产品推销策略的生成方法、装置及电子设备与流程

1.本发明涉及人工智能技术领域，具体而言，涉及一种产品推销策略的生成方法、装置及电子设备。


背景技术：

2.随着金融行业的迅速发展，涌现出各种不同性质的理财方式以及不同类型的金融产品，为了使得更多的用户投资金融产品，所以会向用户推荐相应的金融产品，而如何准确地向用户推荐金融产品，并且使得用户投资该金融产品尤为的重要。
3.现有技术在向用户推荐金融产品时，通常基于协同过滤的推荐算法，通过寻找相似用户为用户推荐金融产品。而基于协同过滤的推算法强调的是用户与用户之间的相似性，忽略了物品本身的特征，导致对于理财产品推荐结果大相径庭，存在生成的产品推销策略的准确率较低。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种产品推销策略的生成方法、装置及电子设备，以至少解决现有技术中存在生成的产品推销策略准确率低的技术问题。
6.根据本发明实施例的一个方面，提供了一种产品推销策略的生成方法，包括：获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
7.进一步地，目标模型通过以下过程训练得到：获取第一训练集、第二训练集和k个第一标签，其中，第一训练集由k个第一金融产品的产品信息组成，每个第一标签用于表征一个第一金融产品的收益率，每个第一金融产品为每个对象在预设时间段内所持有的金融产品，第二训练集由第三特征信息组成，k为正整数；提取第一训练集中每个第一金融产品的产品特征信息，并设置每个产品特征信息对应的第二标签，其中，第二标签用于表征每个第一金融产品的购买次数；将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型。
8.进一步地，将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型，包括：对第三特征信息进行向量转换处理，得到第一处理结果；对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果；将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型。
9.进一步地，对第三特征信息进行向量转换处理，得到第一处理结果，包括：对第三特征信息中的每个金融产品的属性特征信息进行分词处理，得到每个金融产品对应的多个字段；对每个金融产品对应的多个字段进行词频分析，得到每个金融产品对应的每个字段的分值；将每个金融产品对应的每个字段的分值转换为向量，得到每个金融产品对应的第一向量；基于每个金融产品对应的第一向量得到第一处理结果。
10.进一步地，对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果，包括：对每个第一金融产品的产品特征信息进行分词处理，得到每个第一金融产品对应的多个字段；对每个第一金融产品对应的多个字段进行词频分析，得到每个第一金融产品对应的每个字段的分值；将每个第一金融产品对应的每个字段的分值转换为向量，得到每个第一金融产品对应的第二向量；基于每个第一金融产品对应的第二向量得到第二处理结果。
11.进一步地，将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型，包括：对第一向量和第二向量进行余弦相似度计算，得到每个金融产品与每个第一金融产品之间的相似度评分；将相似度评分、k个第一标签、每个第一金融产品的产品特征信以及每个第二标签输入至预设模型中进行迭代训练，得到目标模型。
12.进一步地，基于每个金融产品的评分生成产品推销策略，包括：对m个金融产品的评分进行排序，得到排序结果；基于排序结果生成产品推销策略。
13.根据本发明实施例的另一方面，还提供了一种产品推销策略的生成装置，包括：获取模块，用于获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；第一提取模块，用于对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；第二提取模块，用于对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；处理模块，用于基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；生成模块，用于基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
14.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的产品推销策略的生成。
15.根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的产品推销策略的生成。
