本發(fā)明專利技術(shù)涉及互聯(lián)網(wǎng)金融技術(shù)領(lǐng)域，更具體的說，涉及一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法及裝置。本方法，包括以下步驟：步驟S1、獲取金融產(chǎn)品的源數(shù)據(jù)，提取特征數(shù)據(jù)；步驟S2、采用關(guān)聯(lián)規(guī)則分析算法對(duì)特征數(shù)據(jù)進(jìn)行分析處理，根據(jù)關(guān)聯(lián)規(guī)則確定所有金融產(chǎn)品在對(duì)應(yīng)行業(yè)的上下游板塊；步驟S3、采用協(xié)同過濾算法對(duì)每個(gè)板塊中金融產(chǎn)品之間的價(jià)格漲跌關(guān)系進(jìn)行預(yù)測，生成金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)；步驟S4、從金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)中選取特定金融產(chǎn)品推薦給目標(biāo)用戶。本發(fā)明專利技術(shù)將關(guān)聯(lián)規(guī)則分析算法與協(xié)同過濾算法結(jié)合進(jìn)行金融產(chǎn)品的推薦，極大地促進(jìn)了金融產(chǎn)品推薦的主動(dòng)性，從統(tǒng)計(jì)學(xué)的角度去發(fā)掘產(chǎn)品銷售規(guī)律，為有需求的用戶提供強(qiáng)有力決策支持。為有需求的用戶提供強(qiáng)有力決策支持。為有需求的用戶提供強(qiáng)有力決策支持。
【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法及裝置
[0001]本專利技術(shù)涉及互聯(lián)網(wǎng)金融
，更具體的說，涉及一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法及裝置。
技術(shù)介紹
[0002]金融產(chǎn)品包括基金收益類產(chǎn)品、股票類產(chǎn)品、貨幣類產(chǎn)品、國債類產(chǎn)品和期貨類產(chǎn)品?；痄N售是指包括基金銷售機(jī)構(gòu)宣傳推介基金，發(fā)售基金份額，辦理基金份額申購、贖回等活動(dòng)?；馉I銷是基金銷售機(jī)構(gòu)從市場和客戶需要出發(fā)所進(jìn)行的基金產(chǎn)品設(shè)計(jì)、銷售、售后服務(wù)等一系列活動(dòng)的總稱。
[0003]目前，各大公司的金融產(chǎn)品軟件銷售平臺(tái)，特別是基金軟件平臺(tái)的銷售與營銷普遍存在以下問題：
[0004]1)獲客難。由于缺乏必要的營銷手段，難以精準(zhǔn)推薦基金給特定用戶，導(dǎo)致基金用戶的基數(shù)小，客源無論在數(shù)量還是在質(zhì)量上都存在一定的問題。
[0005]2)活客少?？蛻羧后w掌握的基金知識(shí)普遍比較匱乏，客戶買賣基金盈收率低、客戶買賣基金積極性較低，導(dǎo)致基金買賣日活量較少。
[0006]3)留客難?；谏鲜龇N種原因?qū)е禄馉I銷軟件留客難問題。
[0007]協(xié)同過濾推薦是在信息過濾和信息系統(tǒng)中正迅速成為一項(xiàng)很受歡迎的技術(shù)。協(xié)同過濾作為一種推薦機(jī)制已經(jīng)具有廣泛應(yīng)用，但是，協(xié)同過濾仍有許多的問題需要解決。
[0008]當(dāng)前，最典型的問題有稀疏性問題、新用戶問題以及推薦系統(tǒng)中的作弊。
[0009]具體的，稀疏性問題是指協(xié)同過濾的精度主要取決于用戶數(shù)據(jù)的多少。
[0010]如果一個(gè)推薦系統(tǒng)有很多用戶的歷史數(shù)據(jù)，那么就能更好的對(duì)用戶喜好做出預(yù)測。所以，目前推薦系統(tǒng)做得最好都是那些有著大量用戶數(shù)據(jù)的公司，比如谷歌。但是，因?yàn)橥扑]系統(tǒng)的歷史還不夠長，目前累計(jì)的數(shù)據(jù)仍然不夠多。
[0011]新用戶問題是指如何對(duì)新用戶做出推薦。系統(tǒng)開始時(shí)推薦質(zhì)量較差，這個(gè)問題和數(shù)據(jù)稀疏問題有一些相似性。當(dāng)一個(gè)新用戶進(jìn)入一個(gè)推薦系統(tǒng)時(shí)，系統(tǒng)對(duì)他的興趣愛好還一無所知，這時(shí)如何做出推薦是一個(gè)很重要的問題。一般是向用戶推薦那些普遍反映較好的物品，也就是說，推薦完全是基于物品的。
[0012]此外，新用戶問題還包括長尾問題，即不是所有的用戶都給出了評(píng)分，未評(píng)分的這些用戶就處在一個(gè)長尾中，因此如何處理那些不太表露自己興趣的用戶，也是推薦方法面臨的一個(gè)主要問題。
[0013]最后是推薦系統(tǒng)中的作弊，只要涉及到經(jīng)濟(jì)利益，就有人作弊。搜索引擎作弊是一個(gè)被研究了很久的問題，因?yàn)樵谒阉饕嬷?，自己的網(wǎng)站排名越高，就能獲得越多的經(jīng)濟(jì)利益。在推薦系統(tǒng)中也是如此，比如在淘寶中，如果一個(gè)賣家的物品經(jīng)常被推薦給用戶，他就可能獲得很多經(jīng)濟(jì)利益。因此，很多電子商務(wù)的推薦系統(tǒng)都遭受到了作弊的干擾，如果通過技術(shù)手段，對(duì)自己賣的物品給出非常高的評(píng)分，這就是一種作弊行為。
