然后根据资源流失信息,确认用户的用户类型。
步骤S104,在用户的用户类型为资源流失用户的情况下,获取用户在多个预设聚类指标下的指标信息。
其中,资源流失用户是指在一段时期内,有一定概率不会再选择企业的服务的用户。预设聚类指标是指用于对用户进行聚类的各个指标,在本申请中,预设聚类指标至少包括流失率指标、用户价值指标、用户贡献指标以及渠道偏好指标。
具体地,服务器根据用户的资源流失信息,预测用户在一段时期内,有一定概率不会再选择企业的服务时,将用户的用户类型确认为资源流失用户,并获取用户在多个预设聚类指标,如流失率指标、用户价值指标、用户贡献指标以及渠道偏好指标等指标下的指标信息。
步骤S106,将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别。
其中,预先训练的聚类模型,通过对聚类样本用户的训练得到。用户的目标用户类别为用户根据预先训练的聚类模型得到的聚类结果。以银行的产品推荐场景为例,根据预先训练的聚类模型,能够将用户至少分为预支约束型用户、潜力可期型用户、高端必保型用户以及存款依赖型用户。
具体地,服务器获取用户在至少包括流失率指标、用户价值指标、用户贡献指标以及渠道偏好指标等多个预设聚类指标下的指标信息,并将上述指标信息输入至预先训练的聚类模型中进行聚类处理,得到用户的目标用户类别。
举例说明,服务器根据预先训练的聚类模型对用户在多个预设聚类指标下的指标信息进行聚类处理,得到用户的聚类结果为潜力可期型用户,那么用户的目标用户类别即为潜力可期型用户。
步骤S108,将与目标用户类别关联的目标产品,推荐给用户。
其中,与目标用户类别关联的目标产品,根据预先训练的聚类模型得到的用户类别与企业的产品之间的关联关系确认得到。在银行的产品推荐场景中,企业的产品包括理财产品、投资产品、存款产品以及预支产品等。
具体地,服务器查询用户类别与产品之间的关联关系,确认与用户的目标用户类别关联的目标产品,并将目标产品推荐给用户。
举例说明,若用户为预支约束型用户,说明该用户在银行的主要业务为预支业务,因此对应的目标产品为预支类产品;那么服务器可向用户投放预支类产品的相关推荐信息,提高用户对本银行产品的使用频率。
上述产品推荐方法中,服务器首先通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,并根据用户的资源流失信息,确认用户的用户类型;然后在用户的用户类型为资源流失用户的情况下,获取用户在多个预设聚类指标下的指标信息;接着将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别;最后将与目标用户类别关联的目标产品,推荐给用户。这样,服务器通过预先训练的资源流失信息预测模型,能够精准地将用户类型为资源流失用户的用户,确认为需要进行产品推荐的目标客群;然后再通过用户在多个预设聚类指标下的指标信息和预先训练的聚类模型,确认用户的用户类别,并根据用户类别确认需要推荐给用户的目标产品,进而完成对用户的产品推荐。基于以上过程的产品推荐方法,不会受到主观影响的干扰,能够实现对用户的精准分类以及针对用户的产品推荐,提高了产品推荐的准确性,进而能够对资源流失用户进行有效挽留。
在一示例性实施例中,上述步骤S102,通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据用户的资源流失信息,确认用户的用户类型,具体包括以下内容:获取用户的资源信息;通过预先训练的资源流失信息预测模型,对用户的资源信息进行资源流失预测处理,得到用户的资源流失信息;在用户的资源流失信息满足预设资源流失阈值的情况下,将用户的用户类型确认为资源流失用户。
其中,在银行的产品推荐场景中,将资源流失用户定义为表现期的资源信息相对观察期最后一个月的资源信息减少50%及以上的用户,因此预设资源流失阈值为50%。能够理解的是,对预设资源流失阈值的设置,支持根据不同的业务场景进行调整。
需要说明的是,按照时间顺序,可将用户的资源信息分为观察期资源信息(1月份至3月份)、间隔期资源信息(4月份)以及表现期资源信息(5月份至7月份)。假设需要预测用户在表现期是否会出现资源流失,那么就需要用5月份至7月份的资源信息,与观察期中的3月份的资源信息进行比较。
具体地,服务器获取用户的观察期资源信息和间隔期资源信息,并根据预先训练的资源流失信息预测模型,对用户的观察期资源信息和间隔期资源信息进行预测处理,得到用户在表现期的资源信息的预测结果,然后在基于表现期的资源信息的预测结果,和间隔期资源信息的对比,确认用户在表现期的资源流失信息;若用户在表现期的资源流失信息大于50%,那么服务器就将用户确认为资源流失用户。
举例说明,假设观察期为1月份至3月份,间隔期为4月份,表现期为5月份至7月份,用户的资源信息用月日均金融资产表征;服务器首先获取用户在1月份至4月份的月日均金融资产,并将数据输入至预先训练的资源流失信息模型中,通过预先训练的资源流失信息模型预测得到用户在5月份至7月份的月日均金融资产,然后将用户在5月份至7月份的月日均金融资产相对于用户在3月份的月日均金融资产的减少情况,确认为用户在表现期的资源流失信息。
本实施例中,服务器通过预先训练的资源流失信息预测模型,和用户在观察期和间隔期的资源信息,对用户在表现期的资源流失情况进行预测,并基于资源流失情况的预测结果筛选出待挽留用户,从而后续的产品推荐确定了目标客群。
