[发明专利]基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法

权利要求书

1.一种基于朴素贝叶斯分类的银行金融产品实时推荐系统的实时推荐方法，其特征在于，其包括如下步骤：

（S01）采集银行业务系统、外围系统、互联网/移动互联网的数据，并加工和存储到基础数据库；

（S02）对全量客户的数据属性进行特征处理，转换为数据特征形成特征库；

（S03）将特征库内的数据分为训练数据集和验证数据集，分别用于朴素贝叶斯分类算法模型的训练和评估，经多次迭代得到模型库；

（S04）识别客户特征，并结合朴素贝叶斯分类算法模型库实时匹配客户最有可能购买的金融产品；

（S05）将模型预测模块匹配出的金融产品实时推送给应用端的客户。

2.如权利要求1所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S01）包括如下步骤：

（S11）通过离线采集方式和在线采集方式采集客户属性数据、金融产品属性数据和客户行为数据；

（S12）对步骤（S11）中采集到的数据进行质量分析、数据清理和数据整合。

3.如权利要求2所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S11）中采集的数据来源包括：1）银行核心业务系统的客户信息、存贷款、信用卡、基金、理财和保险数据；2）本地特色业务系统的工资、水电费、物业管理费和通信费交易数据；3）外围系统的人行征信数据；4）互联网/移动互联网的网上银行、微信银行、移动银行APP、社交媒体和电商数据。

4.如权利要求3所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S02）包括如下步骤：

（S21）对所有客户属性进行分析，挑选合适的数据属性作为候选特征，同时对候选特征或者各种组合数据进行计算，推导出新的特征；

（S22）根据朴素贝叶斯分类算法模型的特性和要求，对步骤（S11）中的候选特征进行特征处理；

（S23）选择获得模型和算法最好性能的特征集；

（S24）降低特征矩阵维度，并形成特征库提供给模型训练模块使用。

5.如权利要求4所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S22）中特征处理的工程方法包括如下处理步骤：

（S221）通过离散化方法对多个连续型特征进行离散处理；

（S222）通过归一化方法对连续型特征进行无量纲化处理；

（S223）通过哑编码方法将定性特征转换为定量特征。

6.如权利要求5所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S222）中的归一化方法包括min-max方法和z-score方法。

7.如权利要求6所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S03）包括如下步骤：

（S31）随机从特征库提取80%的数据作为训练集，用于训练模块使用；特征库中剩下20%的数据作为验证集，用于模型评估模块使用；

（S32）输入训练集，计算并保存每个金融产品的售卖概率和每种特征对应每个金融产品的条件概率，且用于结合参数建立基于朴素贝叶斯分类的金融产品推荐模型库；

（S33）输入验证集，对客户购买金融产品进行预测，根据预测结果和验证集中实际购买的金融产品计算命中率，统计出评测指标来评估模型。

8.如权利要求7所述的基于朴素贝叶斯分类的银行金融产品实时推荐方法，其特征在于，步骤（S04）包括如下步骤：

（S41）对应用接入模块传送过来的客户身份证号、银行卡号、指纹图像、面部图像进行客户识别，得到客户特征集；

（S42）根据客户的特征集在模型库中读取每种特征对应每个金融产品的条件概率，再结合每个金融产品的售卖概率和参数计算金融产品分类排序值；按照金融产品分类排序值预测出对应的金融产品集；

（S43）对预测出来的金融产品集进行筛选，得到最终的金融产品，并通过应用接入模块推送给客户。