CN112182395A - 一种基于时间序列的金融服务个性化推荐装置和方法 - Google Patents

Abstract

本发明公开一种基于时间序列的金融服务个性化推荐装置和方法，包括依数据接收存储模块、隐特征计算模块和服务推荐模块；并包括步骤S1：接收并存储用户对金融服务历史评分数据；S2：根据存储的用户对金融服务历史评分数据，计算存在的隐特征数据；S3：根据隐特征数据计算预测评分，并将预测评分排在前N位的金融服务产品推荐给用户。本发明专门作用于金融服务，能够进行符合统计规律的、准确度高的金融服务个性化推荐，以解决金融服务企业如何能根据用户提供的信息准确地为用户推荐合适的金融服务产品，可广泛应用在金融服务等领域。

Description

一种基于时间序列的金融服务个性化推荐装置和方法

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于时间序列的金融服务个性化推荐装置和方法。

背景技术

随着社会经济的快速发展，人们的经济水平在不断地提高，金融服务企业也随之提供了越来越多的金融服务产品以方便人们有效的管理个人财富。然而人们在选择金融服务时，通常在众多的金融服务产品中无法了解哪些金融服务适合自己，哪些金融服务能够带来更好的效益。因此，金融服务企业需要根据用户提供的信息为用户推荐合适的金融服务产品，使得用户能够选择适合自身且能够取得高效益的金融服务产品。对于金融服务企业如何能根据用户提供的信息准确地为用户推荐合适的金融服务产品已成为普遍关注的问题。

发明内容

针对现有技术中用户和服务匹配度较低的问题，本发明提出一种基于时间序列的金融服务个性化推荐装置和方法，通过对用户对金融评价数据的计算，能够进行符合统计规律的、准确度高的金融服务个性化推荐，以提高金融服务企业根据用户提供的信息准确地为用户推荐金融服务产品的精准度，为用户带来更好体验，可广泛应用在金融服务等领域。

为了实现上述目的，本发明提供以下技术方案：

一种基于时间序列的金融服务个性化推荐装置，包括数据接收存储模块、隐特征计算模块和服务推荐模块；其中，

数据接收存储模块，用于接收存储用户对金融服务产品的历史评分数据；

隐特征计算模块，用于根据存储的用户对金融服务产品的历史评分数据，计算历史评分数据中存在的隐特征；

服务推荐模块，用于根据隐特征数据为用户推荐对应的服务产品。

优选的,所述隐特征计算模块包括参数初始化单元和训练单元；其中，

参数初始化单元，用于初始化推荐服务计算过程中所需参数和变量；

训练单元，用于结合已初始化的训练所需参数和变量及存储的历史评分数据计算评分数据中隐含的能用于服务推荐的隐特征数据。

基于上述装置，本发明还提供一种基于时间序列的金融服务个性化推荐方法，包括以下步骤：

S1：接收并存储用户对金融服务历史评分数据；

S2：根据存储的用户对金融服务历史评分数据，计算存在的隐特征数据；

S3：根据隐特征数据计算预测评分，并将预测评分排在前N位的金融服务产品推荐给用户。

优选的,所述S1中，

接收的用户对金融服务历史评分数据以三维张量S的形式进行存储，S表示金融服务历史评分数据的张量，S中包含的用户集合为I，金融服务产品集合为J，历史评分数据时间集合K，即有S_ijk∈|I|×|J|×|K|，其中|I|表示用户集合中包含的用户个数，|J|表示金融服务产品个数，|K|表示时间集合中时间段个数，S_ijk表示张量S中的一个元素，即第i个用户对第j个金融服务产品在第k个时间的评分；用Φ表示张量S中已知存在的元素的集合。

优选的,S2包括:

S2-1：初始化推荐服务计算过程中所需参数和临时变量；

所述参数和临时变量包括：

金融服务产品数据隐特征矩阵U、P、T；隐特征维数F；最大训练迭代轮数R；训练过程中迭代轮数控制变量r；收敛终止阈值τ；隐特征控制因子λ_u、λ_p、λ_t和α，β，γ；其中，