在一示例性实施例中,如图2所示,上述步骤S102中的预先训练的资源流失信息预测模型通过下述方式训练得到:
步骤S202,获取各个预测样本用户的样本资源信息。
步骤S204,针对各个预测样本用户,根据预测样本用户的样本资源信息的时间顺序,将样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息。
步骤S206,将观察期资源信息、间隔期资源信息以及表现期资源信息,输入至待训练的资源流失信息预测模型中,得到预测样本用户的表现期资源预测信息。
步骤S208,通过表现期资源预测信息与表现期资源信息之间的差异,对待训练的资源流失信息预测模型进行训练,得到训练完成的资源流失信息预测模型,作为预先训练的资源流失信息预测模型。
其中,表现期预测信息与表现期资源信息之间的差异,根据表现期预测信息与表现期资源信息之间的损失函数得到。
其中,待训练的资源流失信息预测模型,是由一个输入层、三个隐藏层和一个输出层组成的深度神经网络。
具体地,服务器首先获取各个预测样本用户的样本资源信息,并按照时间顺序,将样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息;然后通过待训练的资源流失信息预测模型,对观察期资源信息与间隔期资源信息进行预测处理,得到预测样本用户在表现期的表现期资源预测信息;接着服务器通过待训练的资源流失信息预测模型,得到表现期资源预测信息与表现期资源信息之间的损失函数,从而确定二者之间的差异,在表现期资源预测信息与表现期资源信息之间的差异大于预设资源信息差异阈值的情况下,服务器对待训练的资源流失信息预测模型中的参数进行调整,并再次基于预测样本用户的观察期资源信息与间隔期资源信息,对待训练的资源流失信息预测模型进行再次训练,直到表现期资源预测信息与表现期资源信息之间的差异小于预设资源信息差异阈值,得到训练完成的资源流失信息预测模型,即预先训练的资源流失信息预测模型。
本实施例中,服务器通过预测样本用户在观察期和间隔期的资源信息,得到预测样本用户在表现期的资源信息预测结果,并根据预测样本用户在表现期的资源信息预测结果和预测样本用户在表现期的实际资源信息,对待训练的资源流失信息预测模型进行训练,从而得到能够准确预测出资源流失信息的模型,能够为后续准确预测用户的资源流失信息、为产品推荐过程确定待推荐用户提供实现基础。
在一示例性实施例中,如图3所示,上述步骤S106中,预先训练的聚类模型通过下述方式训练得到:
步骤S302,获取聚类样本用户在多个预设聚类指标下的样本指标信息。
步骤S304,通过待训练的聚类模型,对聚类样本用户在多个预设聚类指标下的样本指标信息进行聚类处理,得到聚类样本用户的样本用户类别。
步骤S306,确认各个样本用户类别之间的类别差异信息。
步骤S308,在类别差异信息小于预设差异阈值的情况下,对待训练的聚类模型进行训练,得到训练完成的聚类模型,作为预先训练的聚类模型。
其中,聚类样本用户为预测样本用户中,用户类型为资源流失用户的样本用户。
其中,各个样本用户类别之间的类别差异信息通过Calinski-Harabasz指数确定;通过Calinski-Harabasz指数,能够对待训练的聚类模型的聚类效果进行评估,Calinski-Harabasz分数越高,各个样本用户类别之间的区分度越高,聚类效果也就越好。
具体地,服务器获取各个聚类样本用户在至少包括流失率指标、用户价值指标、用户贡献指标以及渠道偏好指标等多个预设聚类指标下的样本指标信息,并通过待训练的聚类模型,根据各个聚类样本用户在多个预设聚类指标下的样本指标信息,对各个聚类样本用户进行聚类处理,得到各个聚类样本用户的样本用户类别;其中,待训练的聚类模型的样本用户类别数需要进行初始化;然后基于Calinski-Harabasz指数,确认各个样本用户类别的簇间距离与簇内距离的比值,即各个样本用户类别之间的类别差异信息,作为待训练的聚类模型的Calinski-Harabasz分数;在待训练的聚类模型的Calinski-Harabasz分数小于预设差异阈值的情况下,说明各个样本用户类别之间的区分度较不明显,需要调整待训练的聚类模型的样本用户类别数,因此需要基于聚类样本用户,对待训练的聚类模型再次进行训练,直到待训练的聚类模型的Calinski-Harabasz分数大于预设差异阈值,得到训练完成的聚类模型,作为预先训练的聚类模型。
需要说明的是,在对聚类模型的训练过程中,样本用户类别数为4时,Calinski-Harabasz分数最大,即聚类个数为4时,聚类模型的聚类效果最好;因此将样本用户类别数为4的聚类模型作为预先训练的聚类模型。
本实施例中,服务器通过聚类样本用户在多个预设聚类指标下的指标信息,得到聚类样本用户的样本用户类别,并基于各个样本用户类别,确认待训练的聚类模型的Calinski-Harabasz分数,从而对待训练的聚类模型进行训练,进而得到聚类效果区分度高、聚类结果准确的聚类模型,为后续确认待推荐用户的用户类别,并基于用户类别进行产品推荐提供了基础,从而提高了产品推荐的准确性。
在一示例性实施例中,上述步骤S104中,获取用户在多个预设聚类指标下的指标信息,具体包括以下内容:获取用户在多个基础特征指标下的指标信息;确认多个基础特征指标之间的相关性信息;对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理,得到多个预设聚类指标;针对各个预设聚类指标,对用户在预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到用户在预设聚类指标下的指标信息。
