[發明專利]基金推薦方法及裝置

在審

• 申請號: 202010004087.5
• 申請日: 2020-01-03
• 公開（公告）號: CN111222993A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 謝陽;戴丹;漆英;藍振杰
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06N3/04
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 趙平;周永君

1.一種基金推薦方法，其特征在于，包括：

根據預生成的循環神經網絡LSTM目標模型預測所述基金的未來走勢；

根據預生成的深度神經網絡DNN目標模型生成客戶的偏好基金數據；

計算所述偏好基金數據與基金特征數據之間的相似度；

根據所述相似度以及所述未來走勢推薦基金至客戶。

2.根據權利要求1所述的基金推薦方法，其特征在于，包括：

所述基金特征數據包括：購買人數、持有人數、近七日增長率、歷史收益率、訪問量、估值、凈值以及主題板塊；

所述客戶理財數據包括：年齡、性別、收入、風險承受能力、職業以及受教育程度；

所述風險承受能力由對客戶的調查分析獲得。

3.根據權利要求2所述的基金推薦方法，其特征在于，包括：所述生成循環神經網絡LSTM模型包括：

將所述基金特征數據轉換為結構化數據；

將所述近七日增長率設置為標簽，并對所述購買人數、持有人數、歷史收益率、訪問量、估值、凈值以及主題板塊以日期進行排序，以生成第一訓練數據對；

利用所述第一訓練數據對循環神經網絡LSTM初始模型進行訓練，以生成所述循環神經網絡LSTM目標模型。

4.根據權利要求3所述的基金推薦方法，其特征在于，所述生成深度神經網絡DNN目標模型包括：

根據客戶理財數據構建所述客戶的偏好基金數據；

根據所述客戶理財數據以及所述偏好基金數據生成第二訓練數據對；

利用第二訓練數據對度神經網絡DNN初始模型進行訓練，以生成所述深度神經網絡DNN目標模型。

5.根據權利要求1所述的基金推薦方法，其特征在于，所述計算所述偏好基金數據與所述基金特征數據之間的相似度，包括：

根據所述基金特征數據構建基金特征分布坐標系；

計算所述偏好基金數據與所述基金特征數據之間的距離；

根據所述距離計算所述相似度。

6.根據權利要求5所述的基金推薦方法，其特征在于，所述計算所述偏好基金數據與所述基金特征數據之間的距離，包括：

利用非擴散的DBSCAN聚類方法計算所述偏好基金數據與所述基金特征數據之間的距離。

7.根據權利要求5所述的基金推薦方法，其特征在于，所述計算所述偏好基金數據與所述基金特征數據之間的距離，包括：

利用反KNN分類方法計算所述偏好基金數據與所述基金特征數據之間的距離。

8.根據權利要求5所述的基金推薦方法，其特征在于，所述根據所述相似度以及所述未來走勢推薦基金至客戶，包括：

根據所述相似度生成第一推薦基金序列；

根據所述未來走勢生成第二推薦基金序列；

將所述第一推薦基金序列以其在所述第二推薦基金序列的順序降序排序，以生成第三推薦基金序列；

推薦所述第三推薦基金序列至客戶。

9.一種基金推薦裝置，其特征在于，包括：

未來走勢生成單元，用于根據預生成的循環神經網絡LSTM目標模型預測所述基金的未來走勢；

偏好基金數據生成單元，用于根據預生成的深度神經網絡DNN目標模型生成客戶的偏好基金數據；

相似度計算單元，用于計算所述偏好基金數據與基金特征數據之間的相似度；

基金推薦單元，用于根據所述相似度以及所述未來走勢推薦基金至客戶。

10.根據權利要求9所述的基金推薦裝置，其特征在于，包括：

所述基金特征數據包括：購買人數、持有人數、近七日增長率、歷史收益率、訪問量、估值、凈值以及主題板塊；

所述客戶理財數據包括：年齡、性別、收入、風險承受能力、職業以及受教育程度；

所述風險承受能力由對客戶的調查分析獲得。