隐特征维数F决定了计算获得的金融服务产品数据隐特征矩阵U、P、T隐特征空间维数即隐特征矩阵U、P、T的列数，其初始化为正整数；

隐特征矩阵U、P、T的大小由对应的金融服务评分数据张量S的每个维度值和隐特征维数F确定，即U为|I|行F列的隐特征矩阵、P为|J|行F列的隐特征矩阵、T为|K|行F列的隐特征矩阵；

最大训练迭代轮数R确定迭代训练过程中最大的训练迭代次数，用0初始化迭代轮数控制变量r；

用正数初始化收敛终止阈值τ，用于判断迭代过程是否已达到收敛条件；

隐特征控制因子λ_u、λ_p、λ_t和α，β，γ，用于控制训练迭代过程中对应隐特征矩阵U、P、T相关元素的参数；

S2-2：计算评分数据中隐含的能用于服务推荐的隐特征数据。

优选的,所述S2-2包括:

S2-2-1：在已知数据集合Φ上构造目标损失函数ε；

S2-2-2：使用乘法更新规则对ε进行迭代优化，以保证隐特征矩阵元素的非负性；

S2-2-3：判断损失函数ε在Φ上迭代训练过程是否达收敛。

优选的,所述目标损失函数ε表达式为：

公式(1)中，U，P，T分别表示以矩阵形式进行存储的隐特征矩阵；(i,j,k)∈Φ表示在张量S中包含的已知元素的下标集合；S_ijk表示金融服务数据张量S中已知实体，即第i个用户对第j个金融服务产品在第k个时间段的评分；F表示三个隐特征矩阵的隐特征维数即隐特征矩阵U、P、T的列数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；限制条件s.t.

k∈K,f∈{1,2,…,F}:u_if≥0,p_jf≥0,t_kf≥0表示隐特征矩阵U，P，T中的每个值在计算过程中要满足非负条件；e表示欧拉数，为常数。

优选的,所述迭代优化的公式如下：

公式(2)中，S_ijk表示金融服务数据张量S中已知实体即第i个用户对第j个金融服务产品在第k个时间段的评分；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；

表示根据计算得到的隐特征值计算的金融服务数据张量中数值的估计值，j,k:(i,j,k)∈Φ,i,k:(i,j,k)∈Φ，i,j:(i,j,k)∈Φ分别表示在张量S中每个维度的切片矩阵中包含元素的下标集合，|Φ(i)|，|Φ(j)|，|Φ(k)|分别表示在张量S中每个维度的切片矩阵中包含的元素个数，e表示欧拉数，为常数。

优选的,所述收敛判定条件为训练迭代轮数控制变量r达到最大训练迭代轮数R，或者本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ。

优选的,

公式(3)中，h_ij表示第i个用户对第j个金融服务产品在第|K|+1时间段的预测评分；|K|表示时间集合中时间段个数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；F表示隐特征矩阵U、P、T的列数。

综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：

本发明专门作用于金融服务，能够进行符合统计规律的、准确度高的金融服务个性化推荐，以提高金融服务企业根据用户提供的信息准确地为用户推荐金融服务产品的精准度，为用户带来更好体验，可广泛应用在金融服务等领域。

附图说明：

图1为根据本发明示例性实施例的一种基于时间序列的金融服务个性化推荐装置示意图。

图2为根据本发明示例性实施例的一种基于时间序列的金融服务个性化推荐方法流程示意图。

具体实施方式

下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提出一种基于时间序列的金融服务个性化推荐装置，包括依次连接的数据接收存储模块10、隐特征计算模块20和服务推荐模块30；其中，

数据接收存储模块10，用于接收存储用户对金融服务产品的历史评分数据。

隐特征计算模块20，用于根据存储的用户对金融服务产品的历史评分数据，计算历史评分数据中存在的隐特征。

服务推荐模块30，用于根据隐特征数据为用户推荐合适的服务产品。

本实施例中，隐特征计算模块20包括参数初始化单元和训练单元。

参数初始化单元，用于初始化推荐服务计算过程中所需参数和临时变量；具体包括：初始化三个金融服务产品数据隐特征矩阵U、P、T；初始化隐特征维数F；初始化最大训练迭代轮数R；初始化训练过程中迭代轮数控制变量r；初始化收敛终止阈值τ；初始化隐特征控制因子λ_u、λ_p、λ_t和α，β，γ。