16.在本发明实施例中，通过获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；然后对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；然后对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；然后基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；最后基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
17.在上述过程中，通过将表征目标对象购买n个目标金融产品的风险偏好的第一特征信息、表征目标对象购买n个目标金融产品的种类偏好的第二特征信息以及表征产品库中的每个金融产品的属性特征信息的第三特征信息输入到目标模型中，得到目标对象所购买的目标金融产品与产品库中的每个金融产品之间的相似度评分，根据相似度评分生成产品推销策略，实现了弱化用户与用户之间的联系，强调产品与用户之间的联系，从而实现了提高生成产品推销策略的准确率的技术效果，进而解决现有技术中存在生成的产品推销策略准确率低的技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1是根据本发明实施例的一种可选的产品推销策略的生成方法的流程图；
20.图2是根据本发明实施例的一种可选的产品推销策略的生成装置的示意图；
21.图3是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
22.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
25.实施例1
26.根据本发明实施例，提供了一种产品推销策略的生成方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.图1是根据本发明实施例的产品推销策略的生成方法的流程图，如图1所示，该方法包括如下步骤：
28.步骤s102，获取目标对象的用户画像信息和m个金融产品的产品信息。
29.在一种可选的实施例中，一种产品推销策略的生成系统可作为本技术实施例中的产品推销策略的生成方法的执行主体。为了方便描述，以下将产品推销策略的生成系统简称为系统。
30.在步骤s102中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，例如，目标对象(即用户)的持有的活期存款信息、目标对象的持有的定期存款信息以及目标对象的持有的其他金融产品的信息；m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n，其中，m个金融产品为金融机构的产品库中的全部产品。其中，用户画像信息还包括目标对象的基本信息，例如用户id。
31.步骤s104，对用户画像信息进行特征提取，得到第一特征信息和第二特征信息。
32.在步骤s104中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，例如目标对象所持有的活期存款量、目标对象所持有的定期存款产品信息、定期存款量、定期存款平均年限、目标对象所持有的其他金融产品信息、金融产品的购买次数、金融产品的总收益率以及用户当日可使用的资金额度等特征信息；第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好，例如目标对象所持有的每个目标金融产品的收益率以及购买份额。
33.步骤s106，对每个金融产品的产品信息进行特征提取，得到第三特征信息。
34.在步骤s106中，第三特征信息为每个金融产品的属性特征信息，其中，第三特征信息至少包括产品库中的每个金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量等信息。
35.步骤s108，基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分。
36.在步骤s108中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中
的每个目标金融产品之间的相似度评分。
37.可选的，目标模型为预先根据多个对象在预设时间段内所持有的第一金融产品的产品特征信息、第一金融产品的收益率、第一金融产品的购买次数以及产品库中的每个金融产品的属性特征信息迭代训练得到的机器学习模型，其中，在迭代训练的过程，系统通过对第一金融产品的产品特征信息以及每个金融产品的属性特征信息进行向量转换以及余弦相似度计算等处理，得到每个金融产品与每个第一金融产品之间的相似度评分。
38.步骤s110，基于每个金融产品的评分生成产品推销策略。
