信息推荐方法、信息推荐装置、电子设备及可读存储介质制造方法及图纸

本公开实施例提供了一种信息推荐方法、信息推荐装置、电子设备及可读存储介质。该方法包括：获取目标用户的目标金融行为信息，其中，目标用户的目标金融行为信息包括以下至少一项：目标用户的用户流水信息、用户风险评估信息和金融产品信息；将目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；根据多个推荐得分，从多个候选金融信息中确定目标金融信息；以及向目标用户推荐目标金融信息。本公开实施例提供的信息推荐方法和装置可用于金融领域或其他领域。

【技术实现步骤摘要】
信息推荐方法、信息推荐装置、电子设备及可读存储介质
本公开实施例涉及人工智能
，更具体地，涉及一种信息推荐方法、信息推荐装置、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
随着金融产业的快速发展，目前金融机构会将一些待推广的金融信息推荐给各个用户。在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题，采用相关技术难以实现个性化的金融信息推荐。
技术实现思路
有鉴于此，本公开实施例提供了一种信息推荐方法、信息推荐装置、电子设备、计算机可读存储介质及计算机程序产品。本公开实施例的一个方面提供了一种信息推荐方法，包括：获取目标用户的目标金融行为信息，其中，上述目标用户的目标金融行为信息包括以下至少一项：上述目标用户的用户流水信息、用户风险评估信息和金融产品信息；将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息；以及向上述目标用户推荐上述目标金融信息。根据本公开的实施例，上述获取目标用户的目标金融行为信息，包括：获取上述目标用户的原始金融行为信息；确定上述原始金融行为信息中与用户隐私相关的用户敏感信息；利用数据脱敏方法处理上述用户敏感信息，得到处理后的用户敏感信息；以及根据上述原始金融行为信息和上述处理后的用户敏感信息，确定上述目标金融行为信息。根据本公开的实施例，上述信息推荐模型包括点击率模型和收益模型，其中，上述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，上述收益模型是利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到的。根据本公开的实施例，上述将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分，包括：将上述目标用户的目标金融行为信息输入上述点击率模型，输出针对上述多个候选金融信息中的每个候选金融信息的点击率；将上述目标用户的目标金融行为信息输入上述收益模型，输出针对上述多个候选金融信息中的每个候选金融信息的效益；以及根据上述多个候选金融信息中的每个候选金融信息的点击率和效益，确定针对上述候选金融信息的推荐得分。根据本公开的实施例，上述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，包括：获取第一训练样本，其中，上述第一训练样本包括多个正样本和多个负样本，每个上述正样本包括样本用户的目标金融行为信息和上述样本用户针对样本产品的真实点击率，每个上述负样本包括上述样本用户的目标训练金融行为信息和上述样本用户针对上述样本产品的真实展示信息，上述样本用户的目标训练金融行为信息包括上述样本用户的用户流水信息、用户风险评估信息和金融产品信息；将上述多个正样本中的每个正样本所包括的样本用户的用户流水信息输入上述第一长短期记忆神经网络模型，输出第一向量；将上述多个正样本中的每个正样本所包括的样本用户的用户风险评估信息和金融产品信息输入上述第一深度神经网络模型，输出第二向量；将上述第二向量和上述第二向量进行拼接，得到第三向量；将上述第三向量输入上述第一神经网络模型，输出上述正样本所包括的上述样本用户针对上述样本产品的预测点击率；将上述多个负样本中的每个负样本所包括的样本用户的用户流水信息输入上述第一长短期记忆神经网络模型，输出第四向量；将上述多个负样本中的每个负样本所包括的样本用户的用户风险评估信息和金融产品信息输入上述第一深度神经网络模型，输出第五向量；将上述第四向量和上述第五向量进行拼接，得到第六向量；将上述第六向量输入上述第一神经网络模型，输出上述负样本所包括的上述样本用户针对上述样本产品的预测展示信息；以及根据多个上述真实点击率、多个上述预测点击率、多个上述真实展示信息和多个上述预测展示信息训练上述第一长短期记忆神经网络模型、上述第一深度神经网络模型和上述第一神经网络模型，得到上述点击率模型。根据本公开的实施例，上述收益模型是利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到的，包括：获取第二训练样本，其中，上述第二训练样本包括多个训练组，每个上述训练组包括上述样本用户的目标金融行为信息和上述样本用户针对样本产品的真实效益，上述样本用户的目标训练金融行为信息包括上述样本用户的用户流水信息、用户风险评估信息和金融产品信息；将上述多个训练组的每个训练组所包括的样本用户的用户流水信息输入上述第二长短期记忆神经网络模型，输出第七向量；将上述多个训练组中的每个训练组所包括的样本用户的用户风险评估信息和金融产品信息输入上述第二深度神经网络模型，输出第八向量；将上述第七向量和上述第八向量进行拼接，得到第九向量；将上述第九向量输入上述第二神经网络模型，输出上述训练组所包括的上述样本用户针对上述样本产品的预测效益；以及根据多个上述真实效益和多个上述预测效益训练上述第二长短期记忆神经网络模型、上述第二深度神经网络模型和上述第二神经网络模型，得到上述收益模型。根据本公开的实施例，上述根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息，包括：对多个上述推荐得分进行排序，得到排序结果；以及根据上述排序结果，从上述多个候选金融信息中确定上述目标金融信息。根据本公开的实施例，上述用户流水信息包括以下至少一项：预设时间段内的交易的交易时间、交易金额和交易性质；上述金融产品信息包括以下至少一项：金融产品的风险等级、基金经理、资产规模、买入周期和赎回周期。根据本公开的实施例，上述信息推荐模型是利用联邦学习框架进行训练得到的。本公开实施例的另一个方面提供了一种信息推荐装置，包括获取模块、输出模块、确定模块和推荐模块。其中，获取模块，用于获取目标用户的目标金融行为信息，其中，上述目标用户的目标金融行为信息包括以下至少一项：上述目标用户的用户流水信息、用户风险评估信息和金融产品信息；输出模块，用于将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；确定模块，用于根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息；以及推荐模块，用于向上述目标用户推荐上述目标金融信息。本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。本公开实施例的另一个方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。根据本公开的实施例，通过利用信息推荐模型处理目标用户的目标金融行为，得到多个候选金融信息中的每个候选金融信息的推荐得分，本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，包括：/n获取目标用户的目标金融行为信息，其中，所述目标用户的目标金融行为信息包括以下至少一项：所述目标用户的用户流水信息、用户风险评估信息和金融产品信息；/n将所述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；/n根据多个所述推荐得分，从所述多个候选金融信息中确定目标金融信息；以及/n向所述目标用户推荐所述目标金融信息。/n

