产品的客群匹配方法、装置、设备、介质和程序产品与流程
本申请涉及人工智能领域和分布式领域,更具体地涉及一种产品的客群匹配方法、装置、设备、介质和程序产品。
背景技术:
1、随着金融产品的迭代更新,通过金融产品与客户的智能化匹配机制,可精准挖掘客户潜在需求,提升信贷、理财等产品转化效率,降低拓展客户(简称“拓客”)成本,贴合客户风险承受与资金需求实现精准服务,优化客户体验、增强用户粘性。
2、然而,现有传统规则匹配方案高度依赖人工经验,匹配逻辑固化,无法捕捉客户深层需求,适配性极差。常规神经网络仅支持客户正向匹配产品,缺失产品反向拓客能力,需人工完成特征梳理、嵌入配置,大规模拓客推理效率低,批量处理效率低下,模型效果不稳定,难以支撑金融机构批量精准拓客与动态业务经营需求。
技术实现思路
1、鉴于上述问题,本申请的实施例提供了一种产品的客群匹配方法、装置、设备、介质和程序产品。
2、根据本申请的第一方面,提供了一种产品的客群匹配方法,包括:融合多源业务数据,以提取全量客户的客户数据和目标产品的产品数据;对所述客户数据和所述产品数据进行高维特征处理,获得全量客户核心特征和产品核心特征;调用m个第一容器协同处理所述全量客户核心特征,获得全量客户向量矩阵;其中,m为不小于1的整数,所述第一容器中预先部署训练好的双塔模型;调用n个第二容器分批处理所述产品核心特征,获得k个批次的产品向量矩阵;其中,n和k为不小于1的整数,所述第二容器中预先部署所述训练好的双塔模型;基于向量相似度匹配算法,处理所述k个批次的产品向量矩阵和所述全量客户向量矩阵,以获取所述目标产品与所述全量客户之间的相似度得分;以及基于所述相似度得分,从所述全量客户中筛选出与所述目标产品匹配的目标客群。
3、根据本申请的实施例,所述调用n个第二容器分批处理所述产品核心特征,获得k个批次的产品向量矩阵,包括:基于所述目标产品的总量,对所述产品核心特征进行批次拆分,确定k个批次的产品核心特征;基于自适应调度策略,调用所述n个第二容器逐批次加载所述k个批次的产品核心特征,并基于所述训练好的双塔模型的产品塔,逐批次处理对应批次的产品核心特征,获得对应批次的产品嵌入向量;以及基于k个批次的产品嵌入向量,生成所述k个批次的产品向量矩阵。
4、根据本申请的实施例,所述调用m个第一容器协同处理所述全量客户核心特征,获得全量客户向量矩阵,包括:将所述全量客户核心特征进行容器分配,确定所述m个第一容器对应的客户核心特征;调用所述m个第一容器并行加载对应的客户核心特征,并基于所述训练好的双塔模型的客户塔并行处理对应的客户核心特征,得到所述m个第一容器对应的客户嵌入向量;以及基于所述m个第一容器对应的客户嵌入向量,生成所述全量客户向量矩阵。
5、根据本申请的实施例,所述对所述客户数据和所述产品数据进行高维特征处理,获得全量客户核心特征和产品核心特征,包括:清洗所述客户数据和所述产品数据;将清洗后的客户数据和清洗后的产品数据进行无效特征过滤,得到有效客户数据和有效产品数据;基于互信息算法,对所述有效客户数据和所述有效产品数据进行关联核心特征筛选,得到客户特征和产品特征;以及对所述客户特征和所述产品特征进行特征归一化,得到所述全量客户核心特征和所述产品核心特征。
6、根据本申请的实施例,所述基于所述相似度得分,从所述全量客户中筛选出与所述目标产品匹配的目标客群,包括:获取目标客户参数;其中,所述目标客户参数包括自定义配置参数和/或默认参数;将所述目标产品与所述全量客户之间的相似度得分进行降序排序;基于所述目标客户参数和排序后的相似度得分,筛选所述全量客户,得到所述目标产品匹配的目标客户;以及整合所述目标产品匹配的目标客户,得到所述目标产品对应的目标客群。
7、根据本申请的实施例,所述向量相似度匹配算法包括矩阵批量内积相似度计算法、分层量化近似向量检索算法和空间分割树近邻检索算法中的至少一种。
8、根据本申请的实施例,所述双塔模型的训练过程包括:对获取的历史客户数据、历史产品数据和交互行为数据进行高维特征处理,以生成标准化数据集;拆分所述标准化数据集为训练集和验证集;构建所述双塔模型的客户特征提取分支与产品特征提取分支,并初始化所述双塔模型;以及基于所述训练集和所述验证集,对初始化后的双塔模型进行训练与验证,直至训练后的双塔模型满足多维评估指标。
