智能推薦銀行產品的方法、裝置、存儲介質及計算機設備與流程
1.本技術涉及人工智能領域，尤其涉及一種智能推薦銀行產品的方法、裝置、存儲介質及計算機設備。
背景技術：
2.隨著大數據和人工智能等新興技術的涌現，新的保險產品和服務不斷產生，用戶對于新的保險產品和服務的決策流程和思維方式也愈發智慧。相對于銀行傳統的產品驅動模式，新環境下的銀行保險拓展業務必將朝著定制化和智能化方向發展，這對銀行而言既是機遇又是挑戰。例如，雖然經驗表明準用戶的轉化成本遠低于獲取新用戶的成本，但由于銀行對于準用戶的信息掌握較少，分析手段也比較有限，因此往往無法對準用戶進行有效轉化。
3.在互聯網快速發展和大數據技術深入應用的過程中，各行各業積累了大量的海量數據，此時主觀分析預測用戶的購買意愿難以進行。因此，相關技術中可以利用大數據技術有效提升營銷時機的精準性，形成大數據分析配合人工針對性服務的模式。具體來說，相關技術中可以通過構建深度學習預測模型來避免人為情緒等主觀因素的干擾。深度學習模型具有強大的數據處理能力和信息挖掘能力，采用計算機進行自動分析，響應迅速。
4.然而，采用大數據技術雖然能夠幫助銀行細分并洞察現有用戶，精準了解其關鍵需求，建立預測模型，但基于大數據技術建立的常規深度學習預測模型通常通過深度神經網絡直接學習原始數據與將要預測的購買意愿之間的映射，學習過程為黑箱，缺乏可解釋性，預測結果存在不可靠的風險，從而可能導致銀行對準用戶的轉化失敗，影響用戶體驗。
技術實現要素：
5.有鑒于此，本技術提出了一種智能推薦銀行產品的方法及其相關設備，能夠增強購買意愿值預測過程中的安全性，進一步提升銀行產品預測的精準度，改善目標用戶的購買體驗，同時節約人力成本。
6.根據本技術的一方面，提供了一種智能推薦銀行產品的方法，所述智能推薦銀行產品的方法包括：獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；根據所述購買意愿值向目標用戶推薦所述目標銀行產品。
7.根據本技術的另一方面，提供了一種銀行產品智能推薦裝置，包括：數據獲取模塊，用于獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；標簽生成模塊，用于對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；畫像
構建模塊，用于根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；預測模塊，用于基于貝葉斯模型，結合所述用戶畫像預測各用戶對于所述目標銀行產品的購買意愿值；推薦模塊，用于根據所述購買意愿值向目標用戶推薦所述目標銀行產品。
8.在本技術的一些實施例中，還可以提供一種計算機設備，包括存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執行所述計算機程序時實現如上所述方法的步驟。
9.在本技術的一些實施例中，還可以提供一種計算機可讀存儲介質，其上存儲有計算機程序，當計算機程序在計算機上運行時，使得所述計算機執行如如上所述方法的步驟。
10.通過對目標銀行產品在預設歷史時間范圍內的用戶數據進行分類處理，生成多維度的用戶標簽，接著構建對應的至少一個業務場景的用戶畫像，進而基于貝葉斯模型結合用戶畫像預測各用戶在目標時間范圍內對于目標銀行產品的購買意愿值，最終根據購買意愿值向目標用戶推薦目標銀行產品，根據本技術的各方面能夠增強購買意愿值預測過程中的安全性，進一步提升銀行產品預測的精準度，改善目標用戶的購買體驗，同時節約人力成本。
附圖說明
11.為了更清楚地說明本技術實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本技術的一些實施例，對于本領域技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
12.圖1示出本技術實施例的智能推薦銀行產品的方法的應用環境示意圖。
13.圖2示出本技術實施例的智能推薦銀行產品的方法的流程示意圖。
14.圖3示出本技術實施例的貝葉斯模型的示意圖。
15.圖4示出本技術實施例的貝葉斯神經網絡的示意圖。
16.圖5示出本技術實施例的銀行產品智能推薦裝置的示意圖。
17.圖6示出本技術實施例的計算機設備的結構示意圖。
具體實施方式