其中,基础特征指标至少包括流失率指标、生命周期指标、产品持有情况指标、收入水平指标、渠道偏好指标以及贡献类型指标。
其中,多个基础特征指标之间的相关性信息,用于表征两两基础特征指标之间的相关性;相关性信息具体可以通过例如Pearson(皮尔逊)相关系数算法来进行确认,也可以采用随机梯度下降算法确认各个基础特征指标的权重确认多个基础特征指标之间的相关性信息。
其中,流失率指标信息根据用户的资源流失信息得到;生命周期指标信息根据用户的年龄得到;产品持有数量指标信息根据用户的所持有的产品数量得到;收入水平指标信息根据用户在一段时间内的收入情况得到;渠道偏好指标xinxi根据用户在各渠道(如柜台、线上、自助设备等)的交易占比情况得到;贡献类型信息根据用户对企业的贡献类型得到,如预支贡献、存款贡献、投资贡献以及信用卡贡献等。
具体地,服务器获取用户在至少包括流失率指标、生命周期指标、产品持有情况指标、收入水平指标、渠道偏好指标以及贡献类型指标等多个基础特征指标下的指标信息;接着服务器确认各个基础特征指标之间的相关系数,即相关性信息;然后将相关系数大于预设相关性阈值的两个基础特征指标进行融合,例如对生命周期指标和收入水平指标进行融合,得到用户价值指标,对产品持有数量指标和贡献类型指标进行融合,得到用户贡献指标,从而得到至少包括流失率指标、用户价值指标、用户贡献指标以及渠道偏好指标的多个预设聚类指标;最后,服务器针对融合得到的预设聚类指标,对用户在预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到用户在预设聚类指标下的指标信息,例如,融合生命周期指标信息和收入水平指标信息,得到用户价值指标信息,融合产品持有数量指标信息和贡献类型指标信息,得到用户贡献指标信息,再结合用户的流失率指标信息和渠道偏好指标信息,就能够得到用户在多个预设聚类指标下的指标信息。
本实施例中,服务器对多个基础特征指标的融合以及用户在多个基础特征指标下的指标信息的融合,得到用于对用户进行聚类的多个预设聚类指标,以及用户在多个预设聚类指标下的指标信息,能够对大量、杂乱的用户信息进行划分与融合,降低用于确定用户类别的信息的维度,减少聚类过程中的冗余信息,从而实现了对用户的精准聚类,进而提高了产品推荐的准确性。
在一示例性实施例中,上述步骤S108,将与目标用户类别关联的目标产品,推荐给用户之前,还具体包括以下内容:确认预先训练的聚类模型的各个用户类别;获取各个用户类别的特征信息;针对各个用户类别,根据用户类别的特征信息,确认用户类别与产品之间的关联关系。
上述步骤S108,将与目标用户类别关联的目标产品,推荐给用户,具体包括以下内容:查询关联关系,确认与目标用户类别关联的产品,作为目标产品;将目标产品推荐给用户。
其中,用户类别的特征信息,根据用户类别的关联样本用户在多个预设聚类指标下的样本指标信息得到;用户类别的关联样本用户为用于训练预先训练的聚类模型的聚类样本用户中,对应的样本用户类别为用户类别的聚类样本用户。例如,如图4为聚类样本用户的聚类结果示意图,假设通过预先训练的聚类模型的4种样本用户类别(A类、B类、C类以及D类),将聚类样本用户分为了4类;那么针对A类样本用户类别,其对应的特征信息,根据所有的聚类样本用户中,聚类结果为A类的聚类样本用户,即图4的区域A中的6个聚类样本用户的样本指标信息得到;图4的区域A中的6个聚类样本用户即为A类样本用户类别的关联样本用户。
具体地,服务器在得到预先训练的聚类模型之后,还需要根据预先训练的聚类模型的聚类结果中,样本用户类别属于各个用户类别的聚类样本用户的样本指标信息,确认各个用户类别的特征信息;然后根据各个用户类别的特征信息,确认各个用户类别与产品之间的关联关系;最后服务器查询用户类别与产品之间的关联关系,将与用户的目标用户类别关联的产品推荐作为目标产品,推荐给用户,从而实现对用户的精准推荐。
举例说明,服务器根据预先训练的聚类模型得到的用户类别分别为预支约束型用户、潜力可期型用户、高端必保型用户以及存款依赖型用户;以预支约束型用户为例,服务器根据样本用户类别为预支约束型用户的聚类样本用户的样本指标信息,得到预支约束型用户的特征信息包括:已经工作一段时间的年轻人、流失率最低、持有产品数量较多、收入水平较高、预支贡献最高、较少到店消费、偏好线上渠道,流失率低常常是因为预支金额未结清。基于以上特征信息,服务器可将低风险理财类产品、预支类产品等产品作为与预支约束型用户关联的产品,推荐给目标用户类别为预支约束型用的用户。
以潜力可期型用户为例,服务器根据样本用户类别为潜力可期型用户的聚类样本用户的样本指标信息,得到潜力可期型用户的特征信息包括:刚刚开始工作的年轻人、流失率最高、持有产品数量较多、收入水平中等、预支贡献较高且偏好线上渠道、常常使用三方支付平台、接收新事物较快。基于以上特征信息,服务器可将创新服务产品、三方支付绑定活动等产品作为与潜力可期型用户关联的产品,推荐给目标用户类别为潜力可期型用户的用户。