39.在步骤s110中，产品推销策略用于向目标对象推荐金融产品。
40.可选的，系统可将m个金融产品的评分进行排序，得到排序结果，然后基于排序结果生成产品推销策略，例如，系统从排序结果中选取排名前十的金融产品，生成产品推销策略。
41.基于上述步骤s102至步骤s110所限定的方案，可以获知，在本发明实施例中，通过获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；然后对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；然后对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；然后基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；最后基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
42.容易注意到的是，在上述过程中，通过将表征目标对象购买n个目标金融产品的风险偏好的第一特征信息、表征目标对象购买n个目标金融产品的种类偏好的第二特征信息以及表征产品库中的每个金融产品的属性特征信息的第三特征信息输入到目标模型中，得到目标对象所购买的目标金融产品与产品库中的每个金融产品之间的相似度评分，根据相似度评分生成产品推销策略，实现了弱化用户与用户之间的联系，强调产品与用户之间的联系，从而实现了提高生成产品推销策略的准确率的技术效果，进而解决现有技术中存在生成的产品推销策略准确率低的技术问题。
43.可选的，在本发明实施例提供的产品推销策略的生成方法中，目标模型训练过程包括如下步骤：
44.步骤s202，获取第一训练集、第二训练集和k个第一标签。第一训练集由k个第一金融产品的产品信息组成，每个第一标签用于表征一个第一金融产品的收益率，每个第一金融产品为每个对象在预设时间段内所持有的金融产品，第二训练集由第三特征信息组成，k为正整数。
45.在步骤s202中，第一训练集由k个第一金融产品的产品信息组成，每个第一标签用于表征一个第一金融产品的收益率，每个第一金融产品为每个对象在预设时间段内所持有的金融产品；第二训练集由第三特征信息组成，k为正整数。其中，k个第一金融产品的产品信息至少包括每个对象所持有的活期存款量、每个对象所持有的定期存款产品信息、定期
存款量、每个对象所持有的其他金融产品信息、金融产品的购买次数、金融产品的总收益率以及该对象当日可使用的资金额度、每个第一金融产品的收益率以及购买份额等特征信息，每个对象为金融机构的用户；第三特征信息至少包括产品库中的每个金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量等信息。
46.步骤s204，提取第一训练集中每个第一金融产品的产品特征信息，并设置每个产品特征信息对应的第二标签，其中，第二标签用于表征每个第一金融产品的购买次数。
47.在步骤s204中，每个产品特征信息至少包括第一金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量等信息，以及第一金融产品的收益率以及购买份额。
48.步骤s206，将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型。
49.可选的，为了训练目标模型，系统首先会获取第一训练集、第二训练集，通过对第一训练集、第二训练集中的数据进行向量转换、余弦相似度计算等处理，基于处理后的数据对预设模型进行迭代训练，得到目标模型。
50.需要说明的是，系统通过对第一训练集、第二训练集中的数据进行向量转换、余弦相似度计算等处理，基于处理后的数据对预设模型进行迭代训练，得到目标模型，能够实现弱化用户与用户之间的联系，强调产品与用户之间的联系，为后续生成产品推销策略做准备。
51.可选的，在本发明实施例提供的产品推销策略的生成方法中，将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型，包括：对第三特征信息进行向量转换处理，得到第一处理结果；对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果；将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型。
52.在本实施例中，系统在对第三特征信息进行向量转换处理时，通过对第三特征信息中每个金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量等信息进行中文分词、词频分析以及向量转换，得到第一处理结果；系统在对每个第一金融产品的产品特征信息进行向量转换处理时，通过对每个第一金融产品的产品特征信息中的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量等信息进行中文分词、词频分析以及向量转换，得到第二处理结果；然后将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型。