18.下面將結合本技術實施例中的附圖，對本技術實施例中的技術方案進行清楚、完整地描述。顯然，所描述的實施例僅是本技術一部分實施例，而不是全部的實施例。基于本技術中的實施例，本領域技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本技術保護的范圍。
19.本技術提供的智能推薦銀行產品的方法，可以應用于如圖1所示的應用環境中。其中，終端101可通過網絡與服務器102進行通信。具體的，服務器102可以獲取數據庫中的用戶數據，銀行人員可以通過終端101進行操作，通過終端101發送用戶數據至服務器102，服務器102響應于該用戶數據，對用戶數據進行分類處理，生成與各用戶分別對應的多維度的用戶標簽，然后根據用戶標簽構建與各用戶分別對應的至少一個業務場景的用戶畫像，進而基于貝葉斯模型結合用戶畫像預測各用戶對于所述目標銀行產品的購買意愿值，最終根
據購買意愿值來向目標用戶推薦目標銀行產品。
20.其中，終端101可以為個人計算機、筆記本電腦、智能手機、平板電腦等終端設備，也可以為便攜式可穿戴設備、智能電視或其他智能終端。
21.服務器102可以是獨立的物理服務器，也可以是多個物理服務器構成的服務器集或者分布式系統，還可以是提供云服務、云數據庫、云計算、云函數、云存儲、網絡服務、云通信、中間件服務、域名服務、安全服務、內容分發網絡(content delivery network，cdn)以及大數據和人工智能平臺等基礎云計算服務的云服務器。
22.以下分別進行詳細說明。需說明的是，以下實施例的描述順序不作為對實施例優選順序的限定。
23.具體的，如圖2所示，示出了本技術實施例的智能推薦銀行產品的方法的流程示意圖，以該方法應用于圖1中的服務器為例進行說明，所述方法可包括：
24.步驟s1：獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；
25.其中，所述用戶數據可包括與各用戶相關的靜態基礎數據。所述靜態基礎數據可包括用戶的基本信息，例如姓名、年齡、職業、位置以及身份證號等信息。所述交易流水數據可包括交易時間、交易對象、交易金額、交易附言、交易事項等信息。例如，交易事項可以是存款業務，相應的交易對象為與存款業務有關的銀行產品。在所述交易流水數據中，銀行產品可以進一步細分，與銀行產品有關的產品名稱、產品編號、適用范圍等信息均可以預先獲取。
26.需要說明的是，所述交易流水數據可以是所述用戶數據中的動態行為數據的一部分。所述動態行為數據還可以包括諸如用戶在使用銀行自身開發的應用程序時的瀏覽數據等信息。所述歷史時間范圍可以根據需要進行預先設置，本技術并不限定。
27.步驟s2：對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；
28.具體的，可以基于自然語言處理(natural language understanding，nlu)以及文本聚類來對所述用戶數據進行分類處理，從而生成與所述各用戶分別對應的多維度的用戶標簽。可以理解，自然語言處理以及文本聚類可以有多種實現方式，本技術對于自然語言處理以及文本聚類如何實現并不限定。
29.進一步地，對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽，可包括：
30.步驟s21：對所述用戶數據進行預處理，得到預處理后的用戶數據；
31.具體的，所述預處理可包括數據集完整性的驗證、數據集中缺失值的填充、數據集中各特征數值的歸一化、無用數據的過濾以及無行為交互的產品和用戶的去除等。在實際應用中，所述用戶數據中會出現部分數據屬性的缺失以及不確定的情況，因此可以先驗證所述用戶數據的完整性。在所述用戶數據不完整的情況下，可以對數據集中缺失值進行填充，填充值可根據需要進行選擇。接著可以進行去重處理，將無用的數據過濾掉，同時也可以去除無行為交互的產品和用戶。為了解決不同類型的數據的不一致性，可進一步對數據集中各特征數據進行歸一化，利用歸一化的用戶數據進行進一步處理。可以理解，所述預處理的各個具體步驟可根據實際需要設置，本技術對于預處理的順序并不限定。
32.步驟s22：根據所述預處理后的用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽，所述用戶標簽的維度至少包括標簽主題、標簽來源以及標簽屬性。