技術(shù)實(shí)現(xiàn)思路
[0014]本專利技術(shù)的目的是提供一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法及裝置，解決現(xiàn)有技術(shù)對(duì)于金融產(chǎn)品難以有效精準(zhǔn)的推薦給客戶的問題。
[0015]為了實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，包括以下步驟：
[0016]步驟S1、獲取金融產(chǎn)品的源數(shù)據(jù)，提取特征數(shù)據(jù)；
[0017]步驟S2、采用關(guān)聯(lián)規(guī)則分析算法對(duì)特征數(shù)據(jù)進(jìn)行分析處理，根據(jù)關(guān)聯(lián)規(guī)則確定所有金融產(chǎn)品在對(duì)應(yīng)行業(yè)的上下游板塊；
[0018]步驟S3、采用協(xié)同過濾算法對(duì)每個(gè)板塊中金融產(chǎn)品之間的價(jià)格漲跌關(guān)系進(jìn)行預(yù)測，生成金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)；
[0019]步驟S4、從金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)中選取特定金融產(chǎn)品推薦給目標(biāo)用戶。
[0020]在一實(shí)施例中，所述步驟S1中金融產(chǎn)品的源數(shù)據(jù)，進(jìn)一步包括用戶信息數(shù)據(jù)和金融產(chǎn)品信息數(shù)據(jù)；
[0021]所述特征數(shù)據(jù)，進(jìn)一步包括收益率、漲幅率、咨詢次數(shù)、購買次數(shù)、滿意度指數(shù)和是否會(huì)購買同類產(chǎn)品。
[0022]在一實(shí)施例中，所述步驟S2的關(guān)聯(lián)規(guī)則分析算法，進(jìn)一步包括：
[0023]Apriori算法、基于劃分的算法和FP
?
樹頻集算法。
[0024]在一實(shí)施例中，所述步驟S2的關(guān)聯(lián)規(guī)則分析算法，進(jìn)一步包括以下步驟：
[0025]步驟S21、采用剪枝策略產(chǎn)生金融產(chǎn)品之間的頻繁項(xiàng)集；
[0026]步驟S22、在頻繁項(xiàng)集中產(chǎn)生規(guī)則，并提取所有高置信度和/或高支持度的規(guī)則。
[0027]在一實(shí)施例中，所述步驟S22，進(jìn)一步包括以下步驟：
[0028]將所述高置信度規(guī)則的支持度進(jìn)行排序獲得最小支持度；
[0029]如果高置信度規(guī)則所求得的信賴度滿足最小支持度，則所述規(guī)則為兩個(gè)金融產(chǎn)品之間存在的關(guān)聯(lián)規(guī)則。
[0030]在一實(shí)施例中，所述步驟S3，進(jìn)一步包括：
[0031]步驟S31、對(duì)不同板塊的金融產(chǎn)品的特征數(shù)據(jù)進(jìn)行協(xié)同過濾；
[0032]步驟S32、計(jì)算不同板塊內(nèi)每個(gè)金融產(chǎn)品之間的正相關(guān)指數(shù)和負(fù)相關(guān)指數(shù)；
[0033]步驟S33、分別根據(jù)正相關(guān)指數(shù)和負(fù)相關(guān)指數(shù)對(duì)金融產(chǎn)品進(jìn)行排序，生成正相關(guān)隊(duì)列和負(fù)相關(guān)隊(duì)列，從而形成金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)。
[0034]在一實(shí)施例中，所述步驟S4，進(jìn)一步包括：
[0035]步驟S41、根據(jù)用戶瀏覽/購買記錄，判斷是看漲產(chǎn)品還是看跌產(chǎn)品，如果用戶瀏覽/購買的金融產(chǎn)品為看漲產(chǎn)品，則進(jìn)入步驟S42，如果用戶瀏覽/購買的金融產(chǎn)品為看跌產(chǎn)品，則進(jìn)入步驟S43；
[0036]步驟S42、從正相關(guān)隊(duì)列中選取一定排名序列的金融產(chǎn)品推薦給目標(biāo)用戶；
[0037]步驟S43、從負(fù)相關(guān)隊(duì)列中選取一定排名序列的金融產(chǎn)品推薦給目標(biāo)用戶。
[0038]在一實(shí)施例中，所述步驟S41，進(jìn)一步包括：
[0039]根據(jù)用戶瀏覽/購買記錄，擬合近期數(shù)日內(nèi)金融產(chǎn)品價(jià)格的散點(diǎn)圖得到擬合直線；
[0040]定義斜率大于0的金融產(chǎn)品為看漲產(chǎn)品；
[0041]定義斜率小于等于0的金融產(chǎn)品為看跌產(chǎn)品。
[0042]在一實(shí)施例中，所述目標(biāo)用戶為潛力用戶，所述潛力用戶根據(jù)購買歷史、存款數(shù)額、貸款數(shù)額和個(gè)人信用信息進(jìn)行分級(jí)定義。
