互联网金融产品的个性化营销，是互金领域继风控、反欺诈、信用建模之后，又一个非常重要的研究课题。与搜索广告、电商推荐一样，金融产品个性化营销也是以“触达”到“转化”为业务目标，但不同的是，金融行业大数据面临着更长的用户决策周期，更稀疏的用户行为，及互金市场瞬息万变情况下更缺失的历史反馈样本。在这种情况下，我们以互金行业的领域知识为基础，充分挖掘海量用户的多头借贷、差异化额度/利率、周期性复贷等大数据的业务价值，将经典的 Matching + Ranking 的推荐算法框架应用到互金营销领域，同时，将搜索排序中的 query-doc base 的 learning to rank 模型转化为 campaign-user base 的营销排序模型，将深度学习结合 attention 机制挖掘用户差异化的金融产品需求偏好，用半监督结合数据增广的方式解决金融域的样本稀疏问题，并通过 uplift model 挖掘用户对营销触达方式的敏感度，一整套的 AI 解决方案正通过同盾大数据平台服务于互金行业的各类型客户中。 

听众受益

1、 campaign-user base 的营销排序模型如何挖掘营销长尾人群； 

2、 uplift model 挖掘用户对营销触达方式的敏感度，助力营销 ROI 大幅提升； 

3、 深度学习结合 attention 机制如何挖掘用户差异化的金融产品需求，及感知用户的需求转移和变化； 

4、 半监督结合数据增广的方式如何解决金融域的样本稀疏问题。