33.在本技術中，所述用戶標簽可包括多個維度，不同維度的用戶標簽劃分標準可以根據需要進行設定。本領域技術人員應當理解的是，所述用戶標簽的維度也不限于已有的描述內容，可以根據需要對所述用戶標簽的維度進行調整。
34.在一個示例中，所述用戶標簽可以按照標簽主題維度進行分類。例如，可以采用直觀以及描述性的思路來分解用戶屬性，得到標簽內容反映的主題信息，進而歸納用戶標簽的主題。歸納后的用戶標簽的主題可包括用戶情況、產品持有、用戶互動以及用戶管理等。
35.進一步地，所述用戶標簽可以按照標簽來源維度進行分類。例如，不同類型的用戶標簽可能來源不同，部分用戶標簽可能來源于銀行內部，部分用戶標簽可能來源于銀行外部的數據。不同來源的用戶標簽在實際使用時也有所區別。來源于銀行內部的用戶標簽可以直接用于標簽內容的描述、加工或再加工過程，而來源于銀行外部的用戶標簽可能需要進行進一步處理再用于標簽內容的描述、加工或再加工過程。基于不同來源的標簽能否直接用于標簽內容的描述或者加工與再加工過程，用戶標簽可包括客觀事實類標簽、統計分析類標簽以及評價預測類標簽。客觀事實類標簽可以是直接根據已有信息所產生的標簽，統計分析類標簽可以是對已有標簽進行統計歸納后產生的標簽，評價預測類標簽可以是在已有標簽的基礎上預測的未來時刻的用戶標簽。
36.進一步地，所述用戶標簽還可以按照標簽屬性維度進行分類。具體來說，可以按照所述用戶標簽的屬性是否隨時間推移而變動將用戶標簽劃分為靜態標簽以及動態標簽。所述靜態標簽可包括用戶行業類型、用戶規模、用戶注冊資本等不隨時間變化的信息，所述動態標簽可包括購買銀行產品的渠道偏好、持有產品的數量特征等隨時間經常變動的信息。
37.通過從不同的數據維度對用戶標簽進行劃分，本技術實施例能夠基于結構化分析來進一步構建用戶畫像，同時避免產生無用數據干擾分析過程，提升用戶畫像的精準度和構建效率，從而為銀行業務需求的最終實現提供有效支撐。
38.步驟s3：根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；
39.具體的，可以利用自然語言處理以及聚類對所述交易流水數據以及用戶數據進行標簽分類，得到多個維度的用戶標簽，然后為多個維度的用戶標簽設置相應的權重，根據不同維度的用戶標簽以及用戶標簽對應的權重來構建用戶畫像。
40.在本技術中，每個用戶可以對應構建有一個用戶畫像，該用戶畫像可以與至少一個業務場景相關聯。例如，用戶a多次購買旅游險，此時該用戶對應的用戶畫像中含有“旅游險”這個標簽，業務場景為“旅游”。在另一個場景中，用戶a也購買車險，因此該用戶對應的用戶畫像中也含有“車險”這個標簽，業務場景為“汽車”。同一個用戶畫像可以對應一個業務場景，也可以對應多個業務場景。具體的業務場景可以在利用貝葉斯模型預測前預先選定，本技術并不限定。
41.需要說明的是，對于一個固定的用戶，該用戶被打上多個不同的標簽時即形成了對應于該用戶的用戶畫像，然后根據用戶畫像可以構建用戶畫像模型，以使具備某種特定用戶畫像的用戶經過該用戶畫像模型時可被快速準確識別。對于各類數據都非常齊全的用戶，也可以得到更加精細的用戶深層畫像，結合其購買意愿值向用戶推薦個性化的保險產
品，提高產品推薦的響應率和成功率。
42.進一步地，所述用戶畫像可以根據用戶標簽的動態變化即時更新。在本技術中，部分用戶標簽可以是靜態的，部分用戶標簽可以是動態的。動態的用戶標簽可用戶監控對應的標簽數據的變化情況。示例性的，可以通過設置多個監控點等方式，識別用戶對銀行產品和交易的反饋以及行為變動特征，檢測動態標簽的變化情況，進而保持用戶畫像的即時更新，增強用戶畫像應用的有效性。
43.值得注意的是，在本技術中，對于業務場景較為簡單的情形，在用戶畫像完成構建后，可以利用用戶畫像中的用戶標簽進行全面的產品推廣，并結合對應用戶的實際情況，進一步完善用戶畫像，以進行更加精準的銀行產品的營銷。
44.步驟s4：基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；
45.其中，所述購買意愿值可以表征各用戶對于目標銀行產品的購買需求程度的量化。示例性的，以自然數0表示用戶無購買意愿，以自然數1表示用戶有強烈的購買意愿，則所述購買意愿值可以位于0和1之間。所述目標時間范圍可以包括當前或未來的某個時刻。
