资源确定方法、装置、计算设备和存储介质与流程

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种资源确定方法、装置、计算设备和存储介质。

背景技术：

随着信息技术的发展，资源提供方可以通过互联网等方式向用户推荐相应的资源。例如，用户可以在用户终端上，通过资源推荐页面查看资源提供方推荐的各种资源。以金融产品为例，用户可以在用户终端的应用中打开金融产品推荐页面，以通过推荐页面向用户推荐各种金融产品。

目前市场上的金融产品，在推荐时，根据收益排行的维度给用户推荐金融产品；或者以标准的收益偏好的维度向用户推荐金融产品。但是，推荐金融产品并不限于收益或风险偏好，导致基于收益或风险偏好向用户推荐金融产品的准确性并不高，降低了用户体验。因此，需要提供准确向用户推荐金融产品的方案。

技术实现要素：

本说明书一个或多个实施例提供了一种资源确定方法、装置、计算设备和存储介质，能够向用户准确地推荐资源。

本说明书一个或多个实施例提供的技术方案如下：

第一方面，提供了一种资源确定方法，该方法包括：

获取第一用户的第一风险率和第一收益率；

从多个资源中确定满足第一风险率且满足第一收益率的目标资源，其中，多个资源中的每个资源包括预设风险率和预设收益率；

预设风险率为将与预设风险率对应的资源的风险特征数据输入风险模型得到，风险模型是利用风险资源样本的源域特征数据进行训练得到第一风险模型，并利用风险资源样本的目标域特征数据对第一风险模型进行迁移学习得到；

预设收益率为将与预设收益率对应的资源的收益特征数据输入收益模型得到，收益模型是利用收益资源样本的源域特征数据进行训练得到第一收益模型，并利用收益资源样本的目标域特征数据对第一收益模型进行迁移学习得到。

第二方面，提供了一种资源确定装置，该装置包括：

获取模块，用于获取第一用户的第一风险率和第一收益率；

确定模块，用于从多个资源中确定满足第一风险率且满足第一收益率的目标资源，其中，多个资源中的每个资源包括预设风险率和预设收益率；预设风险率为将与预设风险率对应的资源的风险特征数据输入风险模型得到，风险模型是利用风险资源样本的源域特征数据进行训练得到第一风险模型，并利用风险资源样本的目标域特征数据对第一风险模型进行迁移学习得到；预设收益率为将与预设收益率对应的资源的收益特征数据输入收益模型得到，收益模型是利用收益资源样本的源域特征数据进行训练得到第一收益模型，并利用收益资源样本的目标域特征数据对第一收益模型进行迁移学习得到。

第三方面，提供了一种计算设备，设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现本说明书所述的资源确定方法。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现本说明书所述的检测模型的资源确定方法。

根据上述的本说明书一个或多个实施例，能够通过收益模型和风险模型预测多个资源中的每个资源的预设收益率和预设风险率，且将满足第一收益率和第一风险率的资源推荐给第一用户；能够结合预设收益率和预设风险率向第一用户提供资源，提高了推荐的准确性，以及提高了用户体验度。

附图说明

为了更清楚地说明本说明书一个或多个实施例的技术方案，下面将对本说明书一个或多个实施例中所需要使用的附图作简单的介绍，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是本说明书一个示例的资源确定系统架构图；

图2是本说明书一个实施例提供的资源确定方法的流程示意图；

图3是本说明书一个实施例提供的资源确定装置的结构示意图；

图4是本说明书一个实施例提供的计算设备的硬件结构示意图。

具体实施方式

下面将详细描述本说明书的各个方面的特征和示例性实施例，为了使本说明书的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本说明书进行进一步详细描述。应理解，此处所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。对于本领域技术人员来说，本说明书可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本说明书的示例来提供对本说明书更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

图1示出了本说明书一个示例的资源确定系统架构图。如图1所示，该资源确定系统包括用户终端100、用户终端200、用户终端300和服务器400。不同的用户可以通过用户终端100、用户终端200、或用户终端300查看资源推荐页面、以便通过服务器400向用户推荐资源。由于服务器400当前基于收益或风险来推荐资源，导致资源的推荐准确性较低。为了能够准确地向用户推荐资源，本说明书提供了一种资源确定方法。

在本说明书中，用户终端具体可以是手机、平板电脑、个人电脑等。服务器可以是一种高性能的电子计算器，用于存储和处理数据，在本说明书中，所述的资源包括但不限于：基金、股票、期货等金融产品，或者是其他的虚拟交易商品，诸如会员产品、虚拟货币等。所述的资源提供方，便可认为能够提供上述金融产品的银行、金融公司或第三方金融平台等。

图2示出了本说明书一个实施例提供的资源确定方法的流程示意图。如图2所示，该资源确定方法包括：

s210、获取第一用户的第一风险率和第一收益率；

s220、从多个资源中确定满足第一风险率且满足第一收益率的目标资源，其中，多个资源中的每个资源包括预设风险率和预设收益率；预设风险率为将与预设风险率对应的资源的风险特征数据输入风险模型得到，风险模型是利用风险资源样本的源域特征数据进行训练得到第一风险模型，并利用风险资源样本的目标域特征数据对第一风险模型进行迁移学习得到；预设收益率为将与预设收益率对应的资源的收益特征数据输入收益模型得到，收益模型是利用收益资源样本的源域特征数据进行训练得到第一收益模型，并利用收益资源样本的目标域特征数据对第一收益模型进行迁移学习得到。

根据上述的本说明书一个或多个实施例，能够通过收益模型和风险模型预测多个资源中的每个资源的预设收益率和预设风险率，且将满足第一收益率和第一风险率的资源推荐给第一用户；能够结合预设收益率和预设风险率向第一用户提供资源，提高了推荐的准确性，以及提高了用户体验度。

在本说明书的一个实施例中，s210包括：

接收第一用户输入的第一风险率和第一收益率。

在本说明书中，结合第一用户的风险偏好信息、收益偏好信息向第一用户推荐金融产品；此处采用的推荐方法可以为协同过滤(user-basedcf)，根据第一用户的资源转移情况，例如历史购买资金额度，历史购买基金的风险等级，历史购买资金的消费等级，资金的预期收益率情况，资金的预算，购买基金的种类和投资多样性等，向第一用户给予相关风险偏好和收益偏好的推荐。其中，第一风险率为第一用户设定的风险偏好信息，第一收益率为第一用户设定的收益偏好信息。

在本说明书中，当第一用户已经设置风险偏好和收益偏好，则按照第一用户设置的风险偏好和收益偏好向第一用户推荐资源。

在本说明书的一实施例中，s210包括：

获取第一用户的第一历史行为信息；第一历史行为信息包括第一用户的每个资源的第二风险率和第二收益率；

根据每个资源的第二风险率确定第一风险率，以及根据每个资源的第二收益率确定第一收益率。

具体地，根据第一用户的资源的第二风险率求平均值得到第一风险率，以及根据第一用户的资源的第二收益率求取平均值得到第一收益率。

在本说明书中，还可以基于第一用户历史的资源转移的情况来给第一用户确定第一用户的第一风险率和第一收益率，更能贴合用户的选择资源的情况，进而进一步提高推荐准确性。

在本说明书的一个实施例中，s210包括：

第一步：分别获取第一用户的第一历史行为信息、以及多个第二用户中每个第二用户的第二历史行为信息；第一历史行为信息包括第一用户的每个资源的收益资源特征和风险资源特征，第二历史行为信息包括每个第二用户的每个资源的收益资源特征、风险资源特征、第三风险率、第三收益率和资源转移次数；

第二步：计算第一用户的每个资源的收益资源特征和风险资源特征与每个第二用户的每个资源的收益资源特征和风险资源特征的相似度；

第三步：确定满足相似度阈值的相似度对应的第二用户的每个资源的资源转移次数；

第四步：根据满足预设频次阈值对应的每个第二用户的资源的第三风险率确定第一风险率，以及根据满足预设频次阈值对应的每个第二用户的资源的第三收益率确定第一收益率。

具体地，计算第一用户的每个资源的风险特征数据和收益特征数据与每个第二用户的每个资源的风险特征数据和收益特征数据的相似度；接着，将相似度与相似度阈值theta，确定与第一用户最相近的第二用户；然后，计算满足相似度阈值theta的第二用户的每个资源的资源转移次数；然后，将每个金融产品按照资源转移次数进行排序，确定资源转移次数中的topk(k可以为用户设定的参数)第二用户；最后，根据topk中的每个第二用户的第三收益率确定第一收益率，以及根据topk中的每个第二用户的第三风险率确定第一风险率；其中，theta范围在0-1之间，可以根据推荐准确性来进行调整，且theta值越高，表明第二用户与第一用户之间越相似)。

在本说明书的一个示例中，第二步所述的计算相似度，包括：基于余弦定理进行计算。

在本说明书的一个示例中，第三步所述的资源转移频次为满足相似度阈值的第二用户转移资源的次数。

本说明书的一个示例中，第四步所述根据满足预设频次阈值对应的每个第二用户的资源的第三风险率确定第一风险率，以及根据满足预设频次阈值对应的每个第二用户的资源的第三收益率确定第一收益率，包括：

根据满足预设频次阈值对应的第二用户的资源的第三风险率求取平均值得到第一风险率，以及根据满足预设频次阈值对应的第二用户的资源的第三收益率求取平均值得到第一收益率。

在本说明书，可以结合一段时间内第一用户的第一历史行为信息中的第一用户的每个资源的收益资源特征和风险资源特征与多个第二用户中的每个第二用户的第二历史行为信息中的每个资源的收益资源特征和风险资源特征的相似度，来确定与第一用户资源转移最相近的第二用户，进而根据该第二用户资源转移情况来确定第一用户的第一风险率和第一收益率，进而更能准确确定用户的第一风险率和第一收益率，使得后续根据第一风险率和第一收益率进行推荐的时候，推荐资源的准确性更高。

在本说明书中，s220包括：

第一步，构建风险模型和收益模型；

第二步，将资源的风险特征数据输入风险模型得到预设风险率，以及将资源的收益特征数据输入收益模型得到预设收益率；

第三步，从多个资源中确定满足第一风险率且满足第一收益率的目标资源，其中，多个资源中的每个资源包括预设风险率和预设收益率。其中，满足第一风险率包括小于或等于第一风险率，满足第一收益率包括大于或等于第一收益率。

在本说明书的一个示例中，第一步中构建风险模型和收益模型，包括以下几种方式：

第一种方式，基于多个资源的风险特征数据和收益特征数据分别构建对应的风险模型和收益模型。

训练收益模型，具体包括：

基于净资产收益率roe，流动比率，速动比率，流动资产周转率，总资产周转率，资产负债率，产权比率，有形净值债务率，已获利息倍数，销售净利率，销售毛利率等收益特征数据训练风险模型。

训练风险模型，具体包括：

例如基于金融产品的负债率，资金周转率，营收账款相应的笔数，相关权威评级机构的风险等级，资金经理人历史的失败比率，连续亏损月数，连续亏损年数，roe比率等风险特征数据，以及破产与否作为标签，训练风险模型。

在本说明书中，通过训练的风险模型来评估多个资源中每个资源的预设风险率，对于高风险的资源进行预警。

第二种方式，基于迁移学习，将历史的资源的模型进行迁移学习，得到多个资源中的每个资源的预设收益率和预设风险率，具体包括：

1)首先，将历史的资源的数据集(源域数据)进行训练，以训练深度神经网络为例，得到多层卷积神经网络cnn，记作base(源)cnn。

2)接着，将目标训练集(目标域数据)同样建立一个深度学习targetcnn模型，targetcnn模型的前n层是从basecnn迁移过来的，targetcnn的后n层可以重新构建模型结构，也可以直接使用basecnn的模型结构，其中n可以基于模型预测效果进行调整。

具体地，通过迁移学习将basecnn的模型结构和参数迁移至targetcnn的前n层，targetcnn的后n层的参数可以按照初始化的方式进行设置。其中，训练basecnn和targetcnn的模型包括：神经网络、深度学习网络中的至少一种。

在迁移之后，开始对target(目标)cnn进行训练，在训练的过程中可以对targetcnn的前n层的参数进行调整，调整即微调(对于目标域数据比较少的情况，在训练过程中则不改前n层的参数，防止过拟合)。

在本说明书中，通过迁移学习，从而保证历史高收益、低风险的资源特征数据可以对新的资源进行辅助模型构建。其中，历史高收益、低风险的资源为推荐给用户的资源，新的资源为待推荐给用户的资源。

下面以风险模型迁移学习为例进行说明。

基于迁移学习训练收益模型，包括：

1)先基于roe，流动比率，速动比率，流动资产周转率，总资产周转率，资产负债率，产权比率，有形净值债务率，已获利息倍数，销售净利率，销售毛利率等收益特征数据构建收益basecnn；