[0043]在一實(shí)施例中，所述步驟S1，進(jìn)一步還包括：
[0044]采用奇異值SVD對(duì)用戶信息數(shù)據(jù)進(jìn)行降維分解，提取用戶特征數(shù)據(jù)；
[0045]采用編輯距離算法對(duì)降維分解后的用戶特征數(shù)據(jù)，計(jì)算用戶相似度；
[0046]將用戶相似度滿足一定閾值范圍的用戶信息構(gòu)成用戶集合；
[0047]所述步驟S4，進(jìn)一步還包括：
[0048]推薦用戶集合中相似用戶的特定金融產(chǎn)品給目標(biāo)用戶。
[0049]為了實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種基于協(xié)同過濾算法的金融產(chǎn)品推薦裝置，包括：
[0050]存儲(chǔ)器，用于存儲(chǔ)可由處理器執(zhí)行的指令；
[0051]處理器，用于執(zhí)行所述指令以實(shí)現(xiàn)如上述任一項(xiàng)所述的方法。
[0052]為了實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)指令，其中當(dāng)計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，執(zhí)行如上述任一項(xiàng)所述的方法本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，包括以下步驟：步驟S1、獲取金融產(chǎn)品的源數(shù)據(jù)，提取特征數(shù)據(jù)；步驟S2、采用關(guān)聯(lián)規(guī)則分析算法對(duì)特征數(shù)據(jù)進(jìn)行分析處理，根據(jù)關(guān)聯(lián)規(guī)則確定所有金融產(chǎn)品在對(duì)應(yīng)行業(yè)的上下游板塊；步驟S3、采用協(xié)同過濾算法對(duì)每個(gè)板塊中金融產(chǎn)品之間的價(jià)格漲跌關(guān)系進(jìn)行預(yù)測，生成金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)；步驟S4、從金融產(chǎn)品評(píng)級(jí)數(shù)據(jù)中選取特定金融產(chǎn)品推薦給目標(biāo)用戶。2.根據(jù)權(quán)利要求1所述的基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，所述步驟S1中金融產(chǎn)品的源數(shù)據(jù)，進(jìn)一步包括用戶信息數(shù)據(jù)和金融產(chǎn)品信息數(shù)據(jù)；所述特征數(shù)據(jù)，進(jìn)一步包括收益率、漲幅率、咨詢次數(shù)、購買次數(shù)、滿意度指數(shù)和是否會(huì)購買同類產(chǎn)品。3.根據(jù)權(quán)利要求1所述的基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，所述步驟S2的關(guān)聯(lián)規(guī)則分析算法，進(jìn)一步包括：Apriori算法、基于劃分的算法和FP
?
樹頻集算法。4.根據(jù)權(quán)利要求1所述的基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，所述步驟S2的關(guān)聯(lián)規(guī)則分析算法，進(jìn)一步包括以下步驟：步驟S21、采用剪枝策略產(chǎn)生金融產(chǎn)品之間的頻繁項(xiàng)集；步驟S22、在頻繁項(xiàng)集中產(chǎn)生規(guī)則，并提取所有高置信度和/或高支持度的規(guī)則。5.根據(jù)權(quán)利要求4所述的基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，所述步驟S22，進(jìn)一步包括以下步驟：將所述高置信度規(guī)則的支持度進(jìn)行排序獲得最小支持度；如果高置信度規(guī)則所求得的信賴度滿足最小支持度，則所述高置信度規(guī)則為兩個(gè)金融產(chǎn)品之間存在的關(guān)聯(lián)規(guī)則。6.根據(jù)權(quán)利要求1所述的基于協(xié)同過濾算法的金融產(chǎn)品推薦方法，其特征在于，所述步驟S3，進(jìn)一步包括：步驟S31、對(duì)不同板塊的金融產(chǎn)品的特征數(shù)據(jù)進(jìn)行協(xié)同過濾；步驟S32、計(jì)算不同板塊內(nèi)每個(gè)金融產(chǎn)品之間的正相關(guān)指數(shù)和負(fù)相關(guān)指數(shù)；步驟S33、分別根據(jù)正相關(guān)指數(shù)和負(fù)相關(guān)指數(shù)對(duì)金融產(chǎn)品進(jìn)行...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張玉，姚佳磊，許帥帥，朱鵬宇，馮崢，
申請(qǐng)(專利權(quán))人：中國農(nóng)業(yè)銀行股份有限公司上海市分行，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。