以高端必保型用户为例,服务器根据样本用户类别为高端必保型用户的聚类样本用户的样本指标信息,得到高端必保型用户的特征信息包括:工作稳定的中年人、流失率较低、五星级及以上用户占比最高、持有产品数量最多、收入水平最高、信用卡贡献最多、预支贡献最低、偏好线上渠道且三方支付绑定最多,同时也是持有最多理财类产品的用户。基于以上特征信息,服务器可将投资类产品作为与高端必保型用户关联的产品,推荐给目标用户为高端必保型用户的用户,同时还可以通过线上引导用户通过企业产品进行日常缴费与支出,满足用户在教育、购房、就医以及旅游等多方面的需求,以增加用户与企业的粘性。
以存款依赖型用户为例,服务器根据样本用户类别为存款依赖型用户的聚类样本用户的样本指标信息,得到存款依赖型用户的特征信息包括:濒临退休或已经退休的中老年人、流失率中等、持有产品数量较少、收入水平最低、存款贡献较高、偏好柜台渠道,注重资金和安全支付。基于以上特征信息,服务器可通过线下面对面交流的方式,将低风险理财产品、保险产品、养老金融产品等具有稳健收益的产品作为与存款依赖型用户关联的产品,推荐给目标用户为存款依赖型用户的用户。
本实施例中,通过聚类样本用户的样本指标信息,确定预先训练的聚类模型各个用户类别的特征信息,从而为各个用户类别确认关联产品,便于在得到待推荐用户的目标用户类别之后,精准地为用户选择关联产品,完成产品推荐。基于以上过程得到的用户类别与产品之间的关联关系,能够提高产品推荐的准确性。
在一示例性实施例中,上述步骤中,针对各个用户类别,根据用户类别的特征信息,确认用户类别与产品之间的关联关系,具体包括以下内容:针对各个用户类别,根据用户类别的特征信息,预测用户类别的关联样本用户的产品消费行为;确认与关联样本用户的产品消费行为关联的产品;根据用户类别,以及与关联样本用户的产品消费行为关联的产品,确认用户类别与产品之间的关联关系。
具体地,服务器根据各个用户类别的特征信息,对用户类别的关联样本用户在未来一段时间内的产品消费行为进行预测;然后根据预测得到的产品消费行为,确认产品消费行为关联的产品;最后根据用户类别,以及与用户类别的关联样本用户的产品消费行为关联的产品,确认用户类别与产品之间的关联关系。
以高端必保型用户为例,服务器根据高端必保型用户的特征信息,预测得到的高端必保型用户的关联样本用户的产品消费行为包括:偏好线上渠道、偏好选择投资类产品,且能够接受风险高、收益高的投资类产品;因此服务器可将投资类产品作为与高端必保型用户关联的产品,从而为高端必保型用户与对应的产品确认关联关系。
以存款依赖型用户为例,服务器根据存款依赖性用户的特征信息,预测得到的存款依赖型用户的关联样本用户的产品消费行为包括:偏好柜台渠道、存款贡献依旧为主要贡献,对风险高的理财产品接受度较低、更偏好具有稳健收益的产品;因此服务器可将低风险理财产品、保险产品、养老金融产品等产品作为与存款依赖性用户关联的产品,从而为存款依赖型用户与对应的产品确认关联关系。
本实施例中,服务器通过对用户类别的关联样本用户的产品消费行为的预测,为各个用户类别确认用户偏好的产品,从而为各个用户类别与产品之间建立关联关系,进而能够实现后续基于用户的目标用户类别,为用户精准推荐产品的过程,因此提高了产品推荐的准确性。
在一示例性实施例中,如图5所示,提供了另一种产品推荐方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S501,根据预测样本用户的样本资源信息,对待训练的资源流失信息预测模型进行训练,得到预先训练的资源流失信息预测模型。
步骤S502,根据聚类样本用户在多个预设聚类指标下的样本指标信息,对待训练的聚类模型进行聚类,得到预先训练的聚类模型。
其中,聚类样本用户为预测样本用户中,用户类型为资源流失用户的样本用户。
步骤S503,根据预先训练的聚类模型的各个用户类别的特征信息,预测用户类别的关联样本用户的产品消费行为。
其中,用户类别的特征信息,根据用户类别的关联样本用户在多个预设聚类指标下的样本指标信息得到;用户类别的关联样本用户为用于训练预先训练的聚类模型的聚类样本用户中,对应的样本用户类别为用户类别的聚类样本用户。
步骤S504,确认与关联样本用户的产品消费行为关联的产品,并根据用户类别,以及与关联样本用户的产品消费行为关联的产品,确认用户类别与产品之间的关联关系。
步骤S505,通过预先训练的资源流失信息预测模型,对用户的资源信息进行资源流失预测处理,得到用户的资源流失信息。
步骤S506,在用户的资源流失信息满足预设资源流失阈值的情况下,将用户的用户类型确认为资源流失用户。
步骤S507,在用户的用户类型为资源流失用户的情况下,获取用户在多个基础特征指标下的指标信息,以及确认多个基础特征指标之间的相关性信息。
步骤S508,对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理,得到多个预设聚类指标。
步骤S509,针对各个预设聚类指标,对用户在预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到用户在预设聚类指标下的指标信息。
步骤S510,将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别。
步骤S511,查询关联关系,确认与目标用户类别关联的产品,作为目标产品。
步骤S512,将目标产品推荐给用户。
