基于客户资金异动的产品推荐方法及其装置、电子设备与流程

本发明涉及金融科技领域或其他相关领域，具体而言，涉及一种基于客户资金异动的产品推荐方法及其装置、电子设备。

背景技术：

1、当前，金融机构在研发相应的金融产品，推出相关金融产品服务后，一般会通过推荐算法进行产品推荐。但是现有的推荐算法的模型训练过程依赖于海量数据,获取用户信息去计算用户偏好，并为之推荐相关产品的资料。海量数据的计算面临着严重的数据稀疏性问题，导致对目标用户进行产品推荐的效果差，用户的满意度日益下降。且相关产品的资料对客户而言阅读和购买的门槛高，导致客户购买欲低下。另外，频繁的产品推荐会让用户产生被骚扰的反感，推荐群体不够精准。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种基于客户资金异动的产品推荐方法及其装置、电子设备，以至少解决相关技术中在进行金融产品推荐时，推荐效果差，用户满意度日益下降的技术问题。

2、根据本发明实施例的一个方面，提供了一种基于客户资金异动的产品推荐方法，包括：获取所有客户的资金变化信息，并比较每个所述客户的资金变化信息和客户资金异动阈值，得到超出客户资金异动阈值的目标客户及所述目标客户的关联信息，其中，所述关联信息包括所述目标客户的基本身份信息、历史指定时长内的金融产品购买信息、在金融应用app对金融产品的操作数据以及评价数据；将所述关联信息输入至产品推荐模型，通过所述产品推荐模型对所述目标客户的关联信息进行分析，生成推荐结果，其中，所述产品推荐模型是一种对符合所述客户资金异动阈值的客户、客户的关联信息、金融产品及金融产品服务人员信息，通过联邦学习算法训练得到的人工智能模型，所述推荐结果包括拟推荐给所述目标客户购买的金融产品信息以及所述金融产品对应的客户经理；将所述推荐结果推送给所述目标客户。

3、可选地，获取所有客户的资金变化信息的步骤，包括：获取历史指定时长内的客户关联信息、资金信息以及交易信息，其中，所述资金信息以及所述交易信息均携带有对应的时间戳；基于所述资金信息以及交易信息，提取在所述历史指定时长发生资金变动或者资金交易的信息，得到所述资金变化信息。

4、可选地，比较每个所述客户的资金变化信息和客户资金异动阈值的步骤，包括：基于所述客户的客户关联信息，调取对应客户所属客户类型的所述客户资金异动阈值；比较每个所述客户的资金变化信息中资金变动总金额与所述客户资金异动阈值，得到比较结果。

5、可选地，所述产品推荐模型是预先训练的，在训练所述产品推荐模型时，包括：基于第一样本数据与第二样本数据，筛选符合客户可购买范围内的产品清单，得到推荐产品清单，其中，所述第一样本数据是由不同客户类型对应的所述客户资金异动阈值筛选得到，所述第二样本数据是由目标金融机构内所有金融产品关联的产品信息、客户经理信息以及产品销售信息筛选得到；基于所述第一样本数据与所述第二样本数据，筛选各客户在历史过程中购买金融产品的历史产品信息以及地区信息，并基于该历史产品信息以及地区信息确定推荐客户经理清单；根据所述推荐产品清单以及所述推荐客户经理清单，生成模型训练集；通过联邦学习算法提取所述模型训练集中的信息，训练得到所述产品推荐模型。

6、可选地，在生成得到所述第一样本数据时，包括：获取所有客户类型以及对应不同所述客户类型的所述客户资金异动阈值；通过联邦学习算法提取各金融机构超出所述客户资金异动阈值的资金异动信息以及对应的客户关联信息，得到所述第一样本数据。

7、可选地，在生成得到所述第二样本数据时，包括：获取所述目标金融机构内当前运行的所有金融产品以及每个所述金融产品关联的产品信息；获取每个所述金融产品的历史销售记录，并对所述历史销售记录进行预处理，得到所述产品销售信息；提取每个所述金融产品对应的客户经理信息；综合所有金融产品、每个所述金融产品关联的产品信息、所述产品销售信息、客户经理信息，得到所述第二样本数据。

8、可选地，在将所述推荐结果推送给所述目标客户之后，还包括：接收所述目标客户的反馈信息；在所述反馈信息指示无投资意愿，为所述目标客户提供订阅功能，将所述目标客户设置为非推荐客户，其中，所述非推荐客户是指无需筛选客户的资金异动信息，无需为客户提供产品推荐服务。

