CN113469819A - 基金产品的推荐方法、相关装置及计算机存储介质 - Google Patents
基金产品的推荐方法、相关装置及计算机存储介质 Download PDFInfo
- Publication number
- CN113469819A CN113469819A CN202110799816.5A CN202110799816A CN113469819A CN 113469819 A CN113469819 A CN 113469819A CN 202110799816 A CN202110799816 A CN 202110799816A CN 113469819 A CN113469819 A CN 113469819A
- Authority
- CN
- China
- Prior art keywords
- fund
- probability
- training sample
- fund product
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 95
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- DDCPKNYKNWXULB-RXMQYKEDSA-N (2r)-2-azaniumyl-3-[(2-methylpropan-2-yl)oxy]propanoate Chemical compound CC(C)(C)OC[C@@H]([NH3+])C([O-])=O DDCPKNYKNWXULB-RXMQYKEDSA-N 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请本申请提供一种基金产品的推荐方法、相关装置及计算机存储介质，所述基金产品的推荐方法：首先，读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；然后，针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；再按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；最终，将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。从而达到结合更多的用户信息，从而更加精确的向其推荐基金产品的目的。
Description
技术领域
本申请涉及机器学习技术领域，特别涉及一种基金产品的推荐方法、相关装置及计算机存储介质。
背景技术
随着金融市场高速发展，大众的投资理财意识不断提高，相比于股市的高风险，有专业基金经理管理的各类基金产品获得跟多人的青睐。
然而，由于基金的种类多样，规则复杂，短时间内很难了解清楚，导致错失投资时机。现有的推荐系统可以高效的从大量冗余信息中获取需要的信息。用户在手机银行应用程序(Application，APP)的基金专区提交相关的信息，系统就可以根据用户提交的信息智能地向其推荐基金，然而现有的协同过滤等算法不能充分利用隐含客户信息，且存在稀疏性和冷启动问题。
发明内容
有鉴于此，本申请提供一种基金产品的推荐方法、相关装置及计算机存储介质，可以结合更多的用户信息，从而更加精确的向其推荐基金产品。
本申请第一方面提供了一种基金产品的推荐方法，包括：
读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；
针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；
按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；
将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。
可选的，所述针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率，包括：
将所述目标客户的基本信息和行为信息输入至预测模型中，得到所述目标用户采用每一个所述基金产品的概率；其中，所述预测模型由训练样本集合对注意力图神经网络进行训练得到；所述训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率。
可选的，所述预测模型的构建方法，包括：
利用传统数据库中的元数据信息，构建知识图谱；
获取待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率；
通过所述知识图谱对每一个所述待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率进行预训练，生成训练样本集合；
针对所述训练样本集合中的每一个训练样本用户，将所述训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到所述训练样本用户采用每一个所述基金产品的预测概率；
利用所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差，对所述注意力图神经网络中的参数进行不断调整，直至调整后的所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差满足预设的收敛条件时，将所述调整后的注意力图神经网络确定为预测模型。
本申请第二方面提供了一种基金产品的推荐装置，包括：
读取单元，用于读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；
预测单元，用于针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；
排序单元，用于按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；
推荐单元，用于将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。