53.可选的，系统在对第三特征信息进行向量转换处理之前，将每个第一金融产品的产品特征信息和第三特征信息整合成一份数据文件，为后续对产品特征信息和第三特征信息进行向量转化处理做准备。首先系统将每个第一金融产品的产品特征信息以字典的形式进行存储，其中，key是每个对象的id，value是对应的产品特征信息。然后将第三特征信息以字典形式进行存储，key是金融产品的id，value是对应的金融产品的属性特征信息。最后依据每个对象的id和每个金融产品的id将每个第一金融产品的产品特征信息以及合并放在同一数据字段中，得到数据文件。系统在对第三特征信息进行向量转换处理时，可对该数
据文件中的第三特征信息进行向量转换处理；系统在对每个第一金融产品的产品特征信息进行向量转换处理时，可对该数据文件中的产品特征信息进行向量转换处理。
54.需要说明的是，系统通过对第三特征信息和产品特征信息进行向量转换处理，为模型训练做准备。
55.可选的，在本发明实施例提供的产品推销策略的生成方法中，对第三特征信息进行向量转换处理，得到第一处理结果，包括：对第三特征信息中的每个金融产品的属性特征信息进行分词处理，得到每个金融产品对应的多个字段；对每个金融产品对应的多个字段进行词频分析，得到每个金融产品对应的每个字段的分值；将每个金融产品对应的每个字段的分值转换为向量，得到每个金融产品对应的第一向量；基于每个金融产品对应的第一向量得到第一处理结果。
56.在本实施例中，系统通过jieba分词(即结巴分词)对第三特征信息中的每个金融产品的属性特征信息进行分词处理，得到每个金融产品对应的多个字段，其中，多个字段至少包括金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量；然后通过对每个金融产品对应的多个字段进行词频分析，得到每个字段对应的分值，将每个字段对应的分值转换为向量，得到每个金融产品对应的第一向量，例如，金融产品a的每个字段对应的分值分别为50、80、90、30、70，则金融产品a对应的向量为[50，80，90，30，70]。
[0057]
可选的，在将每个字段对应的分值转换为向量之前，系统可对每个字段设置预设权重分数，例如，设置产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量的权重分数分别为0.6、0.5、0.4、0.6、0.9。系统通过每个字段的分值以及该字段对应的权重分数，得到每个字段的目标分数，例如，在金融产品a的每个字段对应的分值分别为50、80、90、30、70，对应的权重分数分别为0.6、0.5、0.4、0.6、0.9时，得到金融产品a的每个字段对应的目标分数分别为50*0.6、80*0.5、90*0.4、30*0.6、70*0.5。
[0058]
需要说明的是，通过对第三特征信息进行jieba分词以及向量转换得到第一向量，为后续进行相似度计算做准备。
[0059]
可选的，在本发明实施例提供的产品推销策略的生成方法中，对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果，包括：对每个第一金融产品的产品特征信息进行分词处理，得到每个第一金融产品对应的多个字段；对每个第一金融产品对应的多个字段进行词频分析，得到每个第一金融产品对应的每个字段的分值；将每个第一金融产品对应的每个字段的分值转换为向量，得到每个第一金融产品对应的第二向量；基于每个第一金融产品对应的第二向量得到第二处理结果。
[0060]
在本实施例中，系统通过jieba分词对每个第一金融产品的产品特征信息进行分词处理，得到每个第一金融产品对应的多个字段，其中，多个字段至少包括第一金融产品的产品类型、发行方式、产品名称、业绩比较基准和初始计划发行量；然后通过对每个第一金融产品对应的多个字段进行词频分析，得到每个字段对应的分值，将每个字段对应的分值转换为向量，得到每个第一金融产品对应的第二向量，例如，金融产品b的每个字段对应的分值分别为100、200、150、120、300，则金融产品a对应的向量为[100，200，50，120，300]。
[0061]
可选的，在将每个字段对应的分值转换为向量之前，系统可通过第一金融产品的每个字段的分值以及该字段对应的预设权重分数，得到第一金融产品的每个字段的目标分数，例如，在金融产品b的每个字段对应的分值分别为100、200、150、120、300，对应的权重分
数分别为0.6、0.5、0.4、0.6、0.9时，得到金融产品b的每个字段对应的目标分数分别为100*0.6、200*0.5、150*0.4、120*0.6、300*0.9。
[0062]