2)接着，基于roe，流动比率，速动比率，流动资产周转率，总资产周转率，资产负债率，产权比率，有形净值债务率，已获利息倍数，销售净利率，销售毛利率等收益特征数据构建收益targetcnn；

3)将收益basecnn的模型结构和参数迁移至targetcnn的前n层，targetcnn的后n层随机初始化；

4)基于目标域数据对3)中的targetcnn进行训练，得到收益模型。

本说明书，通过对收益进行迁移学习，提升收益模型的准确性和稳定性。

在本说明书中，不限于同时对风险和收益进行迁移学习，可以选择其一进行迁移学习，也能达到本说明的技术效果。

在本说明书中，在s220之后，该资源确定方法还包括：

生成目标资源的分析信息；分析信息包括第一信息和第二信息，第一信息是使用评估参数shapvalue对风险资源样本中的源域特征数据包括的资源的多个风险特征数据计算得到的信息，第二信息是使用评估参数shapvalue对收益资源样本中的源域特征数据包括的资源的多个收益特征数据计算得到的信息。

具体地，对于指定资源，例如a资源，使用shapvalue，计算收益模型和风险模型在预测过程中的各个特征数据的shapvalue，并按照shapvalue进行排序，分别得到风险的p个特征和收益中的n个特征(m、p可以基于特征选择方法选出，也可以由用户设置，m、p可以为shapvalue较大的特征数据的个数)，然后得到文案。其中，文案格式可以为：

a资源的预设收益率为：70％。原因包括：资产负债率的值为：30％，总资产周转率的值为：60％。a资源的预设风险率为：30％。原因包括：连续亏损月数：3，机构风险评级：2级。

再者，还可以对文案增加更多结论性描述，例如偏高、偏低、中等。即每一个收益特征数据和风险特征都可以对应设置一个描述性阈值；例如，总资产周转率特征数据，先对总资产周转分析数据的分布，然后根据其数据密度将数据分布分为k层，然后给k层中的每一层增加一个描述性命名，例如，偏大、中等、偏小。其中，k可以根据具体数据密度进行设置。

此时，本案格式可以为：

a资源的预设收益率为：70％，偏高。原因包括：资产负债率的值为：30％，中等；总资产周转率的值为：60％，偏高。a资源的预设风险率为：30％，中等。原因包括：连续亏损月数：3，偏高，机构风险评级：2级，中等。

在本说明书，使用shapvalue对于各个特征数据进行分析，给予推荐理由或文案。其中，分析是指对特征进行分析，不同的特征在使用shapvalue时赋予不同的权重，从而保证特征的可解释性(即结论性描述)可以得到运用，以便第一用户更直观地知道每一个特征数据所处的等级(偏高、偏低、中等)，比一个数值，更能了解一个资源的预设风险率和预设收益率偏高、偏低，以便用户确定是否购买该资源，优化用户体验。

在本说明书中，生成目标资源的分析信息，包括：

使用预设模板生成分析信息。

具体地，使用固定的模板生成文案；或，稀疏神经网络得到可解释性链路，再将可解释性链路变成报文文案；其中，文案是分析信息的一种呈现方式。

下面以预测收益率为例，预测风险率与预测收益率的过程类似，在此不再赘述。

在预测收益率的过程中，需要确定收益特征数据中的每个特征数据的重要性，特征数据的重要性对最终的预设收益率的影响成正比；例如：a资源的收益预估值较低，此时特征“资产负债率”的shapvalue很高，同时该资源的资产负债率值确实偏高。那么文案可以输出为：a资源的收益率预估为：60％，原因包括：资产负债率的值为：30％。

在本说明书中，该资源确定方法还包括：

向第一用户展示目标资源。

具体地，通过第一用户的用户终端向用户展示目标资源。

图3示出了本说明书一个实施例提供的一种资源确定装置的示意图。如图3所示，该资源确定装置300包括：

获取模块310，用于获取第一用户的第一风险率和第一收益率；

确定模块320，用于从多个资源中确定满足第一风险率且满足第一收益率的目标资源，其中，多个资源中的每个资源包括预设风险率和预设收益率；预设风险率为将与预设风险率对应的资源的风险特征数据输入风险模型得到，风险模型是利用风险资源样本的源域特征数据进行训练得到第一风险模型，并利用风险资源样本的目标域特征数据对第一风险模型进行迁移学习得到；预设收益率为将与预设收益率对应的资源的收益特征数据输入收益模型得到，收益模型是利用收益资源样本的源域特征数据进行训练得到第一收益模型，并利用收益资源样本的目标域特征数据对第一收益模型进行迁移学习得到。

