智能推荐方法及装置

技术领域

本发明涉及产品推荐技术领域，尤指一种智能推荐方法及装置。

背景技术

当今时代是互联网金融时代，只需要一个能够接入互联网的智能终端，用户便可获得海量数据信息。当然，金融行业也不例外，目前的推荐方法各不相同，银行的投资理财的主要推荐方式还是根据交易量和交易频次来进行明星产品推荐。但是这样的人气产品或者明星产品并不适用于所有客户，如何面向海量信息资源，根据客户的爱好和行为信息为用户定制化推荐产品是一个值得思考的问题。

发明内容

针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种智能推荐方法及装置，提高推荐精确度，满足用户个性化需求。

为了实现上述目的，本发明实施例提供一种智能推荐方法，方法包括：

获取经用户授权的用户属性数据，并对用户属性数据进行聚类处理，确定用户属性数据对应的属性聚类；

利用滤波算法对各属性聚类进行过滤处理，得到所述用户属性数据对应的推测参数；

利用分类算法，对用户属性数据对应的推测参数进行数据融合处理，得到用户属性数据对应的数据融合属性值；

将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息。

可选的，在本发明一实施例中，属性聚类包括数值属性、标称属性、日期属性及字符串属性。

可选的，在本发明一实施例中，利用滤波算法对各属性聚类进行过滤处理，得到用户属性数据对应的推测参数包括：

根据用户属性数据，确定所述用户属性数据对应的标准差、均差及标称量；

根据用户属性数据对应的标准差、均差及标称量，利用卡尔曼滤波算法对用户属性数据进行过滤处理，得到用户属性数据对应的推测参数。

可选的，在本发明一实施例中，将所述用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息包括：

将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，确定用户属性数据对应的产品；

根据用户属性数据对应的产品，得到用户推荐信息。

本发明实施例还提供一种智能推荐装置，装置包括：

属性聚类模块，用于获取经用户授权的用户属性数据，并对用户属性数据进行聚类处理，确定用户属性数据对应的属性聚类；

推测参数模块，用于利用滤波算法对各属性聚类进行过滤处理，得到用户属性数据对应的推测参数；

数据融合模块，用于利用分类算法，对用户属性数据对应的推测参数进行数据融合处理，得到用户属性数据对应的数据融合属性值；

产品推荐模块，用于将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息。

可选的，在本发明一实施例中，属性聚类包括数值属性、标称属性、日期属性及字符串属性。

可选的，在本发明一实施例中，推测参数模块包括：

标准差单元，用于根据用户属性数据，确定用户属性数据对应的标准差、均差及标称量；

过滤处理单元，用于根据用户属性数据对应的标准差、均差及标称量，利用卡尔曼滤波算法对所述用户属性数据进行过滤处理，得到所述用户属性数据对应的推测参数。

可选的，在本发明一实施例中，产品推荐模块包括：

属性值单元，用于将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，确定用户属性数据对应的产品；

产品推荐单元，用于根据用户属性数据对应的产品，得到用户推荐信息。

本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。

本发明通过对用户属性数据进行滤波等数据处理，由此实现更加精确的数据要素分类和数据融合，有针对性地对用户进行产品推荐，能够增加产品的购买成功率和交易量，节省人力资源，满足用户个性化需求。

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。

图1为本发明实施例一种智能推荐方法的流程图；

图2为本发明实施例中得到推测参数的流程图；

图3为本发明实施例中得到用户推荐信息的流程图；

图4为本发明实施例中卡尔曼滤波过程示意图；

图5为本发明实施例中贝叶斯估计的推理示意图；

图6为本发明实施例一种智能推荐装置的结构示意图；

图7为本发明实施例中推测参数模块的结构示意图；

图8为本发明实施例中产品推荐模块的结构示意图；

图9为本发明一实施例所提供的电子设备的结构示意图。

具体实施方式

本发明实施例提供一种智能推荐方法及装置，可用于金融领域及其他领域，需要说明的是，本发明的智能推荐方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明的智能推荐方法及装置应用领域不做限定。

