【技術實現步驟摘要】
本公開涉及人工智能領域，更具體地，涉及金融產品推薦方法、沉默客戶激活方法、裝置、設備、介質和程序產品。
技術介紹
1、金融產品推薦通常指的是根據投資者的財務狀況、風險偏好、投資目標等因素，為其提供適合的金融產品或投資組合。相關技術中，一般按照投資者的各項信息為基準，向其推薦具有與投資者信息匹配的的金融產品。
2、在實現本公開專利技術構思的過程中，專利技術人發現，投資者的各項信息不完善時，則沒有合適的推薦方案，導致對于金融機構的沉默客戶缺少有效的激活方式。另外，現有的推薦方式通常基于投資者的特征在所有可售的金融產品中篩選出可推薦產品，在此過程中將投資者特征與每個產品的特征進行匹配計算。實際上將投資者特征與明顯不符合推薦要求的產品特征進行匹配計算是浪費資源的無效計算，在產品數據量大時還會耗費較多的時間。
技術實現思路
1、鑒于上述問題，本公開提供了金融產品推薦方法、沉默客戶激活方法、裝置、設備、介質和程序產品。
2、根據本公開的第一個方面，提供了一種金融產品推薦方法，其特征在于，包括：將用戶的用戶特征輸入至預先訓練的資產預測模型，其中，所述資產預測模型根據金融產品樣本訓練得到，所述金融產品樣本包括各類底層資產占比信息；獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息；基于所述用戶的風險測評等級，從數據庫中查詢與所述風險測評等級匹配的一個或多個候選金融產品，構成候選產品集合，其中，預先在所述數據庫中存儲與不同的風險測評等級對應的候選金融產品信
3、根據本公開的實施例，基于所述n類預測底層資產及每類預測底層資產的占比信息，從所述候選產品集合中匹配出m個目標金融產品包括：將所述n類預測底層資產與每個候選產品中的底層資產類別進行映射；對于具有所述n類預測底層資產中預設數量類別的候選產品，比較該候選產品中各類底層資產占比信息與所述n類預測底層資產各自的占比信息，得到占比信息比較結果；在所述占比信息比較結果表征為相似或相同的情況下，確定為目標金融產品。。
4、根據本公開的實施例，所述資產預測模型包括與k個風險等級一一對應的k個資產預測子模型，所述將用戶的用戶特征輸入至預先訓練的資產預測模型包括：將所述用戶的用戶特征輸入至與所述風險測評等級對應的資產預測子模型；其中，不同的資產預測子模型使用符合不同風險等級的金融產品樣本訓練得到。
5、根據本公開的實施例，所述風險等級包括r1級，所述k個資產預測子模型包括r1級子模型，當所述風險測評等級為r1級，其中，獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息包括：獲得所述r1級子模型輸出的貨幣市場底層資產及債券類底層資產各自的占比信息。
6、根據本公開的實施例，所述風險等級包括r2級，所述k個資產預測子模型包括r2級子模型，當所述風險測評等級為r2級，其中，獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息包括：獲得所述r2級子模型輸出的貨幣市場底層資產、債券類底層資產及權益類底層資產各自的占比信息。
7、根據本公開的實施例，所述風險等級包括r3級及其以上的等級，所述k個資產預測子模型包括r3級子模型，當所述風險測評等級為r3級或其以上的等級，其中，獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息包括：獲得所述r3級子模型輸出的貨幣市場底層資產、債券類底層資產、權益類底層資產及衍生品類底層資產各自的占比信息。
8、根據本公開的實施例，每個所述資產預測子模型包括元學習器和多個基學習器，將所述用戶的用戶特征輸入至與所述風險測評等級對應的資產預測子模型包括：調用所述資產預測子模型的所述多個基學習器，使所述多個基學習器分別處理所述用戶的用戶特征，一一對應的輸出多個第一預測結果；基于所述多個中間預測結果與各自的權重系數進行加權計算，得到多個第二預測結果；將所述多個第二預測結果輸入所述元學習器，使所述元學習器處理所述多個第二預測結果，其中，所述元學習器用于輸出所述n類預測底層資產及每類預測底層資產的占比信息。
9、本公開實施例的另一方面提供了一種沉默客戶激活方法，其特征在于，包括：確定沉默客戶集合；根據所述沉默客戶集合中各用戶的交易信息，確定每個所述用戶所屬的至少一個沉默客戶層級；對于不同沉默客戶層級，按照不同的順序并采用不同的激活策略依次激活層級中的用戶；其中，所述沉默客戶層級包括金融產品沉默層級，對于所述金融產品沉默層級的用戶，執行如上任一項所述的金融產品推薦方法構建激活策略。