根据上述的本说明书一个或多个实施例，能够通过收益模型和风险模型预测多个资源中的每个资源的预设收益率和预设风险率，且将满足第一收益率和第一风险率的资源推荐给第一用户；能够结合预设收益率和预设风险率向第一用户提供资源，提高了推荐的准确性，以及提高了用户体验度。

可选的，获取模块310，还用于：

接收第一用户输入的第一风险率和第一收益率。

在本说明书中，当第一用户已经设置风险偏好和收益偏好，则按照第一用户设置的风险偏好和收益偏好向第一用户推荐资源。

可选的，获取模块310，还用于：

获取第一用户的第一历史行为信息；第一历史行为信息包括第一用户的每个资源的第二风险率和第二收益率；

根据每个资源的第二风险率确定第一风险率，以及根据每个资源的第二收益率确定第一收益率。

在本说明书中，还可以基于第一用户历史的资源转移的情况来给第一用户确定第一用户的第一风险率和第一收益率，更能贴合用户的选择资源的情况，进而进一步提高推荐准确性。

可选的，获取模块310，还用于：

获取第一用户的第一历史行为信息，以及多个第二用户中每个第二用户的第二历史行为信息；第一历史行为信息包括第一用户的每个资源的风险特征数据和收益特征数据；第二历史行为信息包括每个第二用户的每个资源的风险特征数据、收益特征数据、第三风险率、第三收益率和资源转移次数；

计算第一用户的每个资源的风险特征数据和收益特征数据与每个第二用户的每个资源的风险特征数据和收益特征数据的相似度；

确定满足相似度阈值的相似度对应的第二用户的每个资源的资源转移次数；

根据满足预设次数阈值的资源转移次数对应的资源的第三风险率确定第一风险率，以及根据满足预设次数阈值的资源转移次数对应的资源的第三收益率确定第一收益率。

在本说明书，可以结合一段时间内第一用户的第一历史行为信息中的第一用户的每个资源的收益资源特征和风险资源特征与多个第二用户中的每个第二用户的第二历史行为信息中的每个资源的收益资源特征和风险资源特征的相似度，来确定与第一用户资源转移最相近的第二用户，进而根据该第二用户资源转移情况来确定第一用户的第一风险率和第一收益率，进而更能准确确定用户的第一风险率和第一收益率，使得后续根据第一风险率和第一收益率进行推荐的时候，推荐资源的准确性更高。

可选的，该资源确定装置还包括：

生成模块，用于生成模块，用于生成目标资源的分析信息；分析信息包括第一信息和第二信息，第一信息是是使用评估参数shapvalue对风险资源样本中的源域特征数据包括的资源的多个风险特征数据计算得到的信息，第二信息是使用评估参数shapvalue对收益资源样本中的源域特征数据包括的资源的多个收益特征数据计算得到的信息。

可选的，生成模块，还用于：使用预设模板生成分析信息。

可选的，该资源确定装置还包括：

展示模块，用于向第一用户展示目标资源。

本说明书提供装置中的各个模块可以实现图2所示的方法，并达到其技术效果，为简洁描述，再此不在赘述。

图4示出了本说明书一个实施例提供的计算设备的硬件结构示意图。如图4所示，计算设备400包括输入设备401、输入接口402、中央处理器403、存储器404、输出接口405、以及输出设备406。其中，输入接口402、中央处理器403、存储器404、以及输出接口405通过总线410相互连接，输入设备401和输出设备406分别通过输入接口402和输出接口405与总线410连接，进而与计算设备400的其他组件连接。

具体地，输入设备401接收来自外部的输入信息，并通过输入接口402将输入信息传送到中央处理器403；中央处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器404中，然后通过输出接口405将输出信息传送到输出设备406；输出设备406将输出信息输出到计算设备400的外部供用户使用。

也就是说，图4所示的计算设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图2和图3描述的资源确定方法和装置。

本说明书体格实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本说明书实施例提供的资源确定方法。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本说明书的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述，仅为本说明书的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本说明书的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本说明书的保护范围之内。