其中：

隐特征维数F决定了计算获得的金融服务产品数据隐特征矩阵U、P、T隐特征空间维数即隐特征矩阵U、P、T的列数，其初始化为正整数；

隐特征矩阵U、P、T的大小由对应的金融服务评分数据张量S的每个维度值和隐特征维数F确定，即U为|I|行F列的隐特征矩阵、P为|J|行F列的隐特征矩阵、T为|K|行F列的隐特征矩阵，三个隐特征矩阵分别用较小的随机正数进行初始化；

最大训练迭代轮数R确定迭代训练过程中最大的训练迭代次数，用较大的正整数初始化；用0初始化迭代轮数控制变量r；

用极小的正数初始化收敛终止阈值τ，其用于判断迭代过程是否已达到收敛条件；

隐特征控制因子λ_u、λ_p、λ_t和α，β，γ控制训练迭代过程中对应隐特征矩阵U、P、T相关元素的参数，初始化为较小的正数。

训练单元，用于结合已初始化的训练所需参数和临时变量及存储的历史评分数据计算评分数据中隐含的能用于服务推荐的隐特征数据。

本装置可部署于一个现有的服务器中，也可部署于一个单独设置的、专用于进行金融服务推荐的服务器中。本发明专门作用于金融服务推荐，能够进行符合统计规律的、准确度高的金融服务推荐。

基于上述装置，如图2所示，本发明还提出一种基于时间序列的金融服务个性化推荐方法，具体包括以下步骤：

S1：接收用户对金融服务历史评分数据并进行存储。

本实施例中，数据接收存储单元接收用户对金融服务历史评分数据，将接收的用户对金融服务历史评分数据以三维张量S的形式进行存储，S表示金融服务历史评分数据的张量，S中包含的用户集合为I，金融服务产品集合为J，历史评分数据时间集合K，即有S_ijk∈|I|×|J|×|K|，其中|I|表示用户集合中包含的用户个数，|J|表示金融服务产品个数，|K|表示时间集合中时间段个数，S_ijk表示张量S中的一个元素，即第i个用户对第j个金融服务产品在第k个时间的评分。由于一个用户不会对所有的金融产品都有评分，因此张量S是一个高维系数张量，其中包含了大量的缺失值，用Φ表示张量S中已知存在的元素的集合。

S2：根据存储的用户对金融服务历史评分数据，计算存在的隐特征数据。

S2-1：初始化推荐服务计算过程中所需参数和临时变量；

本实施例中，所需参数和临时变量包括：

三个金融服务产品数据隐特征矩阵U、P、T；隐特征维数F；最大训练迭代轮数R；训练过程中迭代轮数控制变量r；收敛终止阈值τ；隐特征控制因子λ_u、λ_p、λ_t和α，β，γ。其中：

隐特征维数F决定了计算获得的金融服务产品数据隐特征矩阵U、P、T隐特征空间维数即隐特征矩阵U、P、T的列数，其初始化为正整数，如100；

隐特征矩阵U、P、T的大小由对应的金融服务评分数据张量S的每个维度值和隐特征维数F确定，即U为|I|行F列的隐特征矩阵、P为|J|行F列的隐特征矩阵、T为|K|行F列的隐特征矩阵。三个隐特征矩阵U、P、T分别用较小的随机正数进行初始化，如0.001；