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为本发明实施例一种智能推荐方法的流程图，本发明实施例提供的智能推荐方法的执行主体包括但不限于计算机。本发明通过对用户属性数据进行滤波等数据处理，由此实现更加精确的数据要素分类和数据融合，有针对性地对用户进行产品推荐，能够增加产品的购买成功率和交易量，节省人力资源，满足用户个性化需求。

图1所示方法包括：

步骤S1，获取经用户授权的用户属性数据，并对用户属性数据进行聚类处理，确定用户属性数据对应的属性聚类；

步骤S2，利用滤波算法对各属性聚类进行过滤处理，得到用户属性数据对应的推测参数；

步骤S3，利用分类算法，对用户属性数据对应的推测参数进行数据融合处理，得到用户属性数据对应的数据融合属性值；

步骤S4，将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息。

其中，本发明对用户属性数据，即多属性数据要素，通过滤波等方法进行数据预处理、提取属性特征、完成数据融合、输出融合结果。数据融合技术可以将性质、特征相近的数据对象归属在相同集群中。具体的，可利用此技术分辨出客户的类型从而为其有效服务，提高服务价值，以影响相关客户行为并最终达到提高盈利和客户留存的目的。

进一步的，获取数据集，其中少量的客户数据不具有代表性。因此，客户数据集以10000条客户数据为例。这些数据集在收集时需要注意多属性、多维度，具体包括：银行代码，例如：004，103等；账户代码；客户姓名；第一次接触日期；余额类型；账户当前余额；账户开户日期；最低交易账目；账户曾经最低余额；账户曾经最高余额；客户状态；风险等级等。

从以上属性可以看出，原始数据集主要有四种类型：数值型、标称型、日期型、字符串型。

进一步的，对客户进行聚类分群，使用FCM-模糊聚类的方式进行聚类，能够得到各聚类所包含的客户数量，具体聚类过程在此不再赘述，具体聚类与客户数量如表1所示。

表1

由上表可知，各聚类有大有小，大小不一，但同样也表达了人群的不同特点，能够根据聚类结果对客户进行区别服务，上表中除去最大聚类，其余9个聚类占比34.59％，大聚类可细分，计算各聚类的标准差和均差、各标称量数量。

对最明显的聚类进行分析，这项数据为最大的普通客户群；对第二大的客户群进行分析，同样可以得到和第一项聚类不同的结果。

接下来进行属性数据融合：利用卡尔曼滤波方式去掉偏差较大的属性数据信息，得到较为准确的推测参数，再利用贝叶斯估计进行数据融合，能够得到较为准确的属性数据信息，了解各聚类的明显聚合特征。

作为本发明的一个实施例，属性聚类包括数值属性、标称属性、日期属性及字符串属性。

作为本发明的一个实施例，如图2所示，利用滤波算法对各属性聚类进行过滤处理，得到用户属性数据对应的推测参数包括：

步骤S21，根据用户属性数据，确定用户属性数据对应的标准差、均差及标称量；

步骤S22，根据用户属性数据对应的标准差、均差及标称量，利用卡尔曼滤波算法对用户属性数据进行过滤处理，得到用户属性数据对应的推测参数。

作为本发明的一个实施例，如图3所示，将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息包括：

步骤S31，将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，确定用户属性数据对应的产品；

步骤S32，根据用户属性数据对应的产品，得到用户推荐信息。

目前，购物app会记录用户的行为信息和购买信息，并根据用户的行为信息进行同类型产品的推荐，展示产品列表。这个购物模式对客户来说非常实用。当用户想要浏览或购买同类产品时，无需费时费力重新在产品库进行搜索，而是直接浏览首页的同类推荐产品即可。针对此种用户购物场景，提出适合金融业推广使用的投资理财产品的智能推荐，并提出智能推荐算法，以供用户浏览购买。本发明提出一种基于卡尔曼滤波和贝叶斯估计的投资理财产品智能推荐方法，根据已知的用户投资理财行为能力信息(例如风险等级和购买能力等级)，将对大量的投资理财产品进行筛选整合，能够为用户提供一个或者一系列产品满足用户个性化需求。