9、根据本申请的实施例,所述双塔模型的训练过程还包括:响应于模型训练启动指令,对所述双塔模型进行状态重置;其中,所述状态重置包括清除历史计算图、清除缓存参数和删除冗余内存数据。
10、根据本申请的第二方面,提供了一种产品的客群匹配装置,包括:数据提取模块,用于融合多源业务数据,以提取全量客户的客户数据和目标产品的产品数据;特征处理模块,用于对所述客户数据和所述产品数据进行高维特征处理,获得全量客户核心特征和产品核心特征;客户向量提取模块,用于调用m个第一容器协同处理所述全量客户核心特征,获得全量客户向量矩阵;其中,m为不小于1的整数,所述第一容器中预先部署训练好的双塔模型;产品向量提取模块,用于调用n个第二容器分批处理所述产品核心特征,获得k个批次的产品向量矩阵;其中,n和k为不小于1的整数,所述第二容器中预先部署所述训练好的双塔模型;相似度匹配模块,用于基于向量相似度匹配算法,处理所述k个批次的产品向量矩阵和所述全量客户向量矩阵,以获取所述目标产品与所述全量客户之间的相似度得分;以及筛选模块,用于基于所述相似度得分,从所述全量客户中筛选出与所述目标产品匹配的目标客群。
11、根据本申请的第三方面,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计算机程序,其中,上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。
12、根据本申请的第四方面,还提供了一种计算机可读存储介质,其上存储有计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述方法的步骤。
13、根据本申请的第五方面,还提供了一种计算机程序产品,包括计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述方法的步骤。
14、在本申请的实施例中,通过高维特征处理客户和产品数据,提取核心特征,实现全自动特征处理,免去人工特征梳理;基于不同容器集群并行执行双塔模型推理,分别生成全量客户向量与分批次的产品向量,容器分批并行运算,批量容器化高速拓客,大幅提升大规模拓客推理速度;通过相似度计算筛选产品的目标客群,支持产品反向匹配客户,打破单向匹配局限,精准匹配客群,填补了双塔模型反向产品拓客的技术空白,大幅降低产品精准拓客的落地门槛,提升批量处理效率和精准度。
1.一种产品的客群匹配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述调用n个第二容器分批处理所述产品核心特征,获得k个批次的产品向量矩阵,包括:
3.根据权利要求1所述的方法,其特征在于,所述调用m个第一容器协同处理所述全量客户核心特征,获得全量客户向量矩阵,包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述客户数据和所述产品数据进行高维特征处理,获得全量客户核心特征和产品核心特征,包括:
5.根据权利要求1所述的方法,其特征在于,所述基于所述相似度得分,从所述全量客户中筛选出与所述目标产品匹配的目标客群,包括:
6.根据权利要求1所述的方法,其特征在于,所述向量相似度匹配算法包括矩阵批量内积相似度计算法、分层量化近似向量检索算法和空间分割树近邻检索算法中的至少一种。
7.根据权利要求1所述的方法,其特征在于,所述双塔模型的训练过程包括:
8.根据权利要求7所述的方法,其特征在于,所述双塔模型的训练过程还包括:
9.一种产品的客群匹配装置,其特征在于,所述装置包括:
10.一种电子设备,包括:
11.一种计算机可读存储介质,其上存储有计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现根据权利要求1~8中任一项所述方法的步骤。
12.一种计算机程序产品,包括计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现根据权利要求1~8中任一项所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com