最大训练迭代轮数R确定迭代训练过程中最大的训练迭代次数，用较大的正整数初始化，如1000；用0初始化迭代轮数控制变量r；

用极小的正数初始化收敛终止阈值τ，如0.00001，用于判断迭代过程是否已达到收敛条件；

隐特征控制因子λ_u、λ_p、λ_t和α，β，γ，用于控制训练迭代过程中对应隐特征矩阵U、P、T相关元素的参数，初始化为较小的正数，如0.04。

S2-2：计算评分数据中隐含的能用于服务推荐的隐特征数据。

本实施例中，由于一个用户不会对所有的金融产品都有评分，因此张量S是一个高维稀疏张量，其中包含了大量的缺失值，用Φ表示张量S中已知存在的元素的集合。

S2-2-1：在已知数据集合Φ上构造目标损失函数ε，用以下公式表示：

公式(1)中，U，P，T分别表示以矩阵形式进行存储的隐特征矩阵；(i,j,k)∈Φ表示在张量S中包含的已知元素的下标集合；S_ijk表示金融服务数据张量S中已知实体，即第i个用户对第j个金融服务产品在第k个时间段的评分；F表示三个隐特征矩阵的隐特征维数即隐特征矩阵U、P、T的列数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；限制条件s.t.

j∈J,k∈K,f∈{1,2,…,F}:u_if≥0,p_jf≥0,t_kf≥0表示隐特征矩阵U，P，T中的每个值在计算过程中要满足非负条件；e表示欧拉数，为数学常数。

S2-2-2：使用乘法更新规则对ε进行迭代优化，以保证隐特征矩阵元素的非负性。

本实施例中，为保证隐特征矩阵计算过程中的隐特征矩阵元素的非负性使用乘法更新规则对ε进行迭代优化，以使ε的值最小，训练迭代的公式如下所示：

公式(2)中，S_ijk表示金融服务数据张量S中已知实体即第i个用户对第j个金融服务产品在第k个时间段的评分；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；

表示根据计算得到的隐特征值计算的金融服务数据张量中数值的估计值，j,k:(i,j,k)∈Φ,i,k:(i,j,k)∈Φ，i,j:(i,j,k)∈Φ分别表示在张量S中每个维度的切片矩阵中包含元素的下标集合，|Φ(i)|，|Φ(j)|，|Φ(k)|分别表示在张量S中每个维度的切片矩阵中包含的元素个数，e表示欧拉数，为数学常数。

S2-2-3：判断损失函数ε在Φ上迭代训练过程是否达收敛。

本实施例中，收敛判定条件为训练迭代轮数控制变量r达到最大训练迭代轮数R，或者本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ。

S3：根据隐特征数据计算预测评分，并将预测评分排在前N位的金融服务产品推荐给用户。

本实施例中，金融服务企业在第|K|+1时间段为第i个用户推荐金融服务产品时，需要预测用户i对所有|J|个金融服务产品的可能评分，选取预测评分排在前面的金融服务产品推荐给第i个用户。在第|K|+1时间段用户对金融服务产品预测评分用矩阵H表示，其为|I|行|J|列的评分预测矩阵。h_ij表示第i个用户对第j个金融服务产品在第|K|+1时间段的预测评分，其采用下面公式计算获得

公式(3)中，h_ij表示第i个用户对第j个金融服务产品在第|K|+1时间段的预测评分；|K|表示时间集合中时间段个数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值。

对于第i个用户，将会选取预测评分排在前N位(例如评分从高到低)的金融服务产品进行推荐，其中N为正整数可根据实际需求设定大小。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种基于时间序列的金融服务个性化推荐装置，其特征在于,包括数据接收存储模块、隐特征计算模块和服务推荐模块；其中，

数据接收存储模块，用于接收存储用户对金融服务产品的历史评分数据；

隐特征计算模块，用于根据存储的用户对金融服务产品的历史评分数据，计算历史评分数据中存在的隐特征；

服务推荐模块，用于根据隐特征数据为用户推荐对应的服务产品。

2.如权利要求1所述的一种基于时间序列的金融服务个性化推荐装置，其特征在于,所述隐特征计算模块包括参数初始化单元和训练单元；其中，

参数初始化单元，用于初始化推荐服务计算过程中所需参数和变量；

训练单元，用于结合已初始化的训练所需参数和变量及存储的历史评分数据计算评分数据中隐含的能用于服务推荐的隐特征数据。

3.一种基于时间序列的金融服务个性化推荐方法，其特征在于,包括以下步骤：

S1：接收并存储用户对金融服务历史评分数据；

S2：根据存储的用户对金融服务历史评分数据，计算存在的隐特征数据；

S3：根据隐特征数据计算预测评分，并将预测评分排在前N位的金融服务产品推荐给用户。

4.如权利要求3所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述S1中，

接收的用户对金融服务历史评分数据以三维张量S的形式进行存储，S表示金融服务历史评分数据的张量，S中包含的用户集合为I，金融服务产品集合为J，历史评分数据时间集合K，即有S_ijk∈|I|×|J|×|K|，其中|I|表示用户集合中包含的用户个数，|J|表示金融服务产品个数，|K|表示时间集合中时间段个数，S_ijk表示张量S中的一个元素，即第i个用户对第j个金融服务产品在第k个时间的评分；用Φ表示张量S中已知存在的元素的集合。

