(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 202211005296.7 (22)申请日 2022.08.22 (71)申请人 中国国际金融股份有限公司 地址 100020 北京市朝阳区建国门外大街1 号国贸大厦2座27层 及28层 (72)发明人 郭晨　周海　苏航　卫星　 (74)专利代理 机构 中国专利代理(香港)有限公 司 72001 专利代理师 刘靖龙　陈岚 (51)Int.Cl. G06F 16/9535(2019.01) G06Q 40/06(2012.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 金融产品推荐 方法和装置、 计算设备以及计 算机存储介质 (57)摘要 本申请描述了金融产品推荐方法， 包括： 获 取多个样本金融产品的产品数据和多个样本用 户的用户数据； 基于每个样本金融产品的产品数 据和产品标签对第一深度学习网络进行训练以 得到第一特征提取网络； 基于每个样本用户的用 户数据和用户标签对第二深度学习网络进行训 练以得到第二特征提取网络； 利用第一特征提取 网络提取多个样本金融产品的产品特征向量， 利 用第二特征提取网络提取多个样本用户的用户 特征向量； 基于多个样本金融产品的产品特征向 量和多个样 本用户的用户特征向量， 对多个样本 金融产品和多个样本用户进行聚类， 以得到多个 金融产品类别和多个用户类别； 基于多个金融产 品类别和/或多个用户类别， 向目标用户推荐目 标金融产品。 权利要求书5页 说明书20页 附图8页 CN 115238193 A 2022.10.25 CN 115238193 A 1.一种金融产品推荐方法， 包括： 获取多个样本金融产品的产品数据和多个样本用户的用户数据， 其中， 每个样本金融 产品的产品数据包括多个产品属性并被标记有取决于所述多个产品属性的多个产品标签， 以及每个样本用户的用户数据包括多个用户属 性并被标记有取决于所述多个用户属 性的 多个用户标签， 并且其中所述多个样本金融产品为多个样本用户历史上感兴趣的金融产 品； 基于所述多个样本金融产品中的每个样本金融产品的产品数据和对应的多个产品标 签对第一深度学习网络进 行训练以得到第一特征提取网络， 使得所述第一特征提取网络用 于提取金融产品的产品特 征向量； 基于所述多个样本用户中的每个样本用户的用户数据和对应的多个用户标签对第二 深度学习网络进 行训练以得到第二特征提取网络， 使得所述第二特征提取网络用于提取用 户的用户特 征向量； 利用所述第一特征提取网络并且基于所述多个样本金融产品的产品数据提取所述多 个样本金融产品的产品特征向量， 以及利用所述第二特征提取网络并且基于多个样本用户 的用户数据提取 所述多个样本用户的用户特 征向量； 分别基于所述多个样本金融产品的产品特征向量和所述多个样本用户的用户特征向 量， 对所述多个样本金融产品和多个样本用户进行聚类， 以得到多个金融产品类别和多个 用户类别， 其中每个金融产品类别包括至少一个样本金融产品， 以及每个用户类别包括至 少一个样本用户； 基于所述多个金融产品类别和多个用户类别中的至少一种， 向目标用户推荐目标金融 产品， 所述目标 金融产品包括所述多个样本金融产品中的至少一部分。 2.