【技术特征摘要】
1.一种信息推荐方法，包括：
获取目标用户的目标金融行为信息，其中，所述目标用户的目标金融行为信息包括以下至少一项：所述目标用户的用户流水信息、用户风险评估信息和金融产品信息；
将所述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；
根据多个所述推荐得分，从所述多个候选金融信息中确定目标金融信息；以及
向所述目标用户推荐所述目标金融信息。


2.根据权利要求1所述的方法，其中，所述获取目标用户的目标金融行为信息，包括：
获取所述目标用户的原始金融行为信息；
确定所述原始金融行为信息中与用户隐私相关的用户敏感信息；
利用数据脱敏方法处理所述用户敏感信息，得到处理后的用户敏感信息；以及
根据所述原始金融行为信息和所述处理后的用户敏感信息，确定所述目标金融行为信息。


3.根据权利要求1所述的方法，其中，所述信息推荐模型包括点击率模型和收益模型，其中，所述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，所述收益模型是利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到的。


4.根据权利要求3所述的方法，其中，所述将所述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分，包括：
将所述目标用户的目标金融行为信息输入所述点击率模型，输出针对所述多个候选金融信息中的每个候选金融信息的点击率；
将所述目标用户的目标金融行为信息输入所述收益模型，输出针对所述多个候选金融信息中的每个候选金融信息的效益；以及
根据所述多个候选金融信息中的每个候选金融信息的点击率和效益，确定针对所述候选金融信息的推荐得分。


5.根据权利要求3所述的方法，其中，所述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，包括：
获取第一训练样本，其中，所述第一训练样本包括多个正样本和多个负样本，每个所述正样本包括样本用户的目标金融行为信息和所述样本用户针对样本产品的真实点击率，每个所述负样本包括所述样本用户的目标训练金融行为信息和所述样本用户针对所述样本产品的真实展示信息，所述样本用户的目标训练金融行为信息包括所述样本用户的用户流水信息、用户风险评估信息和金融产品信息；
将所述多个正样本中的每个正样本所包括的样本用户的用户流水信息输入所述第一长短期记忆神经网络模型，输出第一向量；
将所述多个正样本中的每个正样本所包括的样本用户的用户风险评估信息和金融产品信息输入所述第一深度神经网络模型，输出第二向量；
将所述第二向量和所述第二向量进行拼接，得到第三向量；
将所述第三向量输入所述第一神经网络模型，输出所述正样本所包括的所述样本用户针对所述样本产品的预测点击率；
将所述多个负样本中的每个负样本所包括的样本用户的用户流水信息输入所述第一长短期记忆神经网络模型，输出第四向量；
将所述多个负样本中的每个负样本所包括的样本用户的用户风险评估信息和金融产品信息输入所述第一深度神经网络模型，输出第五向量；
将所述第四向量和所述第五向量进行拼接，得到第六向量；
将所述第六向量输入所述第一神经网络模型，...

【专利技术属性】
技术研发人员：魏珊珊，陈惠梅，戴子纬，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11