CN111222993A

CN111222993A - 基金推荐方法及装置

Info

Publication number: CN111222993A
Application number: CN202010004087.5A
Authority: CN
Inventors: 谢阳; 戴丹; 漆英; 蓝振杰
Original assignee: Industrial and Commercial Bank of China Ltd ICBC
Current assignee: Industrial and Commercial Bank of China Ltd ICBC
Priority date: 2020-01-03
Filing date: 2020-01-03
Publication date: 2020-06-02

Abstract

本发明提供了一种基金推荐方法及装置，该方法包括：根据预生成的循环神经网络LSTM目标模型预测所述基金的未来走势；根据预生成的深度神经网络DNN目标模型生成客户的偏好基金数据；计算所述偏好基金数据与基金特征数据之间的相似度；根据所述相似度以及所述未来走势推荐基金至客户。本发明提供的基金推荐方法及装置，通过对基金特征和客户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，从而为客户提供更好的投资指导作用。

Description

基金推荐方法及装置

技术领域

本发明涉及人工智能领域技术领域，具体涉及金融行业的智能机器人技术领域，特别是涉及一种基于循环神经网络LSTM模型的基金推荐方法。

背景技术

投资基金业随着证券市场的发展而诞生，虽然发展历史不长，但基金数量却增长迅猛。面对数量众多的基金，普通客户如何找到符合自己需求的产品是一大难题。现有技术中，业界大多数基金平台给客户推荐产品采用的是专家推荐方法，但这种方法有一个明显的弊端，专家给出的推荐基金无法考虑每个客户自身情况，单一的专家推荐产品难以满足众多客户需求，客户体验较差。例如，对于不同的客户而言，个体差异对客户的基金偏好有很大影响，因此基金经理无法给出针对性的推荐。同时，市面上的基金数据庞大且复杂，难以对各个基金量化分析。因此，大众客户选择基金只有两种方式，一是选择投资人推荐的可能最迎合大众的基金，但该方式未必符合客户偏好，二是在基金市场由客户独自选择基金，但由于大多数客户并不具有专业的投资知识，难以准确地挑选到符合自己需求的产品。

因此，如何从海量基金中为客户精准挑选合适于客户的基金产品是业内亟待解决的问题。

发明内容

针对现有技术中的问题，本发明提供的基金推荐方法及装置，通过对基金特征和客户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，从而为客户提供更好的投资指导作用。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种基金推荐方法，包括：

根据预生成的循环神经网络LSTM目标模型预测所述基金的未来走势；

根据预生成的深度神经网络DNN目标模型生成客户的偏好基金数据；

计算所述偏好基金数据与基金特征数据之间的相似度；

根据所述相似度以及所述未来走势推荐基金至客户。

一实施例中，所述基金特征数据包括：购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值以及主题板块；

所述客户理财数据包括：年龄、性别、收入、风险承受能力、职业以及受教育程度；

所述风险承受能力由对客户的调查分析获得。

一实施例中，所述生成循环神经网络LSTM模型包括：

将所述基金特征数据转换为结构化数据；

将所述近七日增长率设置为标签，并对所述购买人数、持有人数、历史收益率、访问量、估值、净值以及主题板块以日期进行排序，以生成第一训练数据对；

利用所述第一训练数据对循环神经网络LSTM初始模型进行训练，以生成所述循环神经网络LSTM目标模型。

一实施例中，所述生成深度神经网络DNN目标模型包括：

根据客户理财数据构建所述客户的偏好基金数据；

根据所述客户理财数据以及所述偏好基金数据生成第二训练数据对；

利用第二训练数据对度神经网络DNN初始模型进行训练，以生成所述深度神经网络DNN目标模型。

一实施例中，所述计算所述偏好基金数据与所述基金特征数据之间的相似度，包括：

根据所述基金特征数据构建基金特征分布坐标系；

计算所述偏好基金数据与所述基金特征数据之间的距离；

根据所述距离计算所述相似度。

一实施例中，所述计算所述偏好基金数据与所述基金特征数据之间的距离，包括：

利用非扩散的DBSCAN聚类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

利用反KNN分类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

一实施例中，所述根据所述相似度以及所述未来走势推荐基金至客户，包括：

根据所述相似度生成第一推荐基金序列；

根据所述未来走势生成第二推荐基金序列；

将所述第一推荐基金序列以其在所述第二推荐基金序列的顺序降序排序，以生成第三推荐基金序列；

推荐所述第三推荐基金序列至客户。

第二方面，本发明提供一种基金推荐装置，包括：

未来走势生成单元，用于根据预生成的循环神经网络LSTM目标模型预测所述基金的未来走势；

偏好基金数据生成单元，用于根据预生成的深度神经网络DNN目标模型生成客户的偏好基金数据；

相似度计算单元，用于计算所述偏好基金数据与基金特征数据之间的相似度；

基金推荐单元，用于根据所述相似度以及所述未来走势推荐基金至客户。

所述风险承受能力由对客户的调查分析获得。

一实施例中，所述未来走势生成单元包括：

第一数据转换模块，用于将所述基金特征数据转换为结构化数据；

第一训练数据生成模块，用于将所述近七日增长率设置为标签，并对所述购买人数、持有人数、历史收益率、访问量、估值、净值以及主题板块以日期进行排序，以生成第一训练数据对；

LSTM目标模型生成模块，用于利用所述第一训练数据对循环神经网络LSTM初始模型进行训练，以生成所述循环神经网络LSTM目标模型。

一实施例中，所述偏好基金数据生成单元包括：

偏好基金数据构建模块，用于根据客户理财数据构建所述客户的偏好基金数据；

第二训练数据生成模块，用于根据所述客户理财数据以及所述偏好基金数据生成第二训练数据对；

DNN目标模型生成模块，用于利用第二训练数据对度神经网络DNN初始模型进行训练，以生成所述深度神经网络DNN目标模型。

一实施例中，所述相似度计算单元包括：

坐标系构建模块，用于根据所述基金特征数据构建基金特征分布坐标系；

距离计算模块，用于计算所述偏好基金数据与所述基金特征数据之间的距离；

相似度计算模块，用于根据所述距离计算所述相似度。

一实施例中，所述距离计算模块具体用于利用非扩散的DBSCAN聚类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

一实施例中，所述距离计算模块具体用于利用反KNN分类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

一实施例中，所述基金推荐单元包括：

第一推荐基金序列生成模块，用于根据所述相似度生成第一推荐基金序列；

第二推荐基金序列生成模块，用于根据所述未来走势生成第二推荐基金序列；

第三推荐基金序列生成模块，用于将所述第一推荐基金序列以其在所述第二推荐基金序列的顺序降序排序，以生成第三推荐基金序列；

基金推荐模块，用于推荐所述第三推荐基金序列至客户。

第三方面，本发明提供一种电子设备，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，处理器执行程序时实现基金推荐方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基金推荐方法的步骤。

从上述描述可知，本发明实施例提供的基金推荐方法及装置，以现有用户数据为学习样本，精准为每一个新客户预测其基金偏好。同时，引入了对基金历史数据建模的基金未来趋势预测。不仅满足于满足客户基金偏好的需求，而且通过在客户偏好基金的基础上以未来趋势筛选基金，助客户了解市场的投资趋向，达到更好地投资指导作用。综上，本发明实施例通过对基金特征和用户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，为用户提供更好的投资指导作用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明的实施例中基金推荐方法流程示意图；

图2为本发明的实施例中基金推荐方法步骤100的流程示意图；

图3为本发明的实施例中基金推荐方法步骤200的流程示意图；

图4为本发明的实施例中基金推荐方法步骤300的流程示意图；

图5为本发明的实施例中基金推荐方法步骤302的一流程示意图；

图6为本发明的实施例中基金推荐方法步骤302的另一流程示意图；

图7为本发明的实施例中基金推荐方法步骤400的流程示意图；

图8为本发明的具体应用实例中基金推荐方法的流程示意图；

图9为本发明的具体应用实例中基金推荐方法的思维导图；

图10为本发明的具体应用实例中基金特征分布坐标系示意图；

图11为本发明的具体应用实例中循环神经网络LSTM目标模型建模及学习过程示意图；

图12为本发明的具体应用实例中深度神经网络DNN目标模型使用示意图；

图13为本发明的具体应用实例中市场基金特征分布坐标系示意图；

图14为本发明的具体应用实例中基金推荐装置的结构框图；

图15为本发明的具体应用实例中未来走势生成单元结构框图；

图16为本发明的具体应用实例中偏好基金数据生成单元结构框图；

图17为本发明的具体应用实例中相似度计算单元结构框图；

图18为本发明的具体应用实例中基金推荐单元结构框图；

图19为本发明的实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的实施例还提供一种基金推荐方法的具体实施方式，参见图1，该方法具体包括如下内容：

步骤100：根据预生成的循环神经网络LSTM目标模型预测所述基金的未来走势。

可以理解的是，步骤100中的循环神经网络LSTM目标模型与其他传统神经网络不同，其优点是：对于多个输入数据不是独立的，在每一次计算后会把结果和下一个输入一起传入下个计算单元。因此能够实现对过去数据的“记忆”，而对未来做更准确的预测。

步骤200：根据预生成的深度神经网络DNN目标模型生成客户的偏好基金数据。

步骤200在具体实施时，具体为：建立深度神经网络DNN目标模型以构建客户画像，该神经网络建立客户个体各项数据与基金特征之间的潜在联系，将客户信息转换为个人客户偏好基金特征表示。

步骤300：计算所述偏好基金数据与基金特征数据之间的相似度。

在众多的基金中计算每个基金的基金特征数据与客户的偏好基金数据之间的相似度，从而找到最合适与该客户的基金。

步骤400：根据所述相似度以及所述未来走势推荐基金至客户。

根据步骤300选出最合适与客户的基金(可为多个)，并根据该多个基金中未来走势最好的基金(或者多个)推荐给客户，这样既满足了客户需求，又最大程度的避免了客户的投资风险。

从上述描述可知，本发明实施例提供的基金推荐方法，以现有用户数据为学习样本，精准为每一个新客户预测其基金偏好。同时，引入了对基金历史数据建模的基金未来趋势预测。不仅满足于满足客户基金偏好的需求，而且通过在客户偏好基金的基础上以未来趋势筛选基金，助客户了解市场的投资趋向，达到更好地投资指导作用。综上，本发明实施例通过对基金特征和用户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，为用户提供更好的投资指导作用。

所述风险承受能力由对客户的调查分析获得。

上述中的购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块分类等均为基金市场特征已有特征，年龄、性别、收入、风险承受能力、职业、受教育程度等均为个人用户已有数据特征，通过统计方式可得，无需人工选取或预设标准，是客观数据特征。文中提及的上述特征仅为举例说明该发明原理及流程，本实施例并不仅限于此。

一实施例中，参见图2，步骤100具体包括：

步骤101：将所述基金特征数据转换为结构化数据。

具体地，使用数据获取工具获取基金市场的基金数据，如购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块等。对每个基金取上述特征，构建为一条数据。举例：

基金A：(200000,850000，1.02％，27.35％，26300，2.3602，2.3583，医药)分别对应(购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块)。

步骤102：将所述近七日增长率设置为标签，并对所述购买人数、持有人数、历史收益率、访问量、估值、净值以及主题板块以日期进行排序，以生成第一训练数据对。

具体地，将基金历史数据以近七日增长率为标签，其余特征以日期升序构建训练数据对。

步骤103：利用所述第一训练数据对循环神经网络LSTM初始模型进行训练，以生成所述循环神经网络LSTM目标模型。

可以理解的是，循环神经网络LSTM目标模型与其他传统神经网络不同的是它对于多个输入数据不是独立的，在每一次计算后会把结果和下一个输入一起传入下个计算单元。因此能够实现对过去数据的“记忆”，而对未来做更准确的预测。通过传入基金历史数据，通过LSTM模型学习历史数据减小对近七日增长率的预测误差：

一实施例中，参见图3，步骤200具体包括：

步骤201：根据客户理财数据构建所述客户的偏好基金数据。

具体地，将已有基金的用户信息提取并建表。个人用户数据特征包括年龄、性别、收入、风险承受能力、职业、受教育程度。其中，风险承受能力由前期用户购买资金时对用户的调查分析获得。特征中的性别、风险承受能力、职业、受教育程度为非结构化数据，在建模前通过建立数据字典将其转换为数字型结构化数据。

步骤202：根据所述客户理财数据以及所述偏好基金数据生成第二训练数据对。

一实施例中，建立了已有基金用户与用户信息关联、已有基金用户与偏好基金特征关联。将两个表的数据整合可得已有基金用户信息与该用户偏好基金特征的关联。以已有基金用户信息特征作为X(年龄、性别、收入、风险承受能力、职业、受教育程度)，将用户偏好基金数据作为标签Y(购买人数、持有人数、历史收益率、访问量、估值、净值、主题板块)，建立第二训练数据对(X,Y)。

步骤203：利用第二训练数据对度神经网络DNN初始模型进行训练，以生成所述深度神经网络DNN目标模型。

深度神经网络DNN目标模型构建完成之后，对于新用户数据则可以直接使用训练好的用户画像DNN模型预测个人用户偏好基金特征。将新用户的用户数据组成新的特征数据序列传入DNN目标模型，通过模型计算并输出预测结果，即用户偏好基金数据序列。

一实施例中，参见图4，步骤300具体包括：

步骤301：根据所述基金特征数据构建基金特征分布坐标系。

步骤302：计算所述偏好基金数据与所述基金特征数据之间的距离。

步骤303：根据所述距离计算所述相似度。

在步骤301至步骤303中，将新用户特征通过用户画像DNN模型(深度神经网络DNN目标模型)预测出用户偏好基金序列(偏好基金数据)后，以此为依据在市场基金中寻找与偏好基金序列相似度高的基金作为新用户的偏好基金。具体地，构建了市场基金特征分布坐标系。将预测偏好基金特征投影在市场基金特征分布坐标系中。再通过标准化欧氏距离计算偏好基金序列点到其他基金的距离，距离小的基金与用户偏好相似度更高。

一实施例中，参见图5，步骤302可以通过步骤3021来实现：

步骤3021：利用非扩散的DBSCAN聚类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

具体地，采用非扩散的DBSCAN聚类，预设差异度半径R，认为距离用户基金偏好特征点(偏好基金数据投影点)小于R的基金都为相似度高的基金，该方式对距离敏感，适合用户基金偏好特征点周围基金数量更为密集的情况。

一实施例中，参见图6，步骤302还可以通过步骤3022来实现：

步骤3022：利用反KNN分类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

具体地，采用反KNN分类，计算市场基金点到用户基金偏好特征点的距离并排序，以距离升序取前若干个基金作为相似度高的基金，该方式能够更好应对用户基金偏好特征点周围基金数量稀疏的情况。

一实施例中，参见图7，步骤400包括：

步骤401：根据所述相似度生成第一推荐基金序列。

步骤402：根据所述未来走势生成第二推荐基金序列。

步骤403：将所述第一推荐基金序列以其在所述第二推荐基金序列的顺序降序排序，以生成第三推荐基金序列。

步骤404：推荐所述第三推荐基金序列至客户。

在步骤401至步骤404中，计算与用户偏好相似度高的基金序列，将相似度高的基金序列依次使用循环神经网络LSTM目标模型，最后将预测结果基金序列按降序排序，选取未来走势最好的前若干个作为推荐给用户的偏好基金。

可以理解的是，步骤400还可以以另一种方式来实现：在计算获得了与A用户偏好相似度高的基金序列之后，将相似度高的基金序列依次输入循环神经网络LSTM目标模型以预测该基金序列中每个基金的未来走势，最后将预测结果序列按降序排序，选取未来走势最好的前若干个推荐给新用户。

为进一步地说明本方案，本发明将基金推荐方法模块化以提供本方法的具体应用实例，该具体应用实例具体包括如下内容，参见图8以及图9。

S0：构建市场基金特征模块。

使用数据获取工具获取基金市场的基金数据，如购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块等。对每个基金取上述特征，构建为一条数据。举例：

基金A：(200000,850000，1.02％，27.35％，26300,2.3602，2.3583，医药)分别对应(购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块)。

因为基金的主题板块为非结构化数据(如：军工，医药，制造等)，不利于分析及处理。因此将其转换为结构化数据，建立主题板块的数据字典将其转换为结构化数据。举例：

主题板块数据字典，参见表1：

表1主题板块数据字典

将基金A的数据转换为：基金A：(200000,850000，1.02％，27.35％，26300,2.3602，2.3583，2)分别对应(购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块)。

根据获取了市场基金数据，构成市场基金数据特征表。以该表数据建立多维坐标轴(维度为购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块)，并用表中各基金的数据构建基金特征分布坐标系。举例：

市场基金数据特征表，参见表2：

表2市场基金数据特征表

参见图10，构建二维特征(特征A、特征B)下基金特征分布坐标系。

S1：构建基金未来走势特征模块。

从市场基金特征模块的数据获取过程中，可以获取基金的历史数据，如购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值、主题板块，可以反映基金各项特征的变化情况。构建基金历史数据表(表3)。举例：

表3基金历史数据表：

将基金历史数据以近七日增长率为标签，其余特征以日期升序构建训练数据对(X_train,Y_train)。构建循环神经网络LSTM模型，与其他传统神经网络不同的是它对于多个输入数据不是独立的，在每一次计算后会把结果和下一个输入一起传入下个计算单元,对隐藏层可简单表示为g(x)＝σ(W(x+a)+b)。因此能够实现对过去数据的“记忆”，而对未来做更准确的预测。通过传入基金历史数据，通过LSTM模型学习历史数据减小对近七日增长率的预测误差。举例：

构建训练数据(历史数据表数据(表3)为例)：将A基金近七日增长率作为标签Y，Y取值序列为：Y1,Y2,...＝[0.0102，0.0094，...]。将A基金购买人数、持有人数、历史收益率、访问量、估值、净值、主题板块以日期升序作为特征X，X的取值序列为：X1,X2,...＝[(20000,850000,0.2735,26300,2.3602,2.3583,2)，(16000,860000,0.2837,21300,2.3813,2.3792,2),...]。

建立循环神经网络LSTM目标模型及其学习过程，参见图11。LSTM可简单表示为g(x)＝σ(Wx+b)，通过传入(X,Y)数据对后神经网络输入层可表示为a＝σ(WX+b)，隐藏层为g(x)＝σ(W(X+a)+b)，其中σ为LSTM的输入门与遗忘门参数，合并为σ表示。通过BP反向传播，每一轮学习过程中使参数σ，W，b呈梯度下降直到收敛，此时模型便构建好了。对于要预测结果Y的新数据X，传入X后得g(X)＝σ(WX+b)，即可求得需预测的结果Y＝g(X)，即是基金未来走势特征。

S2：构建个人用户偏好基金特征模块。

同市场基金特征模块中数据获取方式一样，将已有基金的用户信息提取并建表。个人用户数据特征包括年龄、性别、收入、风险承受能力、职业、受教育程度。其中，风险承受能力由前期用户购买资金时对用户的调查分析获得。特征中的性别、风险承受能力、职业、受教育程度为非结构化数据，在建模前建立数据字典将其转换为数字型结构化数据，参见表4及表5，操作方式同市场基金特征模块。举例：

表4性别数据字典(其余特征同)

表5已有基金用户信息表

针对已有基金用户，取用户持有基金中占有份额最大的基金，建立用户到偏好基金的关联。再通过持有基金的数据特征，建立用户偏好基金特征表(表6)。举例：

表6市场基金数据特征表

上述已经建立了已有基金用户与用户信息关联、已有基金用户与偏好基金特征关联。将两个表的数据整合可得已有基金用户信息与该用户偏好基金特征的关联。以已有基金用户信息特征作为X(年龄、性别、收入、风险承受能力、职业、受教育程度)，将用户偏好基金数据作为标签Y(购买人数、持有人数、历史收益率、访问量、估值、净值、主题板块)，建立数据对(X,Y)。举例：

构建训练数据：将用户偏好基金数据(购买人数、持有人数、历史收益率、访问量、估值、净值、主题板块)作为标签Y，Y取值序列为：Y1,Y2,...＝[(130000,850000,0.2335,26300,2.3602,2.3583,2),(160000,700000,0.2829,18940,1.7513,1.7402,3),...]。已有基金用户信息(年龄、性别、收入、风险承受能力、职业、受教育程度)作为特征X，X的取值序列为:X1,X2,...＝[(34,1,20,3,2,4)，(29,0,18,4,5,5)，...]。

建立深度神经网络DNN模型用作用户画像，该神经网络建立用户个体各项数据与基金特征之间的潜在联系，将用户信息转换为个人用户偏好基金特征表示。该DNN单隐藏层模型可表示为g(X)＝WX+b。以步骤3的数据对(X,Y)传入DNN模型，通过激活函数以及BP反向传播梯度下降更新各隐藏层参数W,b直至收敛，此时X到Y的映射建模完成。举例：

深度神经网络DNN结构图及一对样例数据(X1，Y1)在该模型的运算过程如图12所示。建模完成后，对于新用户数据则可以直接使用训练好的用户画像DNN模型预测个人用户偏好基金特征。将新用户的用户数据组成新的特征数据序列Xpred(Xpred1,Xpred2,...)传入DNN模型，通过模型计算并输出预测结果，即用户偏好基金数据序列Ypred(Ypred1,Yperd2,...)。

S3：构建相似度计算与未来趋势筛选模块。

在个人用户偏好基金特征模块中，将新用户特征Xpred(Xpred1,Xpred2,...)通过用户画像DNN模型预测出用户偏好基金序列Ypred(Ypred1,Yperd2,...)后，以此为依据在市场基金中寻找与Ypred相似度高的基金作为新用户的偏好基金。在市场基金特征模块中，构建了市场基金特征分布坐标系。将预测偏好基金特征Ypred(Ypred1,Yperd2,...)投影在市场基金特征分布坐标系中。再通过标准化欧氏距离计算Yperd点到其他基金的距离，距离小的基金与用户偏好相似度更高。

选取相似基金的方式主要有两种，一是采用非扩散的DBSCAN聚类，预设差异度半径R，认为距离用户基金偏好特征点Ypred小于R的基金都为相似度高的基金，该方式对距离敏感，适合Ypred点周围基金数量更为密集的情况；二是采用反KNN分类，计算市场基金点到Ypred点的距离并排序，以距离升序取前若干个基金作为相似度高的基金，该方式能够更好应对Ypred点周围基金数量稀疏的情况。举例：

图13为二维特征下两个预测对象(Ypred1，Ypred2)在市场基金特征分布坐标系中的示意图(分别表示为用户A、用户B)，并采用类DBSCAN聚类方式选择相似度高的基金，即黑色圈内的基金认为是与用户偏好相似度高的基金。

计算获得了与A用户偏好相似度高的基金序列(X1,X2,X3,X4,...)之后，将相似度高的基金序列依次使用“基金未来走势特征”模块中构建的LSTM基金未来走势预测模型，各个基金的未来趋势预测结果依次为(Ypred1,Ypred2,Ypred3,Ypred4,...)，最后将预测结果Ypred序列按降序排序，选取未来走势最好的前若干个作为推荐给新用户A的偏好基金。

综上，在接到新用户的推荐需求后，将新用户的数据Xpred传入“个人用户偏好基金特征”模块构建的DNN用户画像模型，预测出该新用户的基金偏好特征Ypred。然后将该用户的基金偏好特征Ypred与“市场基金特征”模块中建立的基金特征分布坐标用“相似度计算与未来趋筛选”模块进行距离相似度计算，得到与用户基金偏好相似度高的基金序列Y(Y1,Y2,...Yn)。将该基金序列作为特征传入“基金未来走势特征”模块中构建的LTSM未来走势预测模型，预测得该基金序列的未来走势序列为Y’pred(Y’pred1,Y’pred2,...Y’predn)。最后将与用户基金偏好相似度高的基金序列Y与该基金序列的未来走势序列Y’pred传入“相似度计算与未来趋筛选”模块进行筛选，筛选结果即为为该用户精确推荐的基金产品。

基于同一发明构思，本申请实施例还提供了基金推荐装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基金推荐装置解决问题的原理与银行网点现金用量预测方法相似，因此基金推荐装置的实施可以参见银行网点现金用量预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明的实施例提供一种能够实现银行网点现金用量预测方法的基金推荐装置的具体实施方式，参见图14，基金推荐装置具体包括如下内容：

未来走势生成单元10，用于根据预生成的循环神经网络LSTM目标模型预测所述基金的未来走势；

偏好基金数据生成单元20，用于根据预生成的深度神经网络DNN目标模型生成客户的偏好基金数据；

相似度计算单元30，用于计算所述偏好基金数据与基金特征数据之间的相似度；

基金推荐单元40，用于根据所述相似度以及所述未来走势推荐基金至客户。

优选地，所述基金特征数据包括：购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值以及主题板块；

所述风险承受能力由对客户的调查分析获得。

优选地，参见图15，所述未来走势生成单元10包括：

第一数据转换模块101，用于将所述基金特征数据转换为结构化数据；

第一训练数据生成模块102，用于将所述近七日增长率设置为标签，并对所述购买人数、持有人数、历史收益率、访问量、估值、净值以及主题板块以日期进行排序，以生成第一训练数据对；

LSTM目标模型生成模块103，用于利用所述第一训练数据对循环神经网络LSTM初始模型进行训练，以生成所述循环神经网络LSTM目标模型。

优选地，参见图16，所述偏好基金数据生成单元20包括：

偏好基金数据构建模块201，用于根据客户理财数据构建所述客户的偏好基金数据；

第二训练数据生成模块202，用于根据所述客户理财数据以及所述偏好基金数据生成第二训练数据对；

DNN目标模型生成模块203，用于利用第二训练数据对度神经网络DNN初始模型进行训练，以生成所述深度神经网络DNN目标模型。

优选地，参见图17，所述相似度计算单元30包括：

坐标系构建模块301，用于根据所述基金特征数据构建基金特征分布坐标系；

距离计算模块302，用于计算所述偏好基金数据与所述基金特征数据之间的距离；

相似度计算模块303，用于根据所述距离计算所述相似度。

优选地，所述距离计算模块具体用于利用非扩散的DBSCAN聚类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

优选地，所述距离计算模块具体用于利用反KNN分类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

优选地，参见图18，所述基金推荐单元40包括：

第一推荐基金序列生成模块401，用于根据所述相似度生成第一推荐基金序列；

第二推荐基金序列生成模块402，用于根据所述未来走势生成第二推荐基金序列；

第三推荐基金序列生成模块403，用于将所述第一推荐基金序列以其在所述第二推荐基金序列的顺序降序排序，以生成第三推荐基金序列；

基金推荐模块404，用于推荐所述第三推荐基金序列至客户。

从上述描述可知，本发明实施例提供的基金推荐装置，以现有用户数据为学习样本，精准为每一个新客户预测其基金偏好。同时，引入了对基金历史数据建模的基金未来趋势预测。不仅满足于满足客户基金偏好的需求，而且通过在客户偏好基金的基础上以未来趋势筛选基金，助客户了解市场的投资趋向，达到更好地投资指导作用。综上，本发明实施例通过对基金特征和用户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，为用户提供更好的投资指导作用。

本申请的实施例还提供能够实现上述实施例中的基金推荐方法中全部步骤的一种电子设备的具体实施方式，参见图19，电子设备具体包括如下内容：

处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；

其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、记录设备以及客户端设备等相关设备之间的信息传输。

处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基金推荐方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

从上述描述可知，本申请实施例中的电子设备，以现有用户数据为学习样本，精准为每一个新客户预测其基金偏好。同时，引入了对基金历史数据建模的基金未来趋势预测。不仅满足于满足客户基金偏好的需求，而且通过在客户偏好基金的基础上以未来趋势筛选基金，助客户了解市场的投资趋向，达到更好地投资指导作用。综上，本发明实施例通过对基金特征和用户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，为用户提供更好的投资指导作用。

本申请的实施例还提供能够实现上述实施例中的基金推荐方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基金推荐方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

从上述描述可知，本申请实施例中的计算机可读存储介质，以现有用户数据为学习样本，精准为每一个新客户预测其基金偏好。同时，引入了对基金历史数据建模的基金未来趋势预测。不仅满足于满足客户基金偏好的需求，而且通过在客户偏好基金的基础上以未来趋势筛选基金，助客户了解市场的投资趋向，达到更好地投资指导作用。综上，本发明实施例通过对基金特征和用户信息特征的分析及学习，精准为不同的客户量身定制并推荐适合其需求的基金，预测的准确性高，为用户提供更好的投资指导作用。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种基金推荐方法，其特征在于，包括：

计算所述偏好基金数据与基金特征数据之间的相似度；

根据所述相似度以及所述未来走势推荐基金至客户。

2.根据权利要求1所述的基金推荐方法，其特征在于，包括：

所述基金特征数据包括：购买人数、持有人数、近七日增长率、历史收益率、访问量、估值、净值以及主题板块；

所述风险承受能力由对客户的调查分析获得。

3.根据权利要求2所述的基金推荐方法，其特征在于，包括：所述生成循环神经网络LSTM模型包括：

将所述基金特征数据转换为结构化数据；

4.根据权利要求3所述的基金推荐方法，其特征在于，所述生成深度神经网络DNN目标模型包括：

根据客户理财数据构建所述客户的偏好基金数据；

5.根据权利要求1所述的基金推荐方法，其特征在于，所述计算所述偏好基金数据与所述基金特征数据之间的相似度，包括：

根据所述基金特征数据构建基金特征分布坐标系；

计算所述偏好基金数据与所述基金特征数据之间的距离；

根据所述距离计算所述相似度。

6.根据权利要求5所述的基金推荐方法，其特征在于，所述计算所述偏好基金数据与所述基金特征数据之间的距离，包括：

7.根据权利要求5所述的基金推荐方法，其特征在于，所述计算所述偏好基金数据与所述基金特征数据之间的距离，包括：

8.根据权利要求5所述的基金推荐方法，其特征在于，所述根据所述相似度以及所述未来走势推荐基金至客户，包括：

根据所述相似度生成第一推荐基金序列；

根据所述未来走势生成第二推荐基金序列；

推荐所述第三推荐基金序列至客户。

9.一种基金推荐装置，其特征在于，包括：

10.根据权利要求9所述的基金推荐装置，其特征在于，包括：

所述风险承受能力由对客户的调查分析获得。

11.根据权利要求10所述的基金推荐装置，其特征在于，包括：所述未来走势生成单元包括：

12.根据权利要求11所述的基金推荐装置，其特征在于，所述偏好基金数据生成单元包括：

13.根据权利要求9所述的基金推荐装置，其特征在于，所述相似度计算单元包括：

相似度计算模块，用于根据所述距离计算所述相似度。

14.根据权利要求13所述的基金推荐装置，其特征在于，所述距离计算模块具体用于利用非扩散的DBSCAN聚类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

15.根据权利要求13所述的基金推荐装置，其特征在于，所述距离计算模块具体用于利用反KNN分类方法计算所述偏好基金数据与所述基金特征数据之间的距离。

16.根据权利要求13所述的基金推荐装置，其特征在于，所述基金推荐单元包括：

基金推荐模块，用于推荐所述第三推荐基金序列至客户。

17.一种电子设备，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程序时实现权利要求1至8任一项所述基金推荐方法的步骤。

18.一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至8任一项所述基金推荐方法的步骤。