(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210869386.4 (22)申请日 2022.07.22 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 何怀莹　滕建德　曹仰止　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 王天尧　陶海萍 (51)Int.Cl. G06Q 40/06(2012.01) G06Q 40/02(2012.01) G06F 16/9535(2019.01) G06F 16/9538(2019.01) G06K 9/62(2022.01)G06N 20/00(2019.01) (54)发明名称 银行产品信息 推荐方法及装置 (57)摘要 本发明公开了银行产品信息推荐方法及装 置， 可用于 人工智能技术领域， 其中该方法包括： 获取用户属性信息， 将用户属性信息输入第一银 行产品信息推荐模型， 得到用户购买的第一银行 产品信息； 将用户属性信息输入第二银行产品信 息推荐模型， 得到用户购买的第二银行产品信 息； 根据第一银行产品信息及第二银行产品信 息， 建立为用户推荐的银行产品信息集合， 根据 兴趣指数对银行产品信息集合中各个银行产品 信息进行排序并向用户推荐， 本发 明根据第一银 行产品信息以及第二银行产品信息建立为用户 推荐的银行产品信息集合并向用户推荐排序后 的银行产品信息集合， 实现针对每个用户制定银 行产品信息 推荐方案， 提升 了用户体验。 权利要求书2页 说明书8页 附图3页 CN 115205051 A 2022.10.18 CN 115205051 A 1.一种银 行产品信息推荐方法， 其特 征在于， 包括： 获取用户属性信息； 将用户属性信 息输入第 一银行产品信 息推荐模型， 得到为用户推荐的第 一银行产品信 息； 所述第一银行产品信息推荐模型根据第一历史用户的属性信息以及第一历史用户购买 过的银行产品信息， 对第一机器学习模型训练得到； 将用户属性信 息输入第 二银行产品信 息推荐模型， 得到为用户推荐的第 二银行产品信 息； 所述第二银行产品信息推荐模型根据第二历史用户的属性信息以及第二历史用户购买 过的银行产品信息， 对第二机器学习模型训练得到； 根据第一银行产品信息及第二银行产品信息， 建立为用户推荐的银行产品信息集合， 确定银行产品信息集 合中各个银 行产品信息对应的兴趣指数； 根据兴趣指数对银行产品信 息集合中各个银行产品信 息进行排序， 向用户推荐排序后 的银行产品信息集 合。 2.如权利要求1所述的银行产品信 息推荐方法， 其特征在于， 在将用户属性信 息输入第 一银行产品信息推荐模型之前， 还 包括： 将第一历史用户的属性信息、 第一历史用户购买过的银行产品信息作为样本数据， 建 立第一训练集和第一测试集； 利用第一训练集对第一机器学习模型进行训练， 得到第一银 行产品信息推荐模型； 利用第一测试集对第一银 行产品信息推荐模型进行测试。 3.如权利要求2所述的银行产品信 息推荐方法， 其特征在于， 将第 一历史用户的属性信 息、 第一历史用户购买过的银行产品信息作为样本数据， 建立第一训练集和第一测试集， 包 括： 采用信息增益 函数对第一历史用户的属性信息进行 特征提取； 将第一历史用户的属性信 息的特征提取值、 第 一历史用户购买过的银行产品信 息作为 样本数据， 建立第一训练集。 4.如权利要求1所述的银行产品信 息推荐方法， 其特征在于， 在将用户属性信 息输入第 二银行产品信息推荐模型之前， 还 包括： 将第二历史用户的属性信息、 第二历史用户购买过的银行产品信息作为样本数据， 建 立第二训练集和第二测试集； 利用第二训练集对第二机器学习模型进行训练， 得到第二银 行产品信息推荐模型； 利用第二测试集对第二银 行产品信息推荐模型进行测试。 5.如权利要求4所述的银行产品信 息推荐方法， 其特征在于， 将第 二历史用户的属性信 息、 第二历史用户购买过的银行产品信息作为样本数据， 建立第二训练集和第二测试集， 包 括： 采用信息增益 函数对第二历史用户的属性信息进行 特征提取； 将第二历史用户的属性信 息的特征提取值、 第 二历史用户购买过的银行产品信 息作为 样本数据， 建立第二训练集。 6.如权利要求1所述的银 行产品信息推荐方法， 其特 征在于， 获取用户属性信息， 包括： 获取用户属性； 根据预设的映射关系， 确定用户 属性对应的属性值； 所述映射关系为用户 属性与用户权　利　要　求　书 1/2 页 2 CN 115205051 A 2属性对应的属性 值之间的映射关系； 将用户属性及对应的属性 值确定为用户属性信息 。 7.如权利要求1所述的银行产品信 息推荐方法， 其特征在于， 根据第 一银行产品信 息及 第二银行产品信息， 建立为用户推荐的银行产品信息集合， 确定银行产品信息集合中各个 银行产品信息对应的兴趣指数， 包括： 获取第一银 行产品信息对应的第一权 重以及第二银 行产品信息对应的第二权 重； 根据第一权重、 第二权重分别对第一银行产品信息以及第二银行产品信息加权， 得到 银行产品信息集 合中各个银 行产品信息对应的兴趣指数。 8.如权利要求1所述的银行产品信 息推荐方法， 其特征在于， 所述第 一机器学习 模型基 于决策树 算法得到， 所述第二机器学习模型基于支持向量机算法得到 。 9.一种银 行产品信息推荐装置， 其特 征在于， 包括： 获取模块， 获取用户属性信息； 处理模块， 将用户 属性信息输入第一银行产品信息推荐模型， 得到为用户推荐的第一 银行产品信息； 所述第一银行产品信息推荐模型根据第一历史用户的属性信息以及第一历 史用户购买过 的银行产品信息， 对第一机器学习模型训练得到； 将用户属 性信息输入第二 银行产品信息推荐模型， 得到为用户推荐的第二银行产品信息； 所述第二银行产品信息推 荐模型根据第二历史用户的属性信息以及第二历史用户购买过的银行产品信息， 对第二机 器学习模型训练得到； 根据第一银行产品信息及第二银行产品信息， 建立为用户推荐的银 行产品信息集合， 确定银行产品信息集合中各个银行产品信息对应的兴趣指数； 根据兴趣 指数对银行产品信息集合中各个银行产品信息进 行排序， 向用户推荐排序后的银行产品信 息集合。 10.如权利要求9所述的银 行产品信息推荐装置， 其特 征在于， 所述处 理模块具体用于： 获取第一银 行产品信息对应的第一权 重以及第二银 行产品信息对应的第二权 重； 根据第一权重、 第二权重分别对第一银行产品信息以及第二银行产品信息加权， 得到 银行产品信息集 合中各个银 行产品信息对应的兴趣指数。 11.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至8任一所述方 法。 12.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现权利要求1至8任一所述方法。 13.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序， 所述计 算机程序被处 理器执行时实现权利要求1至8任一所述方法。权　利　要　求　书 2/2 页 3 CN 115205051 A 3