5.如权利要求4所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,S2包括:

S2-1：初始化推荐服务计算过程中所需参数和临时变量；

所述参数和临时变量包括：

金融服务产品数据隐特征矩阵U、P、T；隐特征维数F；最大训练迭代轮数R；训练过程中迭代轮数控制变量r；收敛终止阈值τ；隐特征控制因子λ_u、λ_p、λ_t和α，β，γ；其中，

隐特征维数F决定了计算获得的金融服务产品数据隐特征矩阵U、P、T隐特征空间维数即隐特征矩阵U、P、T的列数，其初始化为正整数；

隐特征矩阵U、P、T的大小由对应的金融服务评分数据张量S的每个维度值和隐特征维数F确定，即U为|I|行F列的隐特征矩阵、P为|J|行F列的隐特征矩阵、T为|K|行F列的隐特征矩阵；

最大训练迭代轮数R确定迭代训练过程中最大的训练迭代次数，用0初始化迭代轮数控制变量r；

用正数初始化收敛终止阈值τ，用于判断迭代过程是否已达到收敛条件；

隐特征控制因子λ_u、λ_p、λ_t和α，β，γ，用于控制训练迭代过程中对应隐特征矩阵U、P、T相关元素的参数；

S2-2：计算评分数据中隐含的能用于服务推荐的隐特征数据。

6.如权利要求5所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述S2-2包括:

S2-2-1：在已知数据集合Φ上构造目标损失函数ε；

S2-2-2：使用乘法更新规则对ε进行迭代优化，以保证隐特征矩阵元素的非负性；

S2-2-3：判断损失函数ε在Φ上迭代训练过程是否达收敛。

7.如权利要求6所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述目标损失函数ε表达式为：

公式(1)中，U，P，T分别表示以矩阵形式进行存储的隐特征矩阵；(i,j,k)∈Φ表示在张量S中包含的已知元素的下标集合；S_ijk表示金融服务数据张量S中已知实体，即第i个用户对第j个金融服务产品在第k个时间段的评分；F表示三个隐特征矩阵的隐特征维数即隐特征矩阵U、P、T的列数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；限制条件s.t.

j∈J,k∈K,f∈{1,2,…,F}:u_if≥0,p_jf≥0,t_kf≥0表示隐特征矩阵U，P，T中的每个值在计算过程中要满足非负条件；e表示欧拉数，为常数。

8.如权利要求6所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述迭代优化的公式如下：

公式(2)中，S_ijk表示金融服务数据张量S中已知实体即第i个用户对第j个金融服务产品在第k个时间段的评分；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；λ_u、λ_p、λ_t和α，β，γ分别表示三个隐特征矩阵的训练控制参数；

表示根据计算得到的隐特征值计算的金融服务数据张量中数值的估计值，j,k:(i,j,k)∈Φ,i,k:(i,j,k)∈Φ，i,j:(i,j,k)∈Φ分别表示在张量S中每个维度的切片矩阵中包含元素的下标集合，|Φ(i)|，|Φ(j)|，|Φ(k)|分别表示在张量S中每个维度的切片矩阵中包含的元素个数，e表示欧拉数，为常数。

9.如权利要求6所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述收敛判定条件为训练迭代轮数控制变量r达到最大训练迭代轮数R，或者本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ。

10.如权利要求3所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,

公式(3)中，h_ij表示第i个用户对第j个金融服务产品在第|K|+1时间段的预测评分；|K|表示时间集合中时间段个数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；F表示隐特征矩阵U、P、T的列数。

Images