本实施例中,服务器通过预测样本用户的资源信息,对待训练的资源流失信息预测模型进行训练,得到能够准确预测出资源流失信息的模型;同时还通过聚类样本用户在多个预设聚类指标下的指标信息,对待训练的聚类模型进行训练,得到聚类效果区分度高、聚类结果准确的聚类模型;此外,通过聚类样本用户的样本指标信息,确定预先训练的聚类模型各个用户类别的特征信息,并预测用户类别的关联样本用户在未来一段时间内的产品消费信息,从而为各个用户类别确认关联产品。基于以上准备过程,服务器为产品推荐过程确认了锁定目标客群的基础、实现用户精准聚类的基础以及用户类别与产品之间的关联关系,从而服务器能够通过预先训练的资源流失信预测模型,精准地确认需要进行产品推荐的目标客群;然后再通过用户在多个预设聚类指标下的指标信息和预先训练的聚类模型,确认用户的用户类别,并根据用户类别确认需要推荐给用户的目标产品,进而完成对用户的产品推荐。基于以上过程的产品推荐方法,不会受到主观影响的干扰,能够实现对用户的精准分类以及针对用户的产品推荐,提高了产品推荐的准确性,进而能够对资源流失用户进行有效挽留。
为了更清晰阐明本申请实施例提供的产品推荐方法,以下以一个具体的实施例对该产品推荐方法进行具体说明。在一示例性实施例中,本申请还提供了一种基于中高端流失客户的聚类分析方法,具体包括以下步骤:
步骤1:选定目标客群。
服务器从业务上判定存款资源在5-20万元的用户为中高端用户,并将资源流失用户定义为在表现期的月日均金融资产相对观察期最后一个月的月日均金融资产减少50%及以上。
服务器使用Keras建立Sequential模型,搭建由一个输入层、三个隐藏层和一个输出层组成的深度神经网络,将所有用户在观察期、表现期、间隔期的数据导入到模型中,采用反向传播算法对观察期和间隔期的用户数据进行训练,使用二分类算法预测表现期的用户是否会流失,根据结果将用户分为非资源流失用户和资源流失用户,资源流失用户为后续聚类分析的目标客群。
步骤2:筛选聚类指标。
服务器基于历史业务信息,选择对用户类别划分具有指导意义的指标,选取资产下降比例、年龄、产品覆盖率、收入、渠道偏好、用户贡献价值6个核心维度作为聚类算法的基础指标。
步骤3:衍生聚类指标。
服务器对资产下降比例指标进行分析处理,根据表现期内月日均资产较观察期末下降比例情况,衍生出流失率指标;对年龄指标进行分析处理,按照年龄段衍生出生命周期指标;对产品覆盖率指标进行分析处理,根据产品持有数量情况衍生出产品持有情况指标;对收入指标进行分析处理,按照近6个月代发工资金额情况衍生出收入水平指标;对渠道偏好指标进行分析处理,根据各渠道交易笔数占比情况衍生出偏好指标;对用户贡献价值指标进行分析处理,根据贡献类指标占比情况衍生出贡献类型指标。
步骤4:融合聚类指标。
服务器采用随机梯度下降算法,对步骤3中衍生出的生命周期指标、收入水平指标、产品持有情况指标和贡献类型指标四个指标进行权重分析,将生命周期指标和收入水平指标融合为用户价值指标,将产品持有情况指标和贡献类型指标融合成用户贡献指标。
步骤5:预处理数据。
服务器分别将用户在流失率指标、用户价值指标、用户贡献指标以及偏好指标下的数据进行极差标准化处理,使处理后的变量服从标准正态分布。
步骤6:建立聚类模型。
服务器采用K-Means算法建立聚类模型,输入步骤5中经过极差标准化处理后的四个指标数据,对模型进行训练。使用时间序列分析方法对模型中的用户贡献指标数据按时间顺序排序,对用户历史消费习惯数据进行数据抽取,形成对用户未来消费行为的预测,为后续制定营销策略提供依据。为使模型区分效果最佳,将聚类个数设置为4到9分别进行聚类分析,使用Calinski-Harabasz指数对聚类效果进行评估,在聚类个数为4时,Calinski-Harabasz分数最高,聚类效果最好,具有良好的区分度。同时利用可视化工具TSNE对聚类结果进行降维,使聚类结果更加直观。
步骤7:描述聚类结果。
服务器对聚类模型的每个聚类分别进行用户特征描述,将聚类模型结果描述为:预支约束型用户、潜力可期型用户、高端必保型用户以及存款依赖型用户四大类。
预支约束型用户:此类用户的生命周期处在稳步成长阶段,具有流失率最低,持有产品数量较多,工资收入水平较高,预支贡献最高,偏好使用线上渠道进行交易,到店率极低等特点。
潜力可期型用户:此类用户的生命周期处在初出茅庐阶段,具有流失率最高,持有产品数量较多,工资收入水平中等,预支贡献较高,偏好网银手机银行渠道交易,三方支付平台交易使用最频繁等特点。
高端必保型用户:此类用户的生命周期处在加速上升阶段,企业高管占比最大,五星级及以上用户占比最高,具有流失率较低,持有产品数量最多,工资收入水平最高,中收和信用卡贡献最多,预支贡献最低,偏好手机银行交易,三方绑卡最多,行内转账和跨行转账交易均较频繁,理财类交易最多等特点。
存款依赖型用户:此类用户的生命周期处在濒临退休阶段,具有流失率中等,持有产品数量最少,工资收入水平最低,到店率高,极为偏好柜面交易,贡献较少,交易量少,负债最少,偏好存款,极少使用三方支付,注重资金和支付安全等特点。
步骤8:为用户推荐产品。
服务器根据聚类模型中对用户未来消费行为的预测及用户画像特征描述,为用户推荐产品和服务。
预支约束型用户:根据该类用户的偏好特征,生成线上营销策略,筛选用户近期使用过的线上交易渠道,在用户通过该渠道接入时投放理财等投资产品的推荐,增加其成为理财用户的机率。通过手机银行推送有奖问卷调查或短信推送到店立减金等活动方式,邀约和吸引用户到店,增加与用户面对面沟通交流的机会,以便发现更多的销售可能。根据该类用户的贡献特征,在用户预支到期前三个月,通过手机银行或短信推送等方式,向用户推荐其他预支类产品,以增加新的预支约束,实现用户挽留。