46.圖3示出本技術實施例的貝葉斯模型的示意圖。如圖3所示，示例性的，本技術的貝葉斯模型的訓練數據可以是(x1，y1)...(xn，yn)，表示一組訓練參數。x
1-xn可以表示n個模型訓練的輸入，可包括用戶的靜態基礎數據以及交易流水數據，y
1-yn分別表示與各輸入對應的輸出，可表示用戶在歷史時間范圍內的購買意愿值。例如，2018年-2021年每年10月用戶經常購買旅游保險產品，則可以根據該用戶在2018年-2021年期間的交易流水數據以及靜態基礎數據，可確定該用戶在2018年-2021年每年10月的購買意愿值均為1。所述訓練數據可以被輸入至貝葉斯模型中進行訓練，預測用戶在未來時刻對于目標銀行產品的購買意愿值，并根據用戶數據的動態變化不斷對貝葉斯模型進行修正。
47.進一步地，基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：
48.步驟s41：基于貝葉斯模型，對所述用戶畫像中對應所述目標銀行產品的關聯標簽進行學習訓練，得到多個第一模型參數的概率分布；
49.例如，在圖3中，貝葉斯模型的輸出可以是f
θi
(.)，其中f可表示從訓練數據至預測的購買意愿值的映射。第一模型參數θ可以從訓練數據(x1，y1)...(xn，yn)中學習得到。值得注意的是，圖3的貝葉斯模型的輸出可以是一組映射，例如f
θi
(.)可表示第i個購買意愿值，i為自然數。對于每個貝葉斯模型的參數，存在一定的發生概率，該概率可以用p(θ)來表示。也就是說，本技術的貝葉斯模型的第i個輸出對應的第i個參數θi與p(θ)可存在映射關系，除了輸出購買意愿值外，所述貝葉斯模型還可以輸出第一模型參數的概率分布。
50.步驟s42：基于所述多個第一模型參數的概率分布預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。
51.相比于現有的深度學習模型僅通過從訓練數據(x1，y1)...(xn，yn)中學習得到參數為θ的模型，即f
θ
(.)來預測用戶的購買意愿而言，本技術實施例不僅輸出預測的購買意愿值，而且也輸出貝葉斯模型參數的概率分布。因此，本技術實施例的貝葉斯模型相當于現有技術的一組模型對購買意愿值進行預測，具有集成學習的優勢，能夠提升購買意愿值預測的準確性。
52.進一步地，基于所述多個第一模型參數的概率分布預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：
53.步驟s421：通過變分推斷方法，利用高斯分布逼近所述貝葉斯模型的后驗分布，得到估算分布；
54.其中，所述變分推斷方法也稱變分推理方法。能夠用于估計任意密度的函數。在實際應用中，可選擇高斯分布來逼近所述貝葉斯模型的后驗分布，進而得到對應于目標函數的估算分布。
55.步驟s422：對所述估算分布以及所述多個第一模型參數的概率分布之間的kl散度進行計算，得到最小化后的kl散度；
56.具體的，在處理貝葉斯模型的損失函數的過程中，由于損失函數涉及依賴于分布逼近，因此本技術實施例采用變分推斷的方法來最小化損失函數。具體的，kullback-liebler(kl)散度也稱相對熵，可用于衡量不同分布之間的距離。所述貝葉斯模型的損失函數可以用如下公式表示：
[0057][0058]
其中，θ’可表示變分參數，p(θ’|d)可表示概率分布，q(θ’|μ，σ)可表示估算分布，μ、σ均可以是最小化過程中的參數，可根據需要進行調整，d表示定義概率分布的參數總數。
[0059]
步驟s423：基于所述最小化后的kl散度預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。
[0060]
通過最小化所述估算分布以及所述多個第一模型參數的概率分布之間的kl散度，進而最小化損失函數，本技術實施例能夠進一步提升貝葉斯模型預測的精準度。
[0061]
進一步地，基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，還包括：
[0062]
步驟s431：通過超參數搜素或網格搜索，得到對應于所述貝葉斯模型的優化后的第二模型參數；
[0063]
具體的，在對貝葉斯模型進行交叉驗證的基礎上，可以通過超參數搜索方法或網格搜索方法來調整貝葉斯模型中的超參數，從而得到最佳的超參數集，以增強貝葉斯模型的穩定性。所述第二模型參數可包括所述超參數。在實際應用中，可通過初始化貝葉斯網絡(bayesian network)參數得到初始化的訓練器clf，然后使用clf.fit()函數對訓練集進行學習，并生成用于訓練的clf實例。
