外汇产品推荐方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种外汇产品推荐方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

现有的外汇产品交易系统，并没有对热度较高的外汇产品进行推荐，且由于外汇产品交易专业知识要求较高，导致绝大部分客户在进行外汇产品交易时，特别迷茫，长期下去会导致客户流失。

发明内容

本发明实施例中提供了一种外汇产品推荐方法，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，该方法包括：获取第一周期的外汇产品资讯数据；将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，其中，热度产品为交易量超过预设阈值的外汇产品，第二周期为第一周期之后的一个周期；根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度；根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

本发明实施例中还提供了一种外汇产品推荐装置，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，该装置包括：资讯数据获取模块，用于获取第一周期的外汇产品资讯数据；

热度产品预测模块，用于将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，其中，热度产品为交易量超过预设阈值的外汇产品，第二周期为第一周期之后的一个周期；用户产品偏好确定模块，用于根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度；产品推送模块，用于根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

本发明实施例中还提供了一种计算机设备，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述外汇产品推荐方法。

本发明实施例中还提供了一种计算机可读存储介质，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，该计算机可读存储介质存储有执行上述外汇产品推荐方法的计算机程序。

本发明实施例中提供的外汇产品推荐方法、装置、计算机设备及计算机可读存储介质，预先通过机器学习训练一个能够根据上一周期的资讯数据预测下一周期的热度产品的热度产品预测模型，在获取到第一周期的外汇产品资讯数据后，将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，进而根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度，最后根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

通过本发明实施例，能够实现外汇产品信息的因客推荐，更精准推送外汇产品信息，从而促进外汇产品的交易率提升。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种外汇产品推荐方法流程图；

图2为本发明实施例中提供的一种热度产品预测模型的训练流程图；

图3为本发明实施例中提供的一种外汇产品资讯数据的特征提取流程图；

图4为本发明实施例中提供的一种用户画像生成流程图；

图5为本发明实施例中提供的一种外汇产品推荐装置示意图；

图6为本发明实施例中提供的一种可选的外汇产品推荐装置示意图；

图7为本发明实施例中提供的一种可选的外汇产品推荐装置示意图；

图8为本发明实施例中提供的一种可选的外汇产品推荐装置示意图；

图9为本发明实施例中提供的一种计算机设备示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例中提供了一种外汇产品推荐方法，图1为本发明实施例中提供的一种外汇产品推荐方法流程图，如图1所示，该方法包括如下步骤：

S101，获取第一周期的外汇产品资讯数据。

需要说明的是，外汇交易业务是指一国货币与另一国货币进行交换的业务。本发明实施例中的外汇产品是指一种货币与另外一种货币进行交换的金融产品，例如，美元/日元表示美元与日元兑换的外汇产品。上述S101中的第一周期可以任意一个时间段(例如，一周)。

S102，将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，其中，热度产品为交易量超过预设阈值的外汇产品，第二周期为第一周期之后的一个周期。

需要说明的是，上述S102中的热度产品预测模型是指预先通过机器学习训练得到的一个能够根据上一周期的资讯数据预测下一周期的热度产品的模型，该模型的输入数据为：上一周期的外汇产品资讯数据，输出数据为下一周期的热度产品(即交易量超过预设阈值的外汇产品)。

上述S102中的第二周期为时间发生在第一周期之后且与第一周期相邻的一个周期。例如，当第一周期为某月的第二周，则第二周期为该月的第三周。

本发明实施例中的热度产品可以是但不限于如下7种：美元/日元、英镑/美元、欧元/美元、美元/日元和英镑/美元、美元/日元和欧元/美元、英镑/美元和欧元/美元、美元/日元和英镑/美元和欧元/美元，对应的标签分别为A、B、C、D、E、F、G。

S103，根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度。

需要说明的是，本发明实施例中的用户画像数据是指能够反映用户对各个热度产品喜爱程度的用户数据。在根据外汇产品资讯数据预测出热度产品，进一步结合用户对各个热度产品的喜爱程度，确定向用户推送的热度产品，能够达到因客推荐的目的。

S104，根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

需要说明的是，在确定每个用户对第二周期内各个热度产品的喜爱程度后，可以将喜爱程度高于预设阈值的一个或多个热度产品的产品信息推送给每个用户，也可以将按照每个用户对第二周期内各个热度产品的喜爱程度，对各个热度产品进行排序，然后将排序在前的一个或多个热度产品的产品信息推送给每个用户。

在一个实施例中，上述S104可以通过如下步骤来实现：根据待推送用户对各个热度产品的喜爱程度，对各个热度产品进行排序；将排序在前预设位的热度产品的产品信息，推送至待推送用户的客户端。