潜力可期型用户:根据该类用户的偏好特征,生成线上营销策略,通过手机银行,短信等渠道邀请用户体验云网点等创新服务平台,指引用户完成包括业务办理、景点购票等个性化服务在内的新技术体验。根据该类用户的贡献特征,推送三方支付平台绑定银行卡赢立减金活动以及在三方支付平台使用银行卡消费赢立减金等活动,以提高该类用户在三方支付平台绑定银行卡的概率和使用银行卡进行支付的频率,实现用户挽留。
高端必保型用户:根据该类用户的偏好特征,生成线上及线下营销策略,制定针对不同场景的金融服务,线上引导用户通过手机银行进行交通罚款、物业费、电费等的日常缴费,满足用户在教育、购房、养老、就医、交运、旅游等方面的刚性需求,以更多的应用场景增加用户黏性。线下通过配备专属用户经理,增加与用户面对面接触的机会,根据用户特点设计产品组合,引导用户多持有投资类产品。
存款依赖型用户:根据该类用户的偏好特征,生成线下营销策略,通过线下面对面交流的方式,维护用户的存款业务往来,由柜员或大堂用户经理引导用户选择配置低风险理财产品、保险产品以及养老金融产品等具有稳健收益的产品,以替代收益日益下降的存款,实现用户挽留。
本实施例中,服务器基于人工智能模型技术,通过对中高端流失用户的核心指标数据进行建模分析,构建出资源流失用户的聚类画像,将数据特征化,分析出数据背后的深层原因,为合理有效地分配推荐资源,并开展针对性地推荐措施提供依据,从而实现最大化提升流失用户挽回率的目的。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的产品推荐方法的产品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。
在一示例性实施例中,如图6所示,提供了一种产品推荐装置,包括:流失信息预测模块602、指标信息获取模块604、用户类别聚类模块606和目标产品推荐模块608,其中:
流失信息预测模块602,用于通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据用户的资源流失信息,确认用户的用户类型。
指标信息获取模块604,用于在用户的用户类型为资源流失用户的情况下,获取用户在多个预设聚类指标下的指标信息。
用户类别聚类模块606,用于将用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到用户的目标用户类别。
目标产品推荐模块608,用于将与目标用户类别关联的目标产品,推荐给用户。
在一示例性实施例中,流失信息预测模块602,还用于获取用户的资源信息;通过预先训练的资源流失信息预测模型,对用户的资源信息进行资源流失预测处理,得到用户的资源流失信息;在用户的资源流失信息满足预设资源流失阈值的情况下,将用户的用户类型确认为资源流失用户。
在一示例性实施例中,产品推荐装置还包括资源流失信息预测模型训练模块,用于获取各个预测样本用户的样本资源信息;针对各个预测样本用户,根据预测样本用户的样本资源信息的时间顺序,将样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息;将观察期资源信息、间隔期资源信息以及表现期资源信息,输入至待训练的资源流失信息预测模型中,得到预测样本用户的表现期资源预测信息;通过表现期资源预测信息与表现期资源信息之间的差异,对待训练的资源流失信息预测模型进行训练,得到训练完成的资源流失信息预测模型,作为预先训练的资源流失信息预测模型。
在一示例性实施例中,产品推荐装置还包括聚类模型训练模块,用于获取聚类样本用户在多个预设聚类指标下的样本指标信息;通过待训练的聚类模型,对聚类样本用户在多个预设聚类指标下的样本指标信息进行聚类处理,得到聚类样本用户的样本用户类别;确认各个样本用户类别之间的类别差异信息;在类别差异信息小于预设差异阈值的情况下,对待训练的聚类模型进行训练,得到训练完成的聚类模型,作为预先训练的聚类模型。
在一示例性实施例中,指标信息获取模块604,还用于获取用户在多个基础特征指标下的指标信息;确认多个基础特征指标之间的相关性信息;对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理,得到多个预设聚类指标;针对各个预设聚类指标,对用户在预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到用户在预设聚类指标下的指标信息。
在一示例性实施例中,产品推荐装置还包括关联关系确认模块,用于确认预先训练的聚类模型的各个用户类别;获取各个用户类别的特征信息;用户类别的特征信息,根据用户类别的关联样本用户在多个预设聚类指标下的样本指标信息得到;用户类别的关联样本用户为用于训练预先训练的聚类模型的聚类样本用户中,对应的样本用户类别为用户类别的聚类样本用户;针对各个用户类别,根据用户类别的特征信息,确认用户类别与产品之间的关联关系。
目标产品推荐模块608,还用于查询关联关系,确认与目标用户类别关联的产品,作为目标产品;将目标产品推荐给用户。
在一示例性实施例中,关联关系确认模块,还用于针对各个用户类别,根据用户类别的特征信息,预测用户类别的关联样本用户的产品消费行为;确认与关联样本用户的产品消费行为关联的产品;根据用户类别,以及与关联样本用户的产品消费行为关联的产品,确认用户类别与产品之间的关联关系。