可选的，所述预测单元，包括：
预测子单元，用于将所述目标客户的基本信息和行为信息输入至预测模型中，得到所述目标用户采用每一个所述基金产品的概率；其中，所述预测模型由训练样本集合对注意力图神经网络进行训练得到；所述训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率。
可选的，所述预测模型的构建单元，包括：
知识图谱构建单元，用于利用传统数据库中的元数据信息，构建知识图谱；
获取单元，用于获取待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率；
生成单元，用于通过所述知识图谱对每一个所述待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率进行预训练，生成训练样本集合；
输入单元，用于针对所述训练样本集合中的每一个训练样本用户，将所述训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到所述训练样本用户采用每一个所述基金产品的预测概率；
训练单元，用于利用所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差，对所述注意力图神经网络中的参数进行不断调整，直至调整后的所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差满足预设的收敛条件时，将所述调整后的注意力图神经网络确定为预测模型。
本申请第三方面提供了一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的基金产品的推荐方法。
本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的基金产品的推荐方法。
由以上方案可知，本申请提供的一种基金产品的推荐方法、相关装置及计算机存储介质，所述基金产品的推荐方法：首先，读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；然后，针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；再按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；最终，将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。从而达到结合更多的用户信息，从而更加精确的向其推荐基金产品的目的。
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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基金产品的推荐方法的具体流程图；
图2为本申请另一实施例提供的一种预测模型的构建方法的具体流程图；
图3为本申请另一实施例提供的一种注意力图神经网络算法的示意图；
图4为本申请另一实施例提供的一种基金产品的推荐装置的示意图；
图5为本申请另一实施例提供的一种实现基金产品的推荐方法的服务器的示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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做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。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现对被申请中提及的术语进行解释说明：
推荐系统：推荐系统就是根据用户的基本信息和历史行为，判断用户的兴趣偏好，为用户推荐他可能感兴趣的信息。
知识图谱：一种特殊的网络结构，每个点是一个实体e，每条边表示一种关系r，头节点h，尾节点t和关系r的连接可以由三元组(h，r，t)表示。
神经网络：深度学习的数据建模方式，可以对数据进行多重非线性变换，拟合出较为复杂的预测函数。
图神经网络：扩展神经网络来处理图域中表示的数据，从图中对信息进行集合，对由元素及其依赖关系组成的输入或输出进行建模，图中每个节点都由其特性和相关节点自动定义。在模型的迭代过程中，传播节点状态直至平衡，然后神经网络根据状态为每个节点生成输出。
注意力机制：一种常用于神经网络中的机制，能够集中注意目标最重要的部分，使依赖关系的建模脱离输入输出序列的长度限制，让神经网络预测出更有用的特征。
TBDS大数据平台：针对租户的应用场景不同，提供从数据采集、转换、处理、挖掘、展示的全链路应用服务，包括消息中间件Kafka、存储服务HDFS、Hbase、大数据计算服务Spark、日志服务Flume等组件。
由于数据规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，因而本申请的采用中国银行软件中心大数据应用平台TBDS作为系统的实现工具，使用分布式文件系统存储不断收集的数据，并利用并行计算模式缩短对大数据集的运算时间。并提供一种基于知识图谱和注意力图神经网络的基金产品个性化推荐系统，利用知识图谱作为辅助信息进行处理与建模，通过知识图谱特征学习的嵌入表示的距离感知，得到子图采样；直接利用知识图谱的图结构特征，采用注意力机制和图卷积神经网络，将知识图谱和推荐框架合理结合起来，实现端到端的推荐算法模式。深入地对实体关系与用户物品对进行建模，挖掘隐含兴趣信息，提高推荐系统的个性化与可解释性。
本申请实施例提供了一种基金产品的推荐方法，如图1所示，具体包括以下步骤：
S101、读取目标客户的基本信息和行为信息。
其中，目标客户为未被推荐基金产品的客户。基本信息包括但不限于年龄、性别、收入、职业、受教育程度、风险承受能力等；行为信息包括但不限于用户点击，登录注册、收藏、购买登行为，触发用户推荐。