可选地，本发明实施例中，采用5G消息向每个用户推送热度产品的产品信息。

本发明实施例中提供的外汇产品推荐方法，根据上一周期的外汇产品资讯数据，预测下一周期热度较高的外汇产品(热度产品)，根据用户画像数据和预测出来的热度产品，确定每个用户对各个热度产品的喜爱程度，进而根据每个用户对各个热度产品的喜爱程度，向每个用户推送热度产品的产品信息，能够实现外汇产品的因客推荐，提升外汇产品业务的客户服务。

图2为本发明实施例中提供的一种热度产品预测模型的训练流程图，如图2所示，本发明实施例中提供的外汇产品推荐方法可通过如下步骤来训练得到能够根据上一周期的资讯数据预测下一周期的热度产品的热度产品预测模型：

S201，获取多个第一历史周期的外汇产品资讯数据；

S202，获取多个第二历史周期的外汇产品交易数据，其中，第二历史周期为第一历史周期之后的一个历史周期；

S203，将多个第一历史周期的外汇产品资讯数据和多个第二历史周期的外汇产品交易数据作为样本数据，对SVM模型进行训练，得到热度产品预测模型。

在具体实施时，本发明实施例中，首先利用80％的样本数据对SVM模型进行机器学习，训练得到一个热度产品预测模型，然后利用20％的样本数据测试模型的正确性，持续优化，最终得出一个预测准确率较高的热度产品预测模型。

例如，将2020年4月13-17日内的资讯整全成一条资讯，再查看2020年4月20-24日的美元/日元、英镑/美元的成交次数(交易量)分别为20万、18万，则将这周外汇产品资讯数据对应的热度产品标为A。

图3为本发明实施例中提供的一种外汇产品资讯数据的特征提取流程图，如图3所示，本发明实施例中提供的外汇产品推荐方法可通过如下步骤提取对外汇产品资讯数据的数据特征：

S301，对外汇产品资讯数据进行数据清洗处理；

S302，利用TF-IDF函数，将数据清洗处理后的外汇产品数据转换为分词权重数据，其中，分词权重数据中包含：多个分词在每条外汇产品资讯中的权重值。

需要说明的是，TF-IDF(term frequency–inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术，其中，TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse Document Frequency)。

在具体实施时，本发明实施例中，利用TF-IDF函数将数据清洗后的外汇产品资讯数据转换为每条外汇产品资讯对应各个分词的权重值。假如有500条外汇产品资讯，被分词后具有1000个词，则经过TF-IDF处理后样式，如表1所示。

表1 经过TF-IDF处理后的资讯数据

S303，利用期望交叉熵评估函数，对每条外汇产品资讯对应的分词权重数据进行特征提取，得到每条外汇产品资讯对应的第一特征数据。

在具体实施时，本发明实施例中，利用期望交叉熵评估函数对数据特征进行提取，得出的交叉熵值按大到小排序，选择前20个特征，如表2所示。

表2 经过特征提取后的资讯数据

S304，利用主成分分析法，对每条外汇产品资讯的第一特征数据进行降维处理，得到降维后的第二特征数据，其中，第二特征数据中包含的分词个数小于第一特征数据。

在具体实施时，本发明实施例中，利用主成分分析法PCA，对资讯数据进行降维处理，最终保留10个特征，经降维后的数据样式如表3所示。

表3 降维处理后的资讯数据

需要说明的是，上述S301～S304提供的数据提取流程，能够用于对S201中的外汇产品资讯数据进行数据特征提取处理，也可用于对S101中的外汇产品资讯数据进行数据特征数据。

在预测热度产品时，可输入一周的资讯信息，模型输出该资讯属于美元/日元、英镑/美元、欧元/美元、美元/日元和英镑/美元、美元/日元和欧元/美元、英镑/美元和欧元/美元、美元/日元和英镑/美元和欧元/美元七种分类的概率。将概率排序，保留前四，其他转变成0。热度产品预测模型的输出数据如表4所示。

表4 热度产品预测模型的输出数据

图4为本发明实施例中提供的一种用户画像生成流程图，如图4所示，在一个实施例中，本发明实施例中提供的外汇产品推荐方法可通过如下步骤来生成用户画像数据：

S401，采集每个用户对各个外汇产品的用户行为数据；

S402，根据每个用户对各个外汇产品的用户行为数据，确定每个用户对各个外汇产品的喜爱程度；

S403，根据每个用户对各个外汇产品的喜爱程度，生成每个用户的用户画像数据。

利用采集的用户对各产品的行为数据及用户交易数据，统计用户对美元/日元、英镑/美元、欧元/美元、美元/日元和英镑/美元、美元/日元和欧元/美元、英镑/美元和欧元/美元、美元/日元和英镑/美元和欧元/美元七种产品的喜爱程度，形成新的用户画像。