上述产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户的资源流失信息、用户的指标信息以及产品的特征数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推荐方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一示例性实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一示例性实施例中,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各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种产品推荐方法,其特征在于,所述方法包括:
通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
将与所述目标用户类别关联的目标产品,推荐给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型,包括:
获取用户的资源信息;
通过所述预先训练的资源流失信息预测模型,对所述用户的资源信息进行资源流失预测处理,得到所述用户的资源流失信息;
在所述用户的资源流失信息满足预设资源流失阈值的情况下,将所述用户的用户类型确认为资源流失用户。
3.根据权利要求1所述的方法,其特征在于,所述预先训练的资源流失信息预测模型通过下述方式训练得到:
获取各个预测样本用户的样本资源信息;
针对各个所述预测样本用户,根据所述预测样本用户的样本资源信息的时间顺序,将所述样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息;
将所述观察期资源信息、所述间隔期资源信息以及所述表现期资源信息,输入至待训练的资源流失信息预测模型中,得到所述预测样本用户的表现期资源预测信息;
通过所述表现期资源预测信息与所述表现期资源信息之间的差异,对所述待训练的资源流失信息预测模型进行训练,得到训练完成的资源流失信息预测模型,作为所述预先训练的资源流失信息预测模型。
4.根据权利要求1所述的方法,其特征在于,所述预先训练的聚类模型通过下述方式训练得到:
获取聚类样本用户在所述多个预设聚类指标下的样本指标信息;
通过待训练的聚类模型,对所述聚类样本用户在所述多个预设聚类指标下的样本指标信息进行聚类处理,得到所述聚类样本用户的样本用户类别;
确认各个所述样本用户类别之间的类别差异信息;
在所述类别差异信息小于预设差异阈值的情况下,对所述待训练的聚类模型进行训练,得到训练完成的聚类模型,作为所述预先训练的聚类模型。
5.根据权利要求1所述的方法,其特征在于,所述获取所述用户在多个预设聚类指标下的指标信息,包括:
获取所述用户在多个基础特征指标下的指标信息;
确认所述多个基础特征指标之间的相关性信息;
对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理,得到所述多个预设聚类指标;
针对各个所述预设聚类指标,对所述用户在所述预设聚类指标对应的基础特征指标下的指标信息进行融合处理,得到所述用户在所述预设聚类指标下的指标信息。
6.根据权利要求1至5任意一项所述的方法,其特征在于,在将与所述目标用户类别关联的目标产品,推荐给所述用户之前,还包括:
确认所述预先训练的聚类模型的各个用户类别;
获取各个所述用户类别的特征信息;所述用户类别的特征信息,根据所述用户类别的关联样本用户在所述多个预设聚类指标下的样本指标信息得到;所述用户类别的关联样本用户为用于训练所述预先训练的聚类模型的聚类样本用户中,对应的样本用户类别为所述用户类别的聚类样本用户;
针对各个所述用户类别,根据所述用户类别的特征信息,确认所述用户类别与产品之间的关联关系;
所述将与所述目标用户类别关联的目标产品,推荐给所述用户,包括:
查询所述关联关系,确认与所述目标用户类别关联的产品,作为目标产品;
将所述目标产品推荐给所述用户。
7.根据权利要求6所述的方法,其特征在于,所述针对各个所述用户类别,根据所述用户类别的特征信息,确认所述用户类别与产品之间的关联关系,包括:
针对各个所述用户类别,根据所述用户类别的特征信息,预测所述用户类别的关联样本用户的产品消费行为;
确认与所述关联样本用户的产品消费行为关联的产品;
根据所述用户类别,以及所述与所述关联样本用户的产品消费行为关联的产品,确认所述用户类别与产品之间的关联关系。
8.一种产品推荐装置,其特征在于,所述装置包括:
流失信息预测模块,用于通过预先训练的资源流失信息预测模型,预测用户的资源流失信息,根据所述用户的资源流失信息,确认所述用户的用户类型;
指标信息获取模块,用于在所述用户的用户类型为资源流失用户的情况下,获取所述用户在多个预设聚类指标下的指标信息;
用户类别聚类模块,用于将所述用户在多个预设聚类指标下的指标信息,输入至预先训练的聚类模型中进行聚类,得到所述用户的目标用户类别;