需要说明的是，通过对产品特征信息进行jieba分词以及向量转换得到第二向量，为后续进行相似度计算做准备。
[0063]
可选的，在本发明实施例提供的产品推销策略的生成方法中，将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型，包括：对第一向量和第二向量进行余弦相似度计算，得到每个金融产品与每个第一金融产品之间的相似度评分；将相似度评分、k个第一标签、每个第一金融产品的产品特征信以及每个第二标签输入至预设模型中进行迭代训练，得到目标模型。
[0064]
在本实施例中，系统根据用户id进行统计，首先检测m个金融产品中是否存在与第一金融产品相同的金融产品，若m个金融产品中存在与第一金融产品相同的金融产品，则无需对相同的金融产品进行余弦相似度计算；然后对m个金融产品中的与每个第一金融产品不相同的金融产品进行两两配对，并通过如下公式计算余弦相似度：
[0065][0066]
其中，理财产品a即为对象持有的第一金融产品a，理财产品b即为金融产品b，score(理财产品a)为第一金融产品a对应的第二向量，score(理财产品a)为金融产品b对应的第一向量，score为金融产品b与第一金融产品a之间的相似度评分。
[0067]
可选的，系统可通过多个第一标签、每个第一金融产品的产品特征信息、多个第二标签对第一预设模型进行训练，得到第一模型model.a，其中，第一模型用于处理第一金融产品的特征信息；系统可通过每个金融产品与每个第一金融产品之间的相似度评分对第二预设模型进行训练，得到第二模型model.b，其中，第二模型用于处理第二金融产品的属性特征；基于预设函数、第一模型以及第二模型，得到目标模型。其中，预设函数为逻辑回归函数sigmoid，具体如下：
[0068][0069]
其中，w为model.a，x为model.b。
[0070]
需要说明的是，系统通过计算每个金融产品与每个第一金融产品之间的相似度评分，为确定产品与用户之间的联系提供可能，为后续生成产品推销策略做准备。
[0071]
可选的，在本发明实施例提供的产品推销策略的生成方法中，基于每个金融产品的评分生成产品推销策略，包括：对m个金融产品的评分进行排序，得到排序结果；基于排序结果生成产品推销策略。
[0072]
在本实施例中，系统可将m个金融产品的评分进行从大到小的排序，得到排序结果，然后系统从排序结果中选取排名靠前的金融产品，生成产品推销策略，例如，系统从排序结果中选取排名前十的金融产品，生成产品推销策略。
[0073]
需要说明的是，通过基于m个金融产品的评分的排序结果生成产品推销策略，实现了根据用户购买习惯进行个性化产品推荐，提高了生成产品推销策略的准确率。
[0074]
由此可见，本发明提供的产品推销策略的生成方法，通过冷启动用户理财产品推荐通过根据购买量对理财产品进行排序，以购买量降序排序清单反馈给用户，向用户推荐金融产品。通过用户画像信息中的用户历史购买记录与市场上现有理财产品进行相似度比较，通过利用逻辑回归函数给理财产品进行打分，生成产品推销策略，既降低了协同过滤中热门产品的头部效应导致大量产品之间产生的相似度，又发掘出了长尾商品，并能够根据用户自身理财产品购买习惯生成产品推销策略，向用户推荐金融产品，提高了生成产品推销策略的准确率，进而解决了现有技术中存在生成的产品推销策略准确率低的技术问题。
[0075]
实施例2
[0076]
根据本发明实施例，提供了一种产品推销策略的生成装置的实施例，其中，图2根据本发明实施例1的一种可选的产品推销策略的生成装置的示意图，如图2所示，该装置包括：
[0077]
获取模块201，用于获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；
[0078]
第一提取模块203，用于对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；
[0079]
第二提取模块205，用于对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；
[0080]
处理模块207，用于基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；
[0081]
生成模块209，用于基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
[0082]
需要说明的是，上述获取模块201、第一提取模块203、第二提取模块205、处理模块207以及生成模块209对应于上述实施例中的步骤s102至步骤s110，五个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
[0083]