在本实施例中，数据要素为可靠的数据源才能获得正确的结论，以目的为导向获取数据源，针对特定的客户行为获取数据，可以是单一属性的，也可以是多属性的，可以是同质属性信息，也可以是非同质属性信息，注意区分单一属性和多属性的不同是数据的量纲是否相同，不同的数据量纲的融合方式不同。

其中，聚类方式为将数据库中的各要素使用恰当的聚类方法进行聚类，具体包括：聚类的方法有很多，直接分类、层次聚类、FCM-模糊聚类的方式进行聚类等，根据聚类结果选择属性信息分类最为合理的方式，将数据分为三份甚至更多份。

进一步的，属性数据融合为利用卡尔曼滤波方式去掉偏差较大的属性数据信息，得到较为准确的推测参数，再利用贝叶斯估计进行数据融合，能够得到较为准确的属性数据信息。

进一步的，属性信息设置和阈值设置过程是需要给每个投资理财产品定义同类型的属性信息，并为属性信息设置阈值。再根据融合后的属性信息及其阈值范围，相当于是产品标准，选择合适的产品推荐给用户。

在本实施例中，本发明采用卡尔曼滤波和贝叶斯估计的数据融合方法，以用户经常浏览和已经购买的投资理财产品的风险等级以及购买额度等级为属性信息，通过对两种不同属性的数据处理，对用户待融合的属性数据信息进行融合，得到符合用户预期、适宜用户购买的投资理财产品属性值，该融合后的值将作为标准，根据标准筛选出投资理财产品作为智能推荐，推荐给用户，方便用户进行购买。

其中，卡尔曼滤波的优点是不需要待滤波的融合系统有很大的数据存储量。卡尔曼滤波算法作为信息融合领域中被成功运用的技术手段，能够确保高实时性要求，并将噪声误差的影响考虑在内，对数据融合而言是一种行之有效的解决方案，因此在本发明先使用卡尔曼滤波对数据源进行过滤，再使用贝叶斯估计推理进行数据融合。

进一步的，作为一种基础滤波算法，卡尔曼滤波主要目的是对样本数据进行去噪，提高了数据的真实性，例如它只需要假设噪声为高斯白噪声，并不要求噪声信号平稳，当采集的样本信息包含测量噪声时能够从这些测量值的测量方差中估计出系统状态。

进一步的，卡尔曼滤波主要包括预测与更新两个过程。预测当前状态时主要依据前一状态与控制量来进行估计，更新确定总体预测值可信还是采集数据更可信。通常情况下，卡尔曼滤波根据预测的当前状态与更新之后的测量估计给出较为精确的数据信息。在工作过程中，先预测，再实测，最后修正更新，并以此顺序进行递推计算，不断更新当前状态，其滤波过程如图4所示。

在本实施例中，英国学者Thomas Bayes提出的贝叶斯理论在数据融合领域应用十分广泛。贝叶斯估计的推理过程要求充分利用先验信息和样本信息，概括地讲就是将这两种信息进行结合，再使用贝叶斯定理进行数据处理，得到处理后的后验分布的特征值，并利用这些特征值推断未知参数。贝叶斯估计过程如图5所示。

其中，贝叶斯估计优于经典学派传统方法的地方在于对样本信息和先验信息的有效利用，样本通过先验概率密度向后验概率密度进行转换的方式对待测参数的初始值进行修正，由此可见，先验概率会对贝叶斯估计的融合结果产生很大影响。

进一步的，将用户的投资行为能力信息作为先验信息，将每种投资理财产品的风险等级以及购买额度等级作为样本信息，再使用贝叶斯定理进行数据处理，得到处理后的后验分布的特征值(图5中的后验信息)。并利用这些特征值推断未知参数，未知参数即为融合后的属性值，该融合后的属性值将作为针对该用户的智能推荐的投资理财产品标准，并对产品库的所有产品增加该属性值和阈值范围。当用户融合后的属性信息落在产品阈值内，说明该产品适合该用户，以达到根据智能推荐的投资理财产品标准实时为客户推荐适合投资理财产品的目的。