目标产品推荐模块,用于将与所述目标用户类别关联的目标产品,推荐给所述用户。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066751.2A CN116361542A (zh) | 2023-01-13 | 2023-01-13 | 产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066751.2A CN116361542A (zh) | 2023-01-13 | 2023-01-13 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116361542A true CN116361542A (zh) | 2023-06-30 |
Family
ID=86905884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310066751.2A Pending CN116361542A (zh) | 2023-01-13 | 2023-01-13 | 产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408742A (zh) * | 2023-12-15 | 2024-01-16 | 湖南三湘银行股份有限公司 | 用户筛分方法及系统 |
-
2023
- 2023-01-13 CN CN202310066751.2A patent/CN116361542A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408742A (zh) * | 2023-12-15 | 2024-01-16 | 湖南三湘银行股份有限公司 | 用户筛分方法及系统 |
CN117408742B (zh) * | 2023-12-15 | 2024-04-02 | 湖南三湘银行股份有限公司 | 用户筛分方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977151B (zh) | 一种数据分析方法及系统 | |
De Andrés et al. | Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS) | |
Paleologo et al. | Subagging for credit scoring models | |
JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
US20150228014A1 (en) | Automated customer characterization | |
Caporin et al. | Volatility jumps and their economic determinants | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及系统 | |
CN110415123B (zh) | 金融产品推荐方法、装置和设备及计算机存储介质 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
Gerlich et al. | Artificial intelligence as toolset for analysis of public opinion and social interaction in marketing: identification of micro and nano influencers | |
Eddy et al. | Credit scoring models: Techniques and issues | |
CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
Proselkov et al. | Financial ripple effect in complex adaptive supply networks: an agent-based model | |
CN112132634A (zh) | 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Mirtalaei et al. | A trust-based bio-inspired approach for credit lending decisions | |
Hallam et al. | Semiparametric density forecasts of daily financial returns from intraday data | |
CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
CN112836742A (zh) | 系统资源调整方法、装置及设备 | |
CN109829593A (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
Teles et al. | Classification methods applied to credit scoring with collateral | |
CN109858952A (zh) | 服务场景下的数据处理方法和装置 | |
CN116127189A (zh) | 用户运营方法、装置、设备以及计算机存储介质 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |