CN109035028B - 智能投顾策略生成方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开提供了一种基于迁移学习的智能投顾策略生成方法及装置、电子设备、计算机可读存储介质，属于数据处理技术领域。该方法包括：获取源理财策略生成模型；根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；将获取的目标对象的基本数据输入所述智能投顾策略生成模型进行分析，生成所述目标对象的智能投顾策略。本公开可以将理财策略生成模型迁移到智能投顾策略生成模型中，降低训练量，弥补智能投顾样本数据不足的短板，提高智能投顾策略的准确率。

Description

智能投顾策略生成方法及装置、电子设备、存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种基于迁移学习的智能投顾策略生成方法及装置、电子设备、计算机可读存储介质。

背景技术

数据处理及大数据分析技术越来越多的应用于金融服务领域，为投资者用户提供理论性的投资建议。智能投顾(Robo-Advisor)是金融服务领域的一种新兴产品，是指根据用户的基本信息、风险承受水平、收益目标以及风格偏好等，运用智能算法或投资最优组合等理论模型，为用户提供综合性的投资参考，包括资产配置及资产动态平衡等方面的策略。

由于智能投顾的发展时间尚短，在进行智能投顾策略开发的过程中，普遍缺乏足够的样本数据及历史经验，导致现有的智能投顾策略算法模型准确率较低，难以对用户进行精准分类，且最终的策略难以保证理想的投资收益，从而影响智能投顾产品的质量。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于迁移学习的智能投顾策略生成方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服由于现有技术的限制和缺陷而导致的智能投顾策略准确率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于迁移学习的智能投顾策略生成方法，包括：获取源理财策略生成模型；根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；将获取的目标对象的基本数据输入所述智能投顾策略生成模型进行分析，生成所述目标对象的智能投顾策略。

在本公开的一种示例性实施例中，获取源理财策略生成模型包括：获取源理财策略的样本数据及结果标签，并训练一机器学习模型，以获取所述源理财策略生成模型。

在本公开的一种示例性实施例中，根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型包括：从所述源理财策略的样本数据中获得理财特征集合；从所述智能投顾策略的样本数据中获得智能投顾特征集合，并根据所述智能投顾特征集合调整所述源理财策略生成模型的输入向量的维度；将属于所述智能投顾特征集合且不属于所述理财特征集合的特征的权重系数初始值设为0，获得中间模型；根据所述智能投顾策略的样本数据及结果标签训练所述中间模型，获取所述智能投顾策略生成模型。

在本公开的一种示例性实施例中，所述智能投顾策略生成模型的输出包括多维度向量或分类结果。

在本公开的一种示例性实施例中，所述机器学习模型包括神经网络模型、回归模型及支持向量机模型中的一种或多种。

在本公开的一种示例性实施例中，所述机器学习模型包括神经网络模型；其中，调整所述源理财策略生成模型的参数包括：调整所述神经网络模型的权重系数，及/或增加至少一个中间层。

在本公开的一种示例性实施例中，还包括：周期性的获取所述目标对象的基本数据的变化，并更新所述目标对象的智能投顾策略。

根据本公开的一个方面，提供一种基于迁移学习的智能投顾策略生成装置，包括：源模型获取模块，用于获取源理财策略生成模型；模型迁移学习模块，用于根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；目标对象分析模块，用于将获取的目标对象的基本数据输入所述智能投顾策略生成模型进行分析，生成所述目标对象的智能投顾策略。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种示例性实施例所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种示例性实施例所述的方法。

本公开的示例性实施例具有以下有益效果：

在上述方法及装置中，以源理财策略生成模型为基础，根据少量的智能投顾策略样本数据及结果标签调整源模型的参数及输入向量的维度，并通过训练得到智能投顾策略生成模型，从而完成从源理财策略生成模型到智能投顾策略生成模型的迁移学习；再通过智能投顾策略生成模型分析目标对象的基本数据，为目标对象生成智能投顾策略。一方面，本实施例通过将理财策略生成模型迁移到智能投顾策略生成模型，在理财产品与智能投顾产品之间共享了知识与经验，解决了智能投顾策略生成模型的冷启动问题，降低了模型的训练量，弥补了样本数据不足的短板，使生成的智能投顾策略具有较高的准确率。另一方面，本实施例在获取目标对象的基本数据后，可以通过训练完成的智能投顾策略生成模型为目标对象生成智能投顾策略，实现了智能投顾策略的自动化生成，从而降低了人力成本，提高了智能投顾策略生成过程的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出应用本公开示例性实施例的一种智能投顾策略生成方法的系统架构图。

图2示出本公开示例性实施例中一种智能投顾策略生成方法的流程图。

图3示出本公开示例性实施例中一种智能投顾策略生成方法的子流程图。

图4示出本公开示例性实施例中一种智能投顾策略生成模型的示意图。

图5示出本公开示例性实施例中一种智能投顾策略生成装置的结构框图。

图6示出本公开示例性实施例中一种用于实现上述方法的电子设备。

图7示出本公开示例性实施例中一种用于实现方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种基于迁移学习的智能投顾策略生成方法。智能投顾策略是指针对于不同的投资者用户、企业型客户等对象，具体提供的投资组合或资产配置建议的策略。本示例性实施例的方法以理财策略生成模型为源模型，通过迁移学习将其转换为智能投顾策略生成模型。

图1示出了可以运行本示例性实施例的智能投顾策略生成方法的一种系统架构示意图。如图1所示，系统100可以包括终端设备101、102、103，网络104，服务器105及数据库106。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以发送或接收信息。服务器105可以通过从数据库106读写数据，为用户提供服务支持，例如从数据库106中获取终端设备101、102、103的用户信息数据，生成相应的智能投顾策略，并反馈到终端设备101、102、103。在一些情况下，数据库106也可以安装于服务器105上。

基于上述说明，本示例性实施例中的智能投顾策略生成方法可以应用于服务器105上。

应当理解，图1中的终端设备、网络、服务器与数据库的数目仅仅是示意性的，根据实际需要，可以设置任意数目的终端设备、网络、服务器与数据库。

需要说明的是，不限于图1所示的系统，本示例性实施例的方法也可以应用于不与终端设备连接的计算机中，基于获取的用户信息数据，生成智能投顾策略，可以将智能投顾策略发送给相应的服务器，通过服务器反馈到用户终端，也可以通过电话、短信等方式反馈给用户。本实施例对此不做特别限定。

下面结合附图2对本实施例的智能投顾策略生成方法做进一步说明，参考图2所示，该方法可以包括以下步骤：

步骤S21，获取源理财策略生成模型。

源理财策略生成模型可以是已有的模型。理财策略通常是指为用户购买理财产品提供建议的策略，相较于智能投顾策略，理财策略涉及的数据特征量较少、策略复杂度较低，因此不能直接的用于智能投顾产品，而可以作为智能投顾策略的辅助或引导。

相较于智能投顾而言，理财服务的发展时间较长，企业通常积累了大量的历史理财数据及经验。在一示例性实施例中，步骤S21可以通过以下步骤实现：获取源理财策略的样本数据及结果标签，并训练一机器学习模型，以获取源理财策略生成模型。可以从历史理财数据中采集样本数据，并将已经确定的理财策略结果作为结果标签，与样本数据一起输入到机器学习模型中，通过多次迭代计算模型的各项参数，可以获取完整的模型。在理财策略分析中，通常以用户的个人信息或行为数据为基础，按照多个特征统计后，以特征向量的形式输入到模型中。因此，机器学习模型可以包括神经网络模型、回归模型、支持向量积模型等，这些机器学习模型非常适合于处理多维度向量的数据分析，因此可以作为源理财策略生成模型的初始模型。

步骤S22，根据智能投顾策略的样本数据及结果标签，调整源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型。

由于智能投顾产品的上线时间较短，具有结果标签的智能投顾策略样本数据很少，大量可获得的数据都没有对应的结果标签。如果以少量的样本数据及结果标签对初始的机器学习模型进行训练，难以保证较高的训练度及准确率。因此可以将步骤S21中获取的源理财策略生成模型作为迁移学习中的源模型，考虑到智能投顾策略可能涉及到用户更多的特征信息，因此可以调整源理财策略生成模型的输入向量的维度，同时调整参数，包括参数的数量与具体数值，可以根据经验在源理财策略生成模型的基础上手动调整，也可以在训练过程中通过迭代进行调整。源理财策略生成模型中已经训练得到的参数对于智能投顾策略生成模型的训练有重要的参考作用，由于理财策略与智能投顾策略在算法原理上具有较高的共通性，这一部分参数通常在智能投顾策略生成模型的训练过程中不会有太大程度的变化，因而可以降低训练量。

步骤S23，将获取的目标对象的基本数据输入智能投顾策略生成模型进行分析，生成目标对象的智能投顾策略。

其中，目标对象可以是投资者用户、企业型客户等，基本数据是指与智能投顾策略分析相关的各种数据，包括个人信息、行为数据等。通过以上步骤中获得的智能投顾策略生成模型，对目标对象的基本数据进行分析，可以生成适合于目标对象的智能投顾策略。

在上述方法中，以源理财策略生成模型为基础，根据少量的智能投顾策略样本数据及结果标签调整源模型的参数及输入向量的维度，并通过训练得到智能投顾策略生成模型，从而完成从源理财策略生成模型到智能投顾策略生成模型的迁移学习；再通过智能投顾策略生成模型分析目标对象的基本数据，为目标对象生成智能投顾策略。一方面，本实施例通过将理财策略生成模型迁移到智能投顾策略生成模型，在理财产品与智能投顾产品之间共享了知识与经验，解决了智能投顾策略生成模型的冷启动问题，降低了模型的训练量，弥补了样本数据不足的短板，使生成的智能投顾策略具有较高的准确率。另一方面，本实施例在获取目标对象的基本数据后，可以通过训练完成的智能投顾策略生成模型为目标对象生成智能投顾策略，实现了智能投顾策略的自动化生成，从而降低了人力成本，提高了智能投顾策略生成过程的效率。

在一示例性实施例中，参考图3所示，步骤S22可以通过步骤S31～S34实现：

步骤S31，从源理财策略的样本数据中获得理财特征集合；

步骤S32，从智能投顾策略的样本数据中获得智能投顾特征集合，并根据智能投顾特征集合调整源理财策略生成模型的输入向量的维度；

步骤S33，将属于智能投顾特征集合且不属于理财特征集合的特征的权重系数初始值设为0，获得中间模型；

步骤S34，根据智能投顾策略的样本数据及结果标签训练中间模型，获取智能投顾策略生成模型。

理财特征即理财策略需要考虑用户哪些特征的信息，将其整理为理财特征集合；将智能投顾策略需要考虑用户的特征整理为智能投顾特征集合。通常理财特征在智能投顾策略分析中都需要考虑，而反过来却不一定，即理财特征集合可以是智能投顾特征集合的一个子集。以表1为例，理财特征可以包括年龄、职业、收入等8个特征，智能投顾特征除了这8个特征外，还可以包括历史借贷行为、健康状况等4个特征，可见，智能投顾特征的数量一般更多，且包含了全部的理财特征。通常对样本数据进行整理统计后，可以得到特征集合。

理财特征	智能投顾特征
		年龄	年龄
职业	职业
		收入	收入
财产状况	财产状况
		投资总额	投资总额
历史投资行为	历史投资行为
		投资类型偏好	投资类型偏好
回报期望	回报期望
			历史借贷行为
	健康状况
			居住地
	个人负债状况

表1

基于表1所示的情况，在源理财策略生成模型中，输入的向量应当是8个维度的向量，而智能投顾策略生成模型中应当输入12个维度的向量。因此在进行模型的迁移学习时，可以首先将源理财策略生成模型的输入向量的维度调整为与智能投顾特征数量一致，多出的维度对应于理财策略不需要考虑的特征，因此可以将这些特征的权重系数初始值设为0，同时可以保留源理财策略生成模型中已有的权重系数，从而根据智能投顾策略生成模型的最终形式对源理财策略生成模型进行了调整，获得中间模型。之后根据智能投顾策略的样本数据及结果标签对中间模型进行训练，可以调整及优化模型参数，最终获得智能投顾策略生成模型。

进一步的，还可以对源理财策略生成模型的输出形式进行调整，以符合智能投顾策略的具体形式。源理财策略生成模型的输出可以为两种形式：多维度向量或分类结果。多维度向量是指以各种理财产品的比例形式输出的理财策略，多维度向量中的每个维度代表每种理财产品，其数值代表比例；分类结果是指将具体的各种理财策略确定为各种分类，每种分类下的理财策略已经事先确定好，模型只需要确定属于哪种分类，进而决定采用哪种理财策略。相应的，智能投顾策略生成模型的输出也可以为上述两种形式：多维度向量或分类结果。如果源理财生成模型输出多维度向量，在智能投顾策略生成模型中，可以根据金融产品的数量增加输出向量的维度；如果源理财生成模型输出分类结果，在智能投顾策略生成模型中，可以根据金融产品的组合或配置情况增加分类的数量。

在一示例性实施例中，源理财策略生成模型可以是神经网络模型，则在调整源理财策略生成模型的参数时，具体而言，可以调整神经网络模型的权重系数，或增加至少一个中间层。

下面通过一具体示例做进一步说明，以表1中的特征为基础，可以构建如图4所示的神经网络模型。其中虚线部分为源理财策略生成模型，包括输入层Input(S)，第一中间层Mid(S)1(源理财策略生成模型中只包含一个中间层)，输出层Output(S)。

输入8维度的向量，Input(S)＝[x1x2…x8]，其中x1、x2等表示每个特征的输入数值；

通过权重系数W(S)1可以计算第一中间层：

再通过权重系数W(S)2可以计算输出层：

在本实施例中，源理财策略生成模型的输出为多维度向量，表示理财A、理财B、理财C、基金、债券之间的比例。通过输入理财策略的样本数据及结果标签，可以训练得到W(S)1与W(S)2的值，进而确定源理财策略生成模型。

在进行模型的迁移学习时，由于输入层及输出层的维度改变，通常中间层的维度也可以相应的改变，例如图4中所示，第一中间层的维度由源理财策略生成模型中的4个变为智能投顾策略生成模型中的8个。

图4中的完整模型即智能投顾策略生成模型，其中包括输入层Input(T)，第一中间层Mid(T)1，输出层Output(T)。

输入12维度的向量，Input(T)＝[y1 y2…y12]，其中y1、y2等表示每个特征的输入数值；

通过权重系数W(T)1可以计算第一中间层：

在不增加中间层时，可以通过权重系数W(T)2计算输出层：

可见，权重系数W(T)1、W(T)2相较于源理财策略生成模型中的权重系数W(S)1、W(S)2有一定的差别，因此需要调整源理财策略生成模型中的权重系数。

举例而言，可以通过图3中的步骤S33为图4的神经网络模型设定权重系数初始值，在输入层，由于最后4个特征属于智能投顾特征集合而不属于理财特征集合，可以将这4个特征的权重系数初始值设为0，则权重系数W(T)1的初始值可以为：

并在后续训练过程中不断调整其中的各权重项，以得到权重系数的最优值。

此外，如图4所示，还可以增加一个或多个中间层，以体现智能投顾特征与智能投顾策略之间更复杂的关系。在增加中间层时，可以复制一个已有的中间层，在训练过程中逐步调整其维度及权重系数，以解决中间层赋初值的问题。由于增加中间层将增加训练量，在源理财策略生成模型的迁移学习过程中，可以优先调整权重系数，当调整权重系数不能使模型的准确率达到要求时，再增加中间层。

需要说明的是，图4仅是源理财策略生成模型及智能投顾策略生成模型的一种示例，不限于图4所示的特征名称、维度数量、中间层数量以及各层的具体形式。图4中对中间层各维度的实际含义进行文字标注(客户定位、基本需求等)是为了便于在模型初始阶段设置权重系数的初值，以及增加模型的透明度，方便参数调试，而神经网络模型为黑箱模型，通常中间层的各维度不需要有对应的实际含义，其在训练过程中可能对中间层进行较大程度的调整，以得到最优的模型参数，使输出尽可能的准确。因此图4所示的神经网络模型中各维度的文字标注不构成对本公开保护范围的限定。

在一示例性实施例中，智能投顾策略生成方法还可以包括：周期性的获取目标对象的基本数据的变化，并更新目标对象的智能投顾策略。目标对象的基本数据的变化通常可以包括两种情况：用户基本信息或行为数据的变化，以及在使用智能投顾产品的过程中由于收益导致的资产方面的变化。当基本数据变化时，根据基本数据分析得到的智能投顾策略相应的也可能改变，因此可以周期性的更新目标对象的智能投顾策略，以实现资产的动态最优配置，提高收益。

在智能投顾策略生成模型实际使用的过程中，还可以将使用结果反馈回模型，例如根据智能投顾策略实际的应用情况对其智能投顾策略做出微调，并将微调后的智能投顾策略作为样本数据的结果标签，以迭代优化模型的参数，从而进一步提高模型生成的智能投顾策略的准确性。

本公开的示例性实施例还提供了一种基于迁移学习的智能投顾策略生成装置，参考图5所示，该装置500可以包括：源模型获取模块510，用于获取源理财策略生成模型；模型迁移学习模块520，用于根据智能投顾策略的样本数据及结果标签，调整源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；目标对象分析模块530，用于将获取的目标对象的基本数据输入智能投顾策略生成模型进行分析，生成目标对象的智能投顾策略。各模块的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本公开的这种示例性实施例的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元610可以执行图2所示的步骤S21～S23，也可以执行图3所示的步骤S31～S34。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。

存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (8)

1.一种基于迁移学习的智能投顾策略生成方法，其特征在于，包括：

获取源理财策略生成模型；

根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；

将获取的目标对象的基本数据输入所述智能投顾策略生成模型进行分析，生成所述目标对象的智能投顾策略；

其中，所述获取源理财策略生成模型包括：

获取源理财策略的样本数据及结果标签，并训练一机器学习模型，以获取所述源理财策略生成模型；

所述根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型包括：

从所述源理财策略的样本数据中获得理财特征集合；

从所述智能投顾策略的样本数据中获得智能投顾特征集合，并根据所述智能投顾特征集合调整所述源理财策略生成模型的输入向量的维度；

将属于所述智能投顾特征集合且不属于所述理财特征集合的特征的权重系数初始值设为0，获得中间模型；

根据所述智能投顾策略的样本数据及结果标签训练所述中间模型，获取所述智能投顾策略生成模型。

2.根据权利要求1所述的方法，其特征在于，所述智能投顾策略生成模型的输出包括多维度向量或分类结果。

3.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括神经网络模型、回归模型及支持向量机模型中的一种或多种。

4.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括神经网络模型；其中，调整所述源理财策略生成模型的参数包括：

调整所述神经网络模型的权重系数，及/或增加至少一个中间层。

5.根据权利要求1所述的方法，其特征在于，还包括：

周期性的获取所述目标对象的基本数据的变化，并更新所述目标对象的智能投顾策略。

6.一种基于迁移学习的智能投顾策略生成装置，其特征在于，包括：

源模型获取模块，用于获取源理财策略生成模型；

模型迁移学习模块，用于根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型；

目标对象分析模块，用于将获取的目标对象的基本数据输入所述智能投顾策略生成模型进行分析，生成所述目标对象的智能投顾策略；

其中，所述获取源理财策略生成模型包括：

获取源理财策略的样本数据及结果标签，并训练一机器学习模型，以获取所述源理财策略生成模型；

所述根据智能投顾策略的样本数据及结果标签，调整所述源理财策略生成模型的参数及输入向量的维度，获取智能投顾策略生成模型包括：

从所述源理财策略的样本数据中获得理财特征集合；

从所述智能投顾策略的样本数据中获得智能投顾特征集合，并根据所述智能投顾特征集合调整所述源理财策略生成模型的输入向量的维度；

将属于所述智能投顾特征集合且不属于所述理财特征集合的特征的权重系数初始值设为0，获得中间模型；

根据所述智能投顾策略的样本数据及结果标签训练所述中间模型，获取所述智能投顾策略生成模型。

7.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。