可选的，产品推销策略的生成装置还包括：第一获取模块、第三提取模块以及第一训练模块。第一获取模块用于获取第一训练集、第二训练集和k个第一标签，其中，第一训练集由k个第一金融产品的产品信息组成，每个第一标签用于表征一个第一金融产品的收益率，每个第一金融产品为每个对象在预设时间段内所持有的金融产品，第二训练集由第三特征信息组成，k为正整数；第三提取模块用于提取第一训练集中每个第一金融产品的产品特征信息，并设置每个产品特征信息对应的第二标签，其中，第二标签用于表征每个第一金融产品的购买次数；第一训练模块用于将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型。
[0084]
可选的，第一训练模块还包括：第一处理模块、第二处理模块以及第二训练模块。第一处理模块用于对第三特征信息进行向量转换处理，得到第一处理结果；第二处理模块用于对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果；第二训
练模块用于将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型。
[0085]
可选的，第一处理模块还包括：第一分词处理模块、第一词频分析模块以及第一转换模块。第一分词处理模块用于对第三特征信息中的每个金融产品的属性特征信息进行分词处理，得到每个金融产品对应的多个字段；第一词频分析模块用于对每个金融产品对应的多个字段进行词频分析，得到每个金融产品对应的每个字段的分值；第一转换模块用于将每个金融产品对应的每个字段的分值转换为向量，得到每个金融产品对应的第一向量；基于每个金融产品对应的第一向量得到第一处理结果。
[0086]
可选的，第二处理模块还包括：第二分词处理模块、第二词频分析模块以及第二转换模块。第二分词处理模块用于对每个第一金融产品的产品特征信息进行分词处理，得到每个第一金融产品对应的多个字段；第二词频分析模块用于对每个第一金融产品对应的多个字段进行词频分析，得到每个第一金融产品对应的每个字段的分值；第二转换模块用于将每个第一金融产品对应的每个字段的分值转换为向量，得到每个第一金融产品对应的第二向量；基于每个第一金融产品对应的第二向量得到第二处理结果。
[0087]
可选的，第二训练模块还包括：计算模块以及第三训练模块。计算模块用于对第一向量和第二向量进行余弦相似度计算，得到每个金融产品与每个第一金融产品之间的相似度评分；第三训练模块用于将相似度评分、k个第一标签、每个第一金融产品的产品特征信以及每个第二标签输入至预设模型中进行迭代训练，得到目标模型。
[0088]
可选的，生成模块包括：排序模块以及第一生成模块。排序模块用于对m个金融产品的评分进行排序，得到排序结果；第一生成模块用于基于排序结果生成产品推销策略。
[0089]
实施例3
[0090]
根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的产品推销策略的生成方法。
[0091]
实施例4
[0092]
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图3是根据本发明实施例的一种可选的电子设备的示意图，如图3所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的产品推销策略的生成方法。
[0093]
如图3所示，本技术实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标对象的用户画像信息和m个金融产品的产品信息，其中，用户画像信息至少包括目标对象所持有的n个目标金融产品的产品信息，m个金融产品中至少包括n个目标金融产品，m、n为正整数，且m大于n；对用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，第一特征信息用于表征目标对象购买n个目标金融产品的风险偏好，第二特征信息用于表征目标对象购买n个目标金融产品的种类偏好；对每个金融产品的产品信息进行特征提取，得到第三特征信息，其中，第三特征信息为每个金融产品的属性特征信息；基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每
个评分为m个金融产品中的每个金融产品与n个目标金融产品中的每个目标金融产品之间的相似度评分；基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。
[0094]
可选的，处理器执行程序时还实现以下步骤：目标模型通过以下过程训练得到：获取第一训练集、第二训练集和k个第一标签，其中，第一训练集由k个第一金融产品的产品信息组成，每个第一标签用于表征一个第一金融产品的收益率，每个第一金融产品为每个对象在预设时间段内所持有的金融产品，第二训练集由第三特征信息组成，k为正整数；提取第一训练集中每个第一金融产品的产品特征信息，并设置每个产品特征信息对应的第二标签，其中，第二标签用于表征每个第一金融产品的购买次数；将k个第一标签、每个第一金融产品的产品特征信息、每个产品特征信息对应的第二标签以及第三特征信息输入至预设模型中进行迭代训练，得到目标模型。
[0095]
可选的，处理器执行程序时还实现以下步骤：对第三特征信息进行向量转换处理，得到第一处理结果；对每个第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果；将k个第一标签、每个第一金融产品的产品特征信、每个第二标签、第一处理结果以及第二处理结果输入至预设模型中进行迭代训练，得到目标模型。
[0096]
可选的，处理器执行程序时还实现以下步骤：对第三特征信息中的每个金融产品的属性特征信息进行分词处理，得到每个金融产品对应的多个字段；对每个金融产品对应的多个字段进行词频分析，得到每个金融产品对应的每个字段的分值；将每个金融产品对应的每个字段的分值转换为向量，得到每个金融产品对应的第一向量；基于每个金融产品对应的第一向量得到第一处理结果。
[0097]
可选的，处理器执行程序时还实现以下步骤：对每个第一金融产品的产品特征信息进行分词处理，得到每个第一金融产品对应的多个字段；对每个第一金融产品对应的多个字段进行词频分析，得到每个第一金融产品对应的每个字段的分值；将每个第一金融产品对应的每个字段的分值转换为向量，得到每个第一金融产品对应的第二向量；基于每个第一金融产品对应的第二向量得到第二处理结果。
[0098]
可选的，处理器执行程序时还实现以下步骤：对第一向量和第二向量进行余弦相似度计算，得到每个金融产品与每个第一金融产品之间的相似度评分；将相似度评分、k个第一标签、每个第一金融产品的产品特征信以及每个第二标签输入至预设模型中进行迭代训练，得到目标模型。
[0099]
可选的，处理器执行程序时还实现以下步骤：对m个金融产品的评分进行排序，得到排序结果；基于排序结果生成产品推销策略。
[0100]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0101]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0102]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，
可以是电性或其它的形式。
[0103]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0104]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0105]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0106]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种产品推销策略的生成方法，其特征在于，包括：获取目标对象的用户画像信息和m个金融产品的产品信息，其中，所述用户画像信息至少包括所述目标对象所持有的n个目标金融产品的产品信息，m个所述金融产品中至少包括n个所述目标金融产品，m、n为正整数，且m大于n；对所述用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，所述第一特征信息用于表征所述目标对象购买n个所述目标金融产品的风险偏好，所述第二特征信息用于表征所述目标对象购买n个所述目标金融产品的种类偏好；对每个所述金融产品的产品信息进行特征提取，得到第三特征信息，其中，所述第三特征信息为每个所述金融产品的属性特征信息；基于目标模型对所述第一特征信息、所述第二特征信息以及所述第三特征信息进行处理，得到每个所述金融产品的评分，其中，每个所述评分为m个所述金融产品中的每个所述金融产品与n个所述目标金融产品中的每个所述目标金融产品之间的相似度评分；基于每个所述金融产品的评分生成产品推销策略，其中，所述产品推销策略用于向所述目标对象推荐所述金融产品。2.根据权利要求1所述的方法，其特征在于，所述目标模型通过以下过程训练得到：获取第一训练集、第二训练集和k个第一标签，其中，所述第一训练集由k个第一金融产品的产品信息组成，每个所述第一标签用于表征一个所述第一金融产品的收益率，每个所述第一金融产品为每个对象在预设时间段内所持有的金融产品，所述第二训练集由所述第三特征信息组成，k为正整数；提取所述第一训练集中每个所述第一金融产品的产品特征信息，并设置每个所述产品特征信息对应的第二标签，其中，所述第二标签用于表征每个所述第一金融产品的购买次数；将k个所述第一标签、每个所述第一金融产品的产品特征信息、每个所述产品特征信息对应的第二标签以及所述第三特征信息输入至预设模型中进行迭代训练，得到所述目标模型。3.