[0064]
步驟s432：利用所述第二模型參數對所述貝葉斯模型輸入的所述用戶數據進行學習，得到多個歷史購買意愿值；
[0065]
其中，所述多個歷史購買意愿值可以為一組購買意愿值，對應于附圖3中的f
θi
(.)。在所述多個歷史購買意愿值的基礎上，可以預測各用戶在未來的目標時間范圍內對于所述目標銀行產品的購買意愿值。
[0066]
步驟s433：基于所述多個歷史購買意愿值以及所述多個第一模型參數的概率分布，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。
[0067]
具體的，可使用clf.predict()以及clf.predict_proba()函數對測試集數據進行處理，然后預測用戶在目標時間范圍內對于目標銀行產品購買的概率值以及不確信度，
然后再根據用戶在目標時間范圍內對于目標銀行產品購買的概率值以及不確信度預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。
[0068]
需要說明的是，在利用貝葉斯模型進行預測后，可對預測結果進行進步一步評估。例如，可以通過學習后的訓練器對測試集進行預測，并得到購買概率與預測的不確定性，然后通過準確率、混淆矩陣、感受性(receiver operating characteristic，roc)曲線、穩定性指標(population stability index，psi)評價模型中的至少一種貝葉斯模型的預測結果進行評價。在本技術中，可以采用方差來衡量貝葉斯模型對于購買意愿值預測的不確定性。
[0069]
進一步地，基于所述多個歷史購買意愿值以及所述多個第一模型參數的概率分布，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：
[0070]
步驟s4331：基于所述多個歷史購買意愿值，計算對應于所述貝葉斯模型的當前方差；
[0071]
具體的，可以根據所述貝葉斯模型的一組預測結果，計算當前方差，從而衡量貝葉斯模型對于購買意愿值預測的不確定性，計算方差的公式如下：
[0072][0073]
其中，f
θ
(x)可表示貝葉斯模型的預測結果，eq(θ)可表示與第一模型參數θ有關的均值。值得注意的是，預測結果可以有多個，形成行列式的形式，在取均值前，可以用矩陣和其轉置相乘來得到當前的方差。
[0074]
步驟s4332：判斷所述當前方差是否超過預設的方差閾值；
[0075]
其中，所述方差閾值可以預先設置。所述方差閾值也可以根據后期的預測反饋結果進行更新修正，本技術對于方差閾值的大小并不限定。
[0076]
步驟s4333：若所述當前方差不超過所述方差閾值，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；若所述當前方差超過所述方差閾值，重新調整所述貝葉斯模型的權重參數。
[0077]
其中，貝葉斯模型可基于貝葉斯神經網絡進行實現。貝葉斯神經網絡與普通的神經網絡的不同之處在于，貝葉斯神經網絡的權重參數是隨機變量，而非確定的值。
[0078]
圖4示出本技術實施例的貝葉斯神經網絡的示意圖。如圖4所示，x表示輸入層，y表示輸出層，z1和z2均為貝葉斯神經網絡的中間層。θ1、θ2、θ3可以是在神經網絡訓練過程中為對應的用戶畫像中的用戶標簽所賦予的權重參數。這些權重參數均可以基于概率動態變化。所述權重參數通過概率建模和神經網絡結合起來，能夠給出預測結果的置信度，其先驗也可以用于描述關鍵參數，并作為神經網絡的輸入。
[0079]
通過根據貝葉斯模型的一組預測結果計算當前方差來分析預測的不確定性，再結合用戶畫像，本技術實施例能夠提供更加具有針對性的精準營銷。
[0080]
步驟s5：根據所述購買意愿值向目標用戶推薦所述目標銀行產品。
[0081]
具體的，根據所述購買意愿值向目標用戶推薦所述目標銀行產品，可包括：
[0082]
步驟s51：將所述購買意愿值與預設的購買意愿閾值進行比較，并根據比較結果生成目標用戶白名單；
[0083]
在一個示例中，所述預設的購買意愿閾值可以為0.8，通過貝葉斯模型得到用戶a
在未來的2023年購買旅游保險產品的概率為1，大于購買意愿閾值，因此可以確定該用戶為對應于旅游保險產品的高購買意愿用戶，并將該用戶加入對應的目標用戶白名單。所述目標用戶白名單可以根據不同的應用場景進行進一步細分，本技術并不限定白名單的具體內容。
[0084]
步驟s52：根據所述目標用戶白名單向目標用戶推薦所述目標銀行產品。
[0085]
例如，銀行的用戶經理獲得目標用戶白名單中的高意愿用戶后，即可根據該白名單選擇營銷對象和營銷時機，開展加保營銷或將潛在保險用戶轉變為現實保險用戶的業務。在實際應用中，還可以向線下人員下發所述白名單，并進一步分析。此外，還可以將用戶的響應和反饋情況記錄至數據系統中，以用于用戶標簽維護更新。
[0086]
綜上，借助數據平臺的幫助，本技術實施例可以根據用戶數據，結合貝葉斯模型預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，進而向目標用戶更加精準的推薦所述目標銀行產品。一方面，銀行產品的精準營銷能夠根據用戶的各類習慣預測其行為模式，提高所述目標銀行產品的銷售成功率。另一方面，與傳統的上門營銷、電話營銷甚至是掃街營銷等方式相比，銀行產品的精準營銷可節約大量的人力物力、提高營銷精準程度，節約了大量的營銷成本。再者，通過精準分析用戶需求，主動向潛在用戶或目標用戶推送各類針對性的保險信息，推送、拜訪、配置權益活動等方式，喚醒沉睡用戶，能夠增加用戶粘性，營銷效率更高。此外，相比于一般的深度學習方法，本技術在貝葉斯推斷框架下設計，繼承了貝葉斯統計理論的可解釋性，更加安全可靠。
[0087]
為了更好地實施以上方法，相應的，本技術實施例還提供一種銀行產品智能推薦裝置，該銀行產品智能推薦裝置具體集成在終端或服務器中。
[0088]
圖5示出本技術實施例的銀行產品智能推薦裝置的示意圖。參考圖5，該裝置包括：
[0089]
數據獲取模塊51，用于獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；
[0090]
標簽生成模塊52，用于對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；
[0091]
畫像構建模塊53，用于根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；
[0092]
預測模塊54，用于基于貝葉斯模型，結合所述用戶畫像預測各用戶對于所述目標銀行產品的購買意愿值；
[0093]
推薦模塊55，用于根據所述購買意愿值向目標用戶推薦所述目標銀行產品。
[0094]
此外，本技術實施例還提供一種計算機設備，該計算機設備可以為終端或者服務器，如圖6所示，其示出了本技術實施例所涉及的計算機設備的結構示意圖，具體來講：
[0095]
該計算機設備可以包括一個或者一個以上處理核心的處理器401、一個或一個以上計算機可讀存儲介質的存儲器402、電源403和輸入單元404等部件。本領域技術人員可以理解，圖6中示出的計算機設備結構并不構成對計算機設備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。其中：
[0096]
處理器401是該計算機設備的控制中心，利用各種接口和線路連接整個計算機設備的各個部分，通過運行或執行存儲在存儲器402內的軟件程序和/或模塊，以及調用存儲
在存儲器402內的數據，執行計算機設備的各種功能和處理數據，從而對計算機設備進行整體監控。可選的，處理器401可包括一個或多個處理核心；優選的，處理器401可集成應用處理器和調制解調處理器，其中，應用處理器主要處理操作系統、用戶界面和應用程序等，調制解調處理器主要處理無線通信。可以理解的是，上述調制解調處理器也可以不集成到處理器401中。
[0097]
存儲器402可用于存儲軟件程序以及模塊，處理器401通過運行存儲在存儲器402的軟件程序以及模塊，從而執行各種功能應用以及數據處理。存儲器402可主要包括存儲程序區和存儲數據區，其中，存儲程序區可存儲操作系統、至少一個功能所需的應用程序等；存儲數據區可存儲根據計算機設備的使用所創建的數據等。此外，存儲器402可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他易失性固態存儲器件。相應地，存儲器402還可以包括存儲器控制器，以提供處理器401對存儲器402的訪問。
[0098]
計算機設備還包括給各個部件供電的電源403，優選的，電源403可以通過電源管理系統與處理器401邏輯相連，從而通過電源管理系統實現管理充電、放電、以及功耗管理等功能。電源403還可以包括一個或一個以上的直流或交流電源、再充電系統、電源故障檢測電路、電源轉換器或者逆變器、電源狀態指示器等任意組件。
[0099]
該計算機設備還可包括輸入單元404，該輸入單元404可用于接收輸入的數字或字符信息，以及產生與用戶設置以及功能控制有關的鍵盤、鼠標、操作桿、光學或者軌跡球信號輸入。
[0100]
盡管未示出，計算機設備還可以包括顯示單元等，在此不再贅述。具體在本實施例中，計算機設備中的處理器401會按照如下的指令，將一個或一個以上的應用程序的進程對應的可執行文件加載到存儲器402中，并由處理器401來運行存儲在存儲器402中的應用程序，從而實現各種功能，如下：
[0101]
步驟s1：獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；
[0102]
步驟s2：對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；
[0103]
步驟s3：根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；
[0104]
步驟s4：基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；
[0105]
步驟s5：根據所述購買意愿值向目標用戶推薦所述目標銀行產品。
[0106]
以上各個操作的具體實施可參見前面的實施例，在此不再贅述。
[0107]
本領域普通技術人員可以理解，上述實施例的各種方法中的全部或部分步驟可以通過指令來完成，或通過指令控制相關的硬件來完成，該指令可以存儲于一計算機可讀存儲介質中，并由處理器進行加載和執行。
[0108]
為此，本技術實施例還提供一種計算機可讀存儲介質，其中存儲有多條指令，該指令能夠被處理器進行加載，以執行本技術實施例中的各種可選實現方式中提供的方法。
[0109]
根據本技術的一個方面，還提供了一種計算機程序產品或計算機程序，該計算機
程序產品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質中。計算機設備的處理器從計算機可讀存儲介質讀取該計算機指令，處理器執行該計算機指令，使得該計算機設備執行上述實施例中的各種可選實現方式中提供的方法。
[0110]
以上各個操作的具體實施可參見前面的實施例，在此不再贅述。
[0111]
其中，該存儲介質可以包括：只讀存儲器(rom，read only memory)、隨機存取記憶體(ram，random access memory)、磁盤或光盤等。
[0112]
由于該存儲介質中所存儲的指令，可以執行本技術實施例所提供的方法中的步驟，因此，可以實現本技術實施例所提供的方法所能實現的有益效果，詳見前面的實施例，在此不再贅述。
[0113]
以上對本技術實施例所提供的智能推薦銀行產品的方法、裝置、計算機設備和存儲介質進行了詳細介紹，本文中應用了具體個例對本技術的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本技術的方法及其核心思想；同時，對于本領域的技術人員，依據本技術的思想，在具體實施方式及應用范圍上均會有改變之處，綜上，本說明書內容不應理解為對本技術的限制。
技術特征：
1.一種智能推薦銀行產品的方法，其特征在于，所述方法包括：獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；根據所述購買意愿值向目標用戶推薦所述目標銀行產品。2.根據權利要求1所述的智能推薦銀行產品的方法，其特征在于，基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：基于貝葉斯模型，對所述用戶畫像中對應所述目標銀行產品的關聯標簽進行學習訓練，得到多個第一模型參數的概率分布；基于所述多個第一模型參數的概率分布預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。3.