10、本公開實施例的另一方面提供了一種金融產品推薦裝置，其特征在于，包括：輸入模塊，用于將用戶的用戶特征輸入至預先訓練的資產預測模型，其中，所述資產預測模型根據金融產品樣本訓練得到，所述金融產品樣本包括各類底層資產占比信息；預測模塊，用于獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息；預篩選模塊，用于基于所述用戶的風險測評等級，從數據庫中查詢與所述風險測評等級匹配的一個或多個候選金融產品，構成候選產品集合，其中，預先在所述數據庫中存儲與不同的風險測評等級對應的候選金融產品信息；匹配模塊，用于基于所述n類預測底層資產及每類預測底層資產的占比信息，從所述候選產品集合中匹配出m個目標金融產品，所述候選產品集合包括至少一個候選產品及每個候選產品的各類底層資產占比信息，n、m皆為大于或等于1的整數；推薦模塊，用于將所述m個目標金融產品推薦給所述用戶。
11、本公開實施例的另一方面提供了一種沉默客戶激活裝置，其特征在于，包括：第一確定模塊，用于確定沉默客戶集合；第二確定模塊，用于根據所述沉默客戶集合中各用戶的交易信息，確定每個所述用戶所屬的至少一個沉默客戶層級；默客激活模塊，用于對于不同沉默客戶層級，按照不同的順序并采用不同的激活策略依次激活層級中的用戶；其中，所述沉默客戶層級包括金融產品沉默層級，對于所述金融產品沉默層級的用戶，執行如上任一項所述的金融產品推薦方法構建激活策略。
12、本公開實施例的另一方面提供了一種電子設備，包括：一個或多個處理器；存儲器，用于存儲一個或多個程序，其中，當所述一個或多個程序被所述一個或多個處理器執行時，使得一個或多個處理器執行如上所述的方法。
13、本公開實施例的另一方面提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時使處理器執行如上所述的方法。
14、本公開實施例的另一方面提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現如上所述的方法。
15、上述一個或多個實施例具有如下有益效果：
16、通過預測底層資產的占比，本文檔來自技高網...
【技術保護點】
1.一種金融產品推薦方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，基于所述N類預測底層資產及每類預測底層資產的占比信息，從所述候選產品集合中匹配出M個目標金融產品包括：
3.根據權利要求1所述的方法，其特征在于，所述資產預測模型包括與K個風險等級一一對應的K個資產預測子模型，K大于或等于1，所述將用戶的用戶特征輸入至預先訓練的資產預測模型包括：
4.根據權利要求3所述的方法，其特征在于，所述風險等級包括R1級，所述K個資產預測子模型包括R1級子模型，當所述風險測評等級為R1級，其中，獲得所述資產預測模型輸出的N類預測底層資產及每類預測底層資產的占比信息包括：
5.根據權利要求3所述的方法，其特征在于，所述風險等級包括R2級，所述K個資產預測子模型包括R2級子模型，當所述風險測評等級為R2級，其中，獲得所述資產預測模型輸出的N類預測底層資產及每類預測底層資產的占比信息包括：
6.根據權利要求3所述的方法，其特征在于，所述風險等級包括R3級及其以上的等級，所述K個資產預測子模型包括R3級子模型，當所述風
7.根據權利要求3所述的方法，其特征在于，每個所述資產預測子模型包括元學習器和多個基學習器，將所述用戶的用戶特征輸入至與所述風險測評等級對應的資產預測子模型包括：
8.一種沉默客戶激活方法，其特征在于，包括：
9.一種金融產品推薦裝置，其特征在于，包括：
10.一種沉默客戶激活裝置，其特征在于，包括：
11.一種電子設備，包括：
12.一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現根據權利要求1~8中任一項所述方法的步驟。
13.一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現根據權利要求1~8中任一項所述方法的步驟。
...【技術特征摘要】
1.一種金融產品推薦方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，基于所述n類預測底層資產及每類預測底層資產的占比信息，從所述候選產品集合中匹配出m個目標金融產品包括：
3.根據權利要求1所述的方法，其特征在于，所述資產預測模型包括與k個風險等級一一對應的k個資產預測子模型，k大于或等于1，所述將用戶的用戶特征輸入至預先訓練的資產預測模型包括：
4.根據權利要求3所述的方法，其特征在于，所述風險等級包括r1級，所述k個資產預測子模型包括r1級子模型，當所述風險測評等級為r1級，其中，獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息包括：
5.根據權利要求3所述的方法，其特征在于，所述風險等級包括r2級，所述k個資產預測子模型包括r2級子模型，當所述風險測評等級為r2級，其中，獲得所述資產預測模型輸出的n類預測底層資產及每類預測底層資產的占比信息包括：
6.根據權利要求3所...
【專利技術屬性】
技術研發人員：王宸，丁琪，魏鑫，
申請(專利權)人：中國工商銀行股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。