9、根据本发明实施例的另一方面，还提供了一种基于客户资金异动的产品推荐装置，包括：信息获取单元，用于获取所有客户的资金变化信息，并比较每个所述客户的资金变化信息和客户资金异动阈值，得到超出客户资金异动阈值的目标客户及所述目标客户的关联信息，其中，所述关联信息包括所述目标客户的基本身份信息、历史指定时长内的金融产品购买信息、在金融应用app对金融产品的操作数据以及评价数据；输入单元，用于将所述关联信息输入至产品推荐模型，通过所述产品推荐模型对所述目标客户的关联信息进行分析，生成推荐结果，其中，所述产品推荐模型是一种对符合所述客户资金异动阈值的客户、客户的关联信息、金融产品及金融产品服务人员信息，通过联邦学习算法训练得到的人工智能模型，所述推荐结果包括拟推荐给所述目标客户购买的金融产品信息以及所述金融产品对应的客户经理；产品推送单元，用于将所述推荐结果推送给所述目标客户。

10、可选地，所述信息获取单元包括：第一获取模块，用于获取历史指定时长内的客户关联信息、资金信息以及交易信息，其中，所述资金信息以及所述交易信息均携带有对应的时间戳；第一提取模块，用于基于所述资金信息以及交易信息，提取在所述历史指定时长发生资金变动或者资金交易的信息，得到所述资金变化信息。

11、可选地，所述信息获取单元还包括：调取模块，用于基于所述客户的客户关联信息，调取对应客户所属客户类型的所述客户资金异动阈值；比较模块，用于比较每个所述客户的资金变化信息中资金变动总金额与所述客户资金异动阈值，得到比较结果。

12、可选地，所述产品推荐模型是预先训练的，在训练所述产品推荐模型时，基于客户资金异动的产品推荐装置包括：第一筛选单元，用于基于第一样本数据与第二样本数据，筛选符合客户可购买范围内的产品清单，得到推荐产品清单，其中，所述第一样本数据是由不同客户类型对应的所述客户资金异动阈值筛选得到，所述第二样本数据是由目标金融机构内所有金融产品关联的产品信息、客户经理信息以及产品销售信息筛选得到；第二筛选单元，用于基于所述第一样本数据与所述第二样本数据，筛选各客户在历史过程中购买金融产品的历史产品信息以及地区信息，并基于该历史产品信息以及地区信息确定推荐客户经理清单；生成单元，用于根据所述推荐产品清单以及所述推荐客户经理清单，生成模型训练集；训练单元，用于通过联邦学习算法提取所述模型训练集中的信息，训练得到所述产品推荐模型。

13、可选地，第一筛选单元包括：第二获取模块，用于获取所有客户类型以及对应不同所述客户类型的所述客户资金异动阈值；第二提取模块，用于通过联邦学习算法提取各金融机构超出所述客户资金异动阈值的资金异动信息以及对应的客户关联信息，得到所述第一样本数据。

14、可选地，在生成得到所述第二样本数据时，基于客户资金异动的产品推荐装置包括：第三获取模块，用于获取所述目标金融机构内当前运行的所有金融产品以及每个所述金融产品关联的产品信息；第四获取模块，用于获取每个所述金融产品的历史销售记录，并对所述历史销售记录进行预处理，得到所述产品销售信息；提取每个所述金融产品对应的客户经理信息；确定模块，用于综合所有金融产品、每个所述金融产品关联的产品信息、所述产品销售信息、客户经理信息，得到所述第二样本数据。

15、可选地，基于客户资金异动的产品推荐装置还包括：信息介绍单元，用于在将所述推荐结果推送给所述目标客户之后，接收所述目标客户的反馈信息；设置单元，用于在所述反馈信息指示无投资意愿，为所述目标客户提供订阅功能，将所述目标客户设置为非推荐客户，其中，所述非推荐客户是指无需筛选客户的资金异动信息，无需为客户提供产品推荐服务。

16、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项的基于客户资金异动的产品推荐方法。

17、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项的基于客户资金异动的产品推荐方法。

18、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任意一项所述的基于客户资金异动的产品推荐方法的步骤。

19、在本公开中，在进行金融产品推荐时，获取所有客户的资金变化信息，并比较每个客户的资金变化信息和客户资金异动阈值，得到超出客户资金异动阈值的目标客户及目标客户的关联信息，其中，关联信息包括目标客户的基本身份信息、历史指定时长内的金融产品购买信息、在金融应用app对金融产品的操作数据以及评价数据；将关联信息输入至产品推荐模型，通过产品推荐模型对目标客户的关联信息进行分析，生成推荐结果，其中，产品推荐模型是一种对符合客户资金异动阈值的客户、客户的关联信息、金融产品及金融产品服务人员信息，通过联邦学习算法训练得到的人工智能模型，推荐结果包括拟推荐给目标客户购买的金融产品信息以及金融产品对应的客户经理；将推荐结果推送给目标客户。

20、在本公开中，可以通过联邦学习来获取更多金融机构的客户关联信息以及资金异动信息，训练得到最优的产品推荐模型，由模型推送符合客户金融需求的金融产品和对该金融产品最熟悉的客户经理，推荐的金融产品效果更好，提升用户满意度，从而解决相关技术中在进行金融产品推荐时，推荐效果差，用户满意度日益下降的技术问题。