根據權利要求2所述的智能推薦銀行產品的方法，其特征在于，基于所述多個第一模型參數的概率分布預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：通過變分推斷方法，利用高斯分布逼近所述貝葉斯模型的后驗分布，得到估算分布；對所述估算分布以及所述多個第一模型參數的概率分布之間的kl散度進行計算，得到最小化后的kl散度；基于所述最小化后的kl散度預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。4.根據權利要求2所述的智能推薦銀行產品的方法，其特征在于，基于貝葉斯模型，結合所述用戶畫像預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，還包括：通過超參數搜素或網格搜索，得到對應于所述貝葉斯模型的優化后的第二模型參數；利用所述第二模型參數對所述貝葉斯模型輸入的所述用戶數據進行學習，得到多個歷史購買意愿值；基于所述多個歷史購買意愿值以及所述多個第一模型參數的概率分布，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值。5.根據權利要求4所述的智能推薦銀行產品的方法，其特征在于，基于所述多個歷史購買意愿值以及所述多個第一模型參數的概率分布，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值，包括：基于所述多個歷史購買意愿值，計算對應于所述貝葉斯模型的當前方差；判斷所述當前方差是否超過預設的方差閾值；若所述當前方差不超過所述方差閾值，預測各用戶在目標時間范圍內對于所述目標銀行產品的購買意愿值；若所述當前方差超過所述方差閾值，重新調整所述貝葉斯模型的權重參數。
6.根據權利要求1所述的智能推薦銀行產品的方法，其特征在于，對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽，包括：對所述用戶數據進行預處理，得到預處理后的用戶數據；根據所述預處理后的用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽，所述用戶標簽的維度至少包括標簽主題、標簽來源以及標簽屬性。7.根據權利要求1所述的智能推薦銀行產品的方法，其特征在于，根據所述購買意愿值向目標用戶推薦所述目標銀行產品，包括：將所述購買意愿值與預設的購買意愿閾值進行比較，并根據比較結果生成目標用戶白名單；根據所述目標用戶白名單向目標用戶推薦所述目標銀行產品。8.一種銀行產品智能推薦裝置，其特征在于，包括：數據獲取模塊，用于獲取目標銀行產品在預設歷史時間范圍內的用戶數據，所述用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；標簽生成模塊，用于對所述用戶數據進行分類處理，生成與所述各用戶分別對應的多維度的用戶標簽；畫像構建模塊，用于根據所述用戶標簽，構建與所述各用戶分別對應的至少一個業務場景的用戶畫像；預測模塊，用于基于貝葉斯模型，結合所述用戶畫像預測各用戶對于所述目標銀行產品的購買意愿值；推薦模塊，用于根據所述購買意愿值向目標用戶推薦所述目標銀行產品。9.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執行所述計算機程序時實現如權利要求1至7中任一項所述方法的步驟。10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，當計算機程序在計算機上運行時，使得所述計算機執行如權利要求1至7中任一項所述方法的步驟。
技術總結
本申請涉及一種智能推薦銀行產品的方法、裝置、存儲介質及計算機設備，該方法包括：獲取目標銀行產品在預設歷史時間范圍內的用戶數據，用戶數據包括與各用戶相關的靜態基礎數據以及各用戶在交易過程中形成的交易流水數據；對用戶數據進行分類處理，生成多維度的用戶標簽；根據用戶標簽構建至少一個業務場景的用戶畫像；基于貝葉斯模型，結合用戶畫像預測各用戶在目標時間范圍內對于目標銀行產品的購買意愿值；根據購買意愿值向目標用戶推薦目標銀行產品。本申請通過利用貝葉斯模型和用戶畫像預測用戶的購買意愿值，能夠增強購買意愿值預測過程中的安全性，進一步提升銀行產品預測的精準度，改善目標用戶的購買體驗，同時節約人力成本。力成本。力成本。
