[發明專利]產品信息推薦方法及裝置

在審

• 申請號: 202010715579.5
• 申請日: 2020-07-23
• 公開（公告）號: CN111861569A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 陳陽陽;梁橋紅;楊峰;孫斌華
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王濤;任默聞

本申請提供了一種產品信息推薦方法及裝置，該方法包括：接收目標客戶的客戶基本信息；應用所述客戶基本信息和多個分別對應不同產品類型的預設的產品偏好預測模型，確定所述目標客戶對應不同產品類型的偏好評分，將所述偏好評分最大值對應的產品類型作為目標推薦產品類型；將所述目標推薦產品類型對應的產品購買信息發送至所述目標客戶；其中，每個所述預設的產品偏好預測模型是根據多個歷史客戶的歷史客戶基本信息和各個所述歷史客戶對于同一產品類型各自的偏好評分標簽預先訓練得到的迭代決策樹模型。本申請能夠提高產品推薦的時效性和智能化程度，進而能夠提高產品推薦的成功率。

技術領域

本申請涉及數據處理技術領域，尤其涉及一種產品信息推薦方法及裝置。

背景技術

隨著銀行理財產品越來越多樣化、復雜化，產品更新速度越來越快，在新形勢下如何快速洞察客戶需求、及時把握客戶訴求的變化，是銀行理財業務面臨的新的機遇和挑戰。同時，銀行面對客戶群體規模龐大，客戶需求難挖掘、維護成本高，因人力資源有限，大部分中小型企業客戶處于管理和營銷缺失的狀態，只能采取技術手段進行長尾客戶的營銷管理。

采用傳統的大數據分析或機器學習方法進行產品推薦，模型依賴海量歷史數據進行訓練，從歷史數據中分析得出規律。這種方法在新形勢下的產品推薦中存在矛盾點，即采納大量的歷史數據進行訓練，雖然模型對歷史規律擬合情況較好，但無法兼顧新的形勢變化和客戶對于新的產品偏好，模型得出的規律可能“太舊”；如果只采納近期的數據進行訓練，訓練數據量大幅減少，模型的整體擬合效果將下降，模型得出的規律可能“太少”。模型訓練陷入兩難，無法保障最終產品推薦效果，難以符合理財銷售新形勢下的要求。

發明內容

針對現有技術中的問題，本申請提出了一種產品信息推薦方法及裝置，能夠提高產品推薦的時效性和智能化程度，進而能夠提高產品推薦的成功率。

為了解決上述技術問題，本申請提供以下技術方案：

第一方面，本申請提供一種產品信息推薦方法，包括：

接收目標客戶的客戶基本信息；

應用所述客戶基本信息和多個分別對應不同產品類型的預設的產品偏好預測模型，確定所述目標客戶對應不同產品類型的偏好評分，將所述偏好評分最大值對應的產品類型作為目標推薦產品類型；

將所述目標推薦產品類型對應的產品購買信息發送至所述目標客戶；

其中，每個所述預設的產品偏好預測模型是根據多個歷史客戶的歷史客戶基本信息和各個所述歷史客戶對于同一產品類型各自的偏好評分標簽預先訓練得到的迭代決策樹模型。

進一步地，在所述接收目標客戶的客戶基本信息之前，還包括：獲取多個產品偏好預測訓練組，其中，每個所述產品偏好預測訓練組包括：多個歷史客戶的歷史客戶基本信息，以及各個所述歷史客戶對于同一產品類型各自的偏好評分標簽，各個歷史購買記錄組對應的產品類型不同；應用各組所述產品偏好預測訓練組分別訓練各個所述產品類型各自對應的產品偏好預測模型，每個所述產品偏好預測模型均為迭代決策模型。

進一步地，在所述獲取多個產品偏好預測訓練組之前，還包括：獲取多組歷史交易記錄組，每組歷史交易記錄組包含有唯一對應的歷史客戶購買同一產品類型的產品的次數和時間；應用各個所述產品類型各自對應的預設的時間衰減系數以及歷史交易記錄組，生成各個所述歷史客戶對于不同產品類型的偏好評分標簽。

進一步地，在所述獲取多個產品偏好預測訓練組之后，還包括：將各組所述產品偏好預測訓練組中的歷史客戶基本信息，分別輸入各自對應的產品偏好預測模型；根據各個所述產品偏好預測模型的輸出和歷史交易記錄組，調整各個所述預設的時間衰減系數。