[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的智能卡片推薦方法及裝置

在審

• 申請?zhí)枺?/td>: 202010639662.9
• 申請日: 2020-07-06
• 公開（公告）號: CN111882318A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計）人: 劉剛;陳珂;蔣海儉;林晉任;才華;章政;肖普山
• 申請（專利權(quán)）人: 中國銀聯(lián)股份有限公司
• 主分類號: G06Q20/34
• 分類號: G06Q20/34;G06Q20/36;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 張懷陽

1.一種基于神經(jīng)網(wǎng)絡(luò)的智能卡片推薦方法，其特征在于，包括：

獲取用戶的卡片推薦請求；

根據(jù)所述用戶的卡片推薦請求，提取出所述用戶的用戶特征；

將所述用戶的用戶特征輸入至智能卡片推薦模型中，得到各卡片的推薦分數(shù)；所述智能卡片推薦模型是對各由用戶的歷史數(shù)據(jù)、各終端廠商的平臺數(shù)據(jù)、各發(fā)卡行的平臺數(shù)據(jù)和卡片組織的平臺數(shù)據(jù)組成的訓練集進行訓練學習得到的；

將推薦分數(shù)大于預設(shè)閾值的卡片推薦給所述用戶。

2.如權(quán)利要求1所述的方法，其特征在于，所述對各由用戶的歷史數(shù)據(jù)、各終端廠商的平臺數(shù)據(jù)、各發(fā)卡行的平臺數(shù)據(jù)和卡片組織的平臺數(shù)據(jù)組成的訓練集進行訓練學習得到所述智能卡片推薦模型，包括：

獲取各用戶的歷史數(shù)據(jù)、各終端廠商的平臺數(shù)據(jù)、各發(fā)卡行的平臺數(shù)據(jù)和卡片組織的平臺數(shù)據(jù)；

對所述各用戶的歷史數(shù)據(jù)、各終端廠商的平臺數(shù)據(jù)、各發(fā)卡行的平臺數(shù)據(jù)和卡片組織的平臺數(shù)據(jù)進行標注，得到訓練集；

對所述訓練集中的數(shù)據(jù)進行特征提取，得到各用戶的群體特征、用戶特征和反饋特征；

將所述各用戶的群體特征、用戶特征和反饋特征輸入至預設(shè)的神經(jīng)網(wǎng)絡(luò)模型進行訓練學習，直到模型收斂，得到所述智能卡片推薦模型。

3.如權(quán)利要求2所述的方法，其特征在于，所述群體特征包括移動終端設(shè)備用戶群特點、卡用戶群特點和商戶用戶群特點；

所述用戶特征包括用戶的自身畫像、用戶的歷史交易數(shù)據(jù)和相似用戶的歷史交易數(shù)據(jù)；

所述反饋特征包括用戶使用勘誤、用戶推薦接受度和補充勘誤。

4.如權(quán)利要求3所述的方法，其特征在于，卡片推薦請求為發(fā)卡請求，所述智能卡片推薦模型為智能卡片發(fā)卡模型；

所述對所述訓練集中的數(shù)據(jù)進行特征提取，得到各用戶的群體特征、用戶特征和反饋特征，包括：

根據(jù)所述訓練集中的移動終端設(shè)備的設(shè)備類型、設(shè)備類型分布、設(shè)備占有率以及用戶性別、年齡、消費習慣、職業(yè)，確定出所述各用戶的群體特征中的移動終端設(shè)備用戶群特點；

根據(jù)所述訓練集中的卡片類型、卡片支付成功率、卡片市場占有率、卡片用戶意愿度、卡片用戶性別、年齡、消費習慣和職業(yè)，確定出所述各用戶的群體特征中的卡用戶群特點；

根據(jù)所述訓練集中的交易金額、交易筆數(shù)和消費人群，確定出所述各用戶的群體特征中的商戶用戶群特點；

根據(jù)所述訓練集中的用戶的性別、年齡、職業(yè)、移動終端的設(shè)備類型、擁有卡片類型和消費習慣，確定出所述各用戶的用戶特征中的用戶的自身畫像；

根據(jù)所述訓練集中的用戶使用的卡片、申請的卡片、支付地點、申卡地點、是否使用營銷信息、是否存在營銷信息、交易成功的時間、支付金額和交易商戶類型，確定出所述各用戶的用戶特征中的用戶的歷史交易數(shù)據(jù)和申卡數(shù)據(jù)；

根據(jù)所述各用戶的歷史交易數(shù)據(jù)和申卡數(shù)據(jù)的維度，將具有相同維度且各維度的相似度大于各維度相似度閾值的用戶，確定為所述各用戶的相似用戶，并確定出所述各用戶的用戶特征中的相似用戶的歷史交易數(shù)據(jù)和申卡數(shù)據(jù)；

根據(jù)所述訓練集中各交易中推薦卡片信息、用戶手動選取的卡片信息及其交易信息，確定出所述各用戶的反饋特征中的用戶使用勘誤；

根據(jù)所述訓練集中的用戶及相似勘誤用戶的推薦接受率、申卡成功率、營銷優(yōu)惠的接受率，確定出所述各用戶的反饋特征的用戶推薦接受度；

從所述相似勘誤用戶中選擇出不滿意推薦結(jié)果且手動選取卡片的用戶，將所述不滿意推薦結(jié)果且手動選取卡片的用戶的歷史交易數(shù)據(jù)和申卡數(shù)據(jù)確定為所述各用戶的反饋特征的補充勘誤。