根据权利要求2所述的方法，其特征在于，将k个所述第一标签、每个所述第一金融产品的产品特征信息、每个所述产品特征信息对应的第二标签以及所述第三特征信息输入至预设模型中进行迭代训练，得到所述目标模型，包括：对所述第三特征信息进行向量转换处理，得到第一处理结果；对每个所述第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果；将k个所述第一标签、每个所述第一金融产品的产品特征信、每个所述第二标签、所述第一处理结果以及所述第二处理结果输入至预设模型中进行迭代训练，得到所述目标模型。4.根据权利要求3所述的方法，其特征在于，对所述第三特征信息进行向量转换处理，得到第一处理结果，包括：对所述第三特征信息中的每个所述金融产品的属性特征信息进行分词处理，得到每个所述金融产品对应的多个字段；对每个所述金融产品对应的多个字段进行词频分析，得到每个所述金融产品对应的每个所述字段的分值；
将每个所述金融产品对应的每个所述字段的分值转换为向量，得到每个所述金融产品对应的第一向量；基于每个所述金融产品对应的第一向量得到所述第一处理结果。5.根据权利要求4所述的方法，其特征在于，对每个所述第一金融产品的产品特征信息进行向量转换处理，得到第二处理结果，包括：对每个所述第一金融产品的产品特征信息进行分词处理，得到每个所述第一金融产品对应的多个字段；对每个所述第一金融产品对应的多个字段进行词频分析，得到每个所述第一金融产品对应的每个所述字段的分值；将每个所述第一金融产品对应的每个所述字段的分值转换为向量，得到每个所述第一金融产品对应的第二向量；基于每个所述第一金融产品对应的第二向量得到所述第二处理结果。6.根据权利要求5所述的方法，其特征在于，将k个所述第一标签、每个所述第一金融产品的产品特征信、每个所述第二标签、所述第一处理结果以及所述第二处理结果输入至预设模型中进行迭代训练，得到所述目标模型，包括：对所述第一向量和所述第二向量进行余弦相似度计算，得到每个所述金融产品与每个所述第一金融产品之间的相似度评分；将所述相似度评分、k个所述第一标签、每个所述第一金融产品的产品特征信以及每个所述第二标签输入至预设模型中进行迭代训练，得到所述目标模型。7.根据权利要求1所述的方法，其特征在于，基于每个所述金融产品的评分生成产品推销策略，包括：对m个所述金融产品的评分进行排序，得到排序结果；基于所述排序结果生成所述产品推销策略。8.一种产品推销策略的生成装置，其特征在于，包括：获取模块，用于获取目标对象的用户画像信息和m个金融产品的产品信息，其中，所述用户画像信息至少包括所述目标对象所持有的n个目标金融产品的产品信息，m个所述金融产品中至少包括n个所述目标金融产品，m、n为正整数，且m大于n；第一提取模块，用于对所述用户画像信息进行特征提取，得到第一特征信息和第二特征信息，其中，所述第一特征信息用于表征所述目标对象购买n个所述目标金融产品的风险偏好，所述第二特征信息用于表征所述目标对象购买n个所述目标金融产品的种类偏好；第二提取模块，用于对每个所述金融产品的产品信息进行特征提取，得到第三特征信息，其中，所述第三特征信息为每个所述金融产品的属性特征信息；处理模块，用于基于目标模型对所述第一特征信息、所述第二特征信息以及所述第三特征信息进行处理，得到每个所述金融产品的评分，其中，每个所述评分为m个所述金融产品中的每个所述金融产品与n个所述目标金融产品中的每个所述目标金融产品之间的相似度评分；生成模块，用于基于每个所述金融产品的评分生成产品推销策略，其中，所述产品推销策略用于向所述目标对象推荐所述金融产品。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机
程序，其中，所述计算机程序被设置为运行时执行权利要求1至7任一项中所述的产品推销策略的生成方法。10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行权利要求1至7任一项中所述的产品推销策略的生成方法。

技术总结
本发明公开了一种产品推销策略的生成方法、装置及电子设备。涉及人工智能技术领域，该方法包括：获取目标对象的用户画像信息和M个金融产品的产品信息；对用户画像信息进行特征提取，得到第一特征信息和第二特征信息；对每个金融产品的产品信息进行特征提取，得到第三特征信息；基于目标模型对第一特征信息、第二特征信息以及第三特征信息进行处理，得到每个金融产品的评分，其中，每个评分为M个金融产品中的每个金融产品与N个目标金融产品中的每个目标金融产品之间的相似度评分；基于每个金融产品的评分生成产品推销策略，其中，产品推销策略用于向目标对象推荐金融产品。本发明解决了现有技术中存在生成的产品推销策略准确率低的技术问题。低的技术问题。低的技术问题。


技术研发人员：陈鹭瑶 王超 李凤云 何甜馨
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.03.20
技术公布日：2023/7/22