根据权利要求1所述的方法， 其中， 基于所述多个样本金融产品中的每个样本金融产 品的产品数据和对应的多个产品标签对第一深度学习网络进行训练以得到第一特征提取 网络， 包括： 针对所述多个样本金融产品中的每两个样本金融产品， 基于所述每两个样本金融产品 中第一样本金融产品的多个产品属 性并利用第一深度学习网络提取第一样本金融产品的 产品特征向量， 以及基于所述每两个样本金融产品中第二样本金融产品的多个产品属性并 利用第一深度学习网络提取第二样本金融产品的产品特 征向量； 基于第一样本金融产品的产品特征向量和第 二样本金融产品的产品特征向量， 确定第 一样本金融产品和第二样本金融产品的第一相似度； 基于第一样本金融产品的产品标签和第二样本金融产品的产品标签确定第一样本金 融产品和第二样本金融产品的第二相似度； 基于第一样本金融产品和第二样本金融产品的第一相似度和第二相似度确定所述第 一深度学习网络的损失函数； 调整所述第一深度学习 网络的参数， 使得所述损 失函数最小化， 从而得到所述第一特 征提取网络 。 3.根据权利要求1所述的方法， 其中， 基于所述多个样本用户中的每个样本用户的用户 数据和对应的多个用户标签对第二深度学习网络进行训练以得到第二特征提取网络， 包 括：权　利　要　求　书 1/5 页 2 CN 115238193 A 2针对所述多个样本用户中的每两个样本用户， 基于所述每两个样本用户中第 一样本用 户的多个用户属性并利用第二深度学习网络提取第一样本用户的用户特征向量， 以及基于 所述每两个样本用户中第二样本用户的多个用户属 性并利用第二深度学习网络提取第二 样本用户的用户特 征向量； 基于第一样本用户的用户特征向量和第 二样本用户的用户特征向量， 确定第 一样本用 户和第二样本用户的第一相似度； 基于第一样本用户的用户标签和第二样本用户的用户标签确定第一样本用户和第二 样本用户的第二相似度； 基于第一样本用户和第二样本用户的第一相似度和第二相似度确定所述第二深度学 习网络的损失函数； 调整所述第二深度学习 网络的参数， 使得所述损 失函数最小化， 从而得到所述第二特 征提取网络 。 4.根据权利要求1所述的方法， 其中， 基于所述多个金融产品类别和多个用户类别中的 至少一种， 向目标用户推荐目标 金融产品， 包括： 响应于目标用户的历史上感兴趣的金融产品不为空集， 基于所述多个金融产品类别和 所述目标用户的历史上感兴趣的金融产品的多个产品属性向目标用户推荐目标 金融产品； 响应于目标用户的历史上感兴趣的金融产品为空集， 基于所述多个用户类别以及目标 用户的多个用户属性向目标用户推荐目标 金融产品。 5.根据权利要求4所述的方法， 其中， 响应于目标用户的历史上感兴趣的金融产品不为 空集， 基于所述多个金融产品类别和所述目标用户的历史上感兴趣的金融产品的多个产品 属性向目标用户推荐目标 金融产品， 包括： 基于所述目标用户的历史上感兴趣的金融产品的多个产品属性， 利用第 一特征提取网 络提取所述目标用户的历史上感兴趣的金融产品的产品特 征向量； 基于所述目标用户的历史上感兴趣的金融产品的产品特征向量， 从所述多个金融产品 类别中召回与所述目标用户的历史上感兴趣的金融产品具有相同金融产品类别的样本金 融产品； 将所召回的样本金融产品中的至少一部分作为目标 金融产品推荐给 所述目标用户。 6.根据权利要求4所述的方法， 其中， 响应于目标用户的历史上感兴趣的金融产品为空 集， 基于所述多个用户类别以及目标用户的多个用户属 性向目标用户推荐目标金融产品， 包括： 基于所述目标用户的多个用户属性， 利用第 二特征提取网络提取所述目标用户的用户 特征向量； 基于所述目标用户的用户特征向量， 从所述多个用户类别中确定与 所述目标用户具有 相同用户类别的样本用户； 将所确定的具有相同用户类别的样本用户历史上感兴趣的样本金融产品进行召回； 将所召回的样本金融产品中的至少一部分作为目标 金融产品推荐给 所述目标用户。 7.根据权利要求5或6所述的方法， 其中， 所召回的样本金融产品的数量为至少两个， 并 且将所召回的样本金融产品中的至少一部分作为目标金融产品推荐给所述目标用户， 包 括：权　利　要　求　书 2/5 页 3 CN 115238193 A 3