采集的用户行为数据及用户交易数据样式如表5所示。

表5 用户行为数据

利用以上数据，再根据行为及交易的权重，计算各用户对各产品的喜爱程度，其中浏览次数权重为0.25，浏览时长权重为0.3，交易次数权重为0.45，浏览数和浏览时长计算时缩小10倍。如用户1对产品A的喜爱程度为：2*0.25+3*0.3+4*0.45＝3.2，用户1对产品D的喜爱程度为用户1对产品A、B喜爱程度的平均值，即：(3.2+3.4)/2＝3.3

计算所有用户对各产品的喜爱程度，得到新的用户画像，如表6所示。

表6 用户画像数据

需要说明的是：上表中的值表示该用户对某产品的喜爱程度，比如3.2表示用户1对A类产品的喜爱程度为3.2。

通过新的用户画像和预测出来的热度产品计算用户对各热度产品的喜爱程度，并对用户的喜爱程度值进行排序，选择前二的产品推荐给客户。计算时，将表4和表6的数据相乘。

基于同一发明构思，本发明实施例中还提供了一种外汇产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与外汇产品推荐方法相似，因此该装置的实施可以参见外汇产品推荐方法的实施，重复之处不再赘述。

图5为本发明实施例中提供的一种外汇产品推荐装置示意图，如图5所示，该装置包括：资讯数据获取模块501、热度产品预测模块502、用户产品偏好确定模块503和产品推送模块504。

其中，资讯数据获取模块501，用于获取第一周期的外汇产品资讯数据；热度产品预测模块502，用于将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，其中，热度产品为交易量超过预设阈值的外汇产品，第二周期为第一周期之后的一个周期；用户产品偏好确定模块503，用于根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度；产品推送模块504，用于根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

在一个实施例中，如图6所示，本发明实施例中提供的外汇产品推荐装置还包括：机器学习模块505，用于：获取多个第一历史周期的外汇产品资讯数据；获取多个第二历史周期的外汇产品交易数据，其中，第二历史周期为第一历史周期之后的一个历史周期；将多个第一历史周期的外汇产品资讯数据和多个第二历史周期的外汇产品交易数据作为样本数据，对SVM模型进行训练，得到热度产品预测模型。

在一个实施例中，如图7所示，本发明实施例中提供的外汇产品推荐装置还包括：数据清洗模块506，用于对外汇产品资讯数据进行数据清洗处理；数据转换模块507，用于利用TF-IDF函数，将数据清洗处理后的外汇产品数据转换为分词权重数据，其中，分词权重数据中包含：多个分词在每条外汇产品资讯中的权重值；数据特征提取模块508，用于利用期望交叉熵评估函数，对每条外汇产品资讯对应的分词权重数据进行特征提取，得到每条外汇产品资讯对应的第一特征数据；数据特征降维处理模块509，用于利用主成分分析法，对每条外汇产品资讯的第一特征数据进行降维处理，得到降维后的第二特征数据，其中，第二特征数据中包含的分词个数小于第一特征数据。

在一个实施例中，如图8所示，本发明实施例中提供的外汇产品推荐装置还包括：用户画像生成模块510，用于：采集每个用户对各个外汇产品的用户行为数据；根据每个用户对各个外汇产品的用户行为数据，确定每个用户对各个外汇产品的喜爱程度；根据每个用户对各个外汇产品的喜爱程度，生成每个用户的用户画像数据。

在一个实施例中，本发明实施例中提供的外汇产品推荐装置中，产品推送模块504还用于：根据待推送用户对各个热度产品的喜爱程度，对各个热度产品进行排序；将排序在前预设位的热度产品的产品信息，推送至待推送用户的客户端。

基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，图9为本发明实施例中提供的一种计算机设备示意图，如图9所示，该计算机设备90包括存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序，处理器902执行计算机程序时实现上述外汇产品推荐方法。

基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有外汇产品交易系统无法实现热度外汇产品推荐的技术问题，该计算机可读存储介质存储有执行上述外汇产品推荐方法的计算机程序。

综上所述，本发明实施例中提供的外汇产品推荐方法、装置、计算机设备及计算机可读存储介质，预先通过机器学习训练一个能够根据上一周期的资讯数据预测下一周期的热度产品的热度产品预测模型，在获取到第一周期的外汇产品资讯数据后，将第一周期的外汇产品资讯数据，输入至热度产品预测模型中，输出第二周期内一个或多个热度产品的产品信息，进而根据每个用户的用户画像数据和第二周期内各个热度产品的产品信息，确定每个用户对第二周期内各个热度产品的喜爱程度，最后根据每个用户对第二周期内各个热度产品的喜爱程度，在第二周期内向每个用户推送一个或多个热度产品的产品信息。

通过本发明实施例，能够实现外汇产品信息的因客推荐，更精准推送外汇产品信息，从而促进外汇产品的交易率提升。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。