具体的，本申请对用户属性数据进行卡尔曼滤波与贝叶斯算法的具体过程如下：

例如，将用户属性数据可以看作是动态系统中的采集数据，卡尔曼滤波中动态系统的方程为：

x

观测方程为：

z

以上两个方程中，x

时间更新过程(预测)：

预估计：

计算预估计协方差矩阵：

测量更新过程(修正)：

计算卡尔曼增益矩阵：

其中：

更新估计：

计算更新后的估计协方差矩阵：

递归循环计算：

公式(5)到公式(9)为卡尔曼滤波基本公式。由观测值z

在本实施例中，基于贝叶斯估计的数据融合算法，具体过程如下：

贝叶斯公式为：

将由关系矩阵选择得到的a个最佳融合数表示为(x

其中，μ为被测参数。这里假设μ和X

其中，

由式(12)可得，当用户的行为值(x

综合式(12)和式(16)可得：

本发明目前能够处理的数据要素是两种同类属性信息，实际应用场景中存在很多异质信息(例如风险等级、投资理财行为发生频率)同样可以参与多属性数据融合决策，从而减小单一属性融合的估计误差。对异类属性融合决策方法的研究需要给每个属性分配以不同的权重，来计算出融合结果，得到准确的投资理财产品标准，提高向客户推荐产品的智能性和准确度，提高单一属性融合的误差，提高用户投资理财的行为频率。

本发明通过对用户属性数据进行滤波等数据处理，由此实现更加精确的数据要素分类和数据融合，有针对性地对用户进行产品推荐，能够增加产品的购买成功率和交易量，节省人力资源，满足用户个性化需求。

如图6所示为本发明实施例一种智能推荐装置的结构示意图，图中所示装置为：

属性聚类模块10，用于获取经用户授权的用户属性数据，并对用户属性数据进行聚类处理，确定用户属性数据对应的属性聚类；

推测参数模块20，用于利用滤波算法对各属性聚类进行过滤处理，得到用户属性数据对应的推测参数；

数据融合模块30，用于利用分类算法，对用户属性数据对应的推测参数进行数据融合处理，得到用户属性数据对应的数据融合属性值；

产品推荐模块40，用于将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，得到用户推荐信息。

作为本发明的一个实施例，属性聚类包括数值属性、标称属性、日期属性及字符串属性。

作为本发明的一个实施例，如图7所示，推测参数模块20包括：

标准差单元21，用于根据用户属性数据，确定用户属性数据对应的标准差、均差及标称量；

过滤处理单元22，用于根据用户属性数据对应的标准差、均差及标称量，利用卡尔曼滤波算法对所述用户属性数据进行过滤处理，得到所述用户属性数据对应的推测参数。

作为本发明的一个实施例，如图8所示，产品推荐模块40包括：

属性值单元41，用于将用户属性数据对应的数据融合属性值与预设的产品属性阈值进行比对，确定用户属性数据对应的产品；

产品推荐单元42，用于根据所述用户属性数据对应的产品，得到所述用户推荐信息。

基于与上述一种智能推荐方法相同的申请构思，本发明还提供了上述一种智能推荐装置。由于该一种智能推荐装置解决问题的原理与一种智能推荐方法相似，因此该一种智能推荐装置的实施可以参见一种智能推荐方法的实施，重复之处不再赘述。

本发明通过对用户属性数据进行滤波等数据处理，由此实现更加精确的数据要素分类和数据融合，有针对性地对用户进行产品推荐，能够增加产品的购买成功率和交易量，节省人力资源，满足用户个性化需求。

本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。

本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

如图9所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图9中所示的所有部件；此外，电子设备600还可以包括图9中没有示出的部件，可以参考现有技术。

如图9所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。