需要说明的是，用户可以通过基金销售平台提交基本信息；系统实时或定时采集用户行为信息。
S102、针对每一个基金产品，利用目标客户的基本信息和行为信息预测目标用户采用基金产品的概率。
可选的，在本申请的另一实施例中，步骤S102的一种实施方式，具体包括：
将目标客户的基本信息和行为信息输入至预测模型中，得到目标用户采用每一个基金产品的概率。
其中，预测模型由训练样本集合对注意力图神经网络进行训练得到；训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个基金产品的真实概率。
可选的，在本申请的另一实施例中，预测模型的构建方法的一种实施方式，如图2所示，包括：
S201、利用传统数据库中的元数据信息，构建知识图谱。
通过知识图谱添加用户辅助信息，对各种实体间多维复杂的关系进行建模，提升推荐的多样性和可解释性。
具体的，可以从MySQL，oracle等传统数据库中导入数据到腾讯TBDS的HDFS中，获取数据库表的元数据信息，利用元数据信息并行将数据写入，进行知识抽取形成知识图谱，上传数据。
S202、获取待训练用户的基本信息、行为信息以及采用每一个基金产品的真实概率。
具体的，可以通过编写脚本，发送和收集大量的事件和日志数据，启用TBDS的flume收集产生的日志，启动消息中间件kafka接收flume产生的日志，利用kafka把数据发送给spark streaming流处理框架作为数据消费者。
S203、通过知识图谱对每一个待训练用户的基本信息、行为信息以及采用每一个基金产品的真实概率进行预训练，生成训练样本集合。
通过神经网络结构的学习，适配知识图谱的高维度和异构性，在知识图谱特征学习中以聚合的方式学习特征表示。
S204、针对训练样本集合中的每一个训练样本用户，将训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到训练样本用户采用每一个基金产品的预测概率。
选取注意力机制作为图神经网络的学习方式，直接利用知识图谱的图结构，将知识图谱融合到包含推荐模型的推荐系统。
S205、判断训练样本用户采用基金产品的预测概率与训练样本用户采用基金产品的真实概率之间的误差是否满足预设的收敛条件。
具体的，若判断出训练样本用户采用基金产品的预测概率与训练样本用户采用基金产品的真实概率之间的误差满足预设的收敛条件，则执行步骤S207；若判断出训练样本用户采用基金产品的预测概率与训练样本用户采用基金产品的真实概率之间的误差不满足预设的收敛条件，则执行步骤S206。
S206、对注意力图神经网络中的参数进行调整。
S207、将注意力图神经网络确定为预测模型。
可以理解的是，在构建得到预测模型后，还可以通过flume提供在线实时采集的文本数据集，更新推荐模型，为用户进行推荐预测，并通过模型的更新迭代进一步提高推荐预测的准确率。
由于，建模是在离线的状态下进行的，在与实时分析结合时容易出现数据实时性差的问题，针对此问题，添加TBDS的消息中间件Kafka来作为缓冲，解决采集数据的速度和数据处理速度不同步的问题。
在本申请实际的应用过程中，利用sparkMLlib构建推荐引擎，用推荐算法训练HDFS中存储的用户数据，得到用户和基金产品的预测概率构建用户特征模型，将用户特征模型存入TBDS的HBASE数据库中。
具体的，将HDFS中的数据集进行加载，然后将数据集解析成模型要求的格式，并将数据分割成三部分：训练集，验证集和测试集，之后运行模型，构建用户特征模型。
具体算法见图3和算法1：由知识图谱建模的预训练和子图采样(算法1得1-5行)，注意力图卷积神经网络(算法1的6-13行)和目标函数与训练(算法1的14-17行)组成。对于一个给定的用户-物品对，通过初始化后，以子图注意力作为接受范围，L代表聚合迭代的轮数，表示聚合操作被重复L次。在L轮中，计算每个实体e∈GS的邻居特征，而后将实体对应的特征e(l-1) Nh与邻居特征进行融合分析，得到对应的二阶实体特征(算法1的第11行)。在一个向量之后附加[L]表示L阶，最终的L阶实体用户特征被记为u[L]，v[L](算法1的第14行)，一起被输入函数f，得到最终的预测概率。
算法1具体的如下：
输入：交互矩阵Y；知识图谱G；超参数d，p，L，depth，λ，max_iter；
输出：标识用户u将采用物品v的预测函数
//知识图谱建模
1、通过TransR的知识图谱嵌入预训练；
2、初始化预训练实体e∈GS；
3、foreach(用户，物品)对in训练集do；
4、通过距离感知采样策略，挖掘p个路径p(u,i)；
5、根据路径p(u,i)创建子图GS。
//注意力图神经网络学习
6、while未收敛do
7、foreach(用户，物品)对in GS do
8、foreach el∈GS do
9、for depth＝1，…depth do
10、
11、eNh←agg(eh,eNh)
12、end for
13、end for
//预测
14、u←u[L],v←v[L]
15、由式(4-17)计算得到预测概率
16、根据梯度下降更新参数；
17、end for
18、end while
S103、按照目标用户采用基金产品的概率，从大至小对所有基金产品进行排序，得到推荐序列。
S104、将推荐序列中的前N个基金产品，推荐给目标用户。
其中，N为正整数。
具体的，可以但不限于基于springMVC+MyBatis框架和Tomcat服务器，整合为数据展示平台，利用scala实现实时推荐系统与用户进行实时交互。
由以上方案可知，本申请提供的一种基金产品的推荐方法：首先，读取目标客户的基本信息和行为信息；其中，目标客户为未被推荐基金产品的客户；然后，针对每一个基金产品，利用目标客户的基本信息和行为信息预测目标用户采用基金产品的概率；再按照目标用户采用基金产品的概率，从大至小对所有基金产品进行排序，得到推荐序列；最终，将推荐序列中的前N个基金产品，推荐给目标用户；其中，N为正整数。从而达到结合更多的用户信息，从而更加精确的向其推荐基金产品的目的。
本申请另一实施例提供了一种基金产品的推荐装置，如图4所示，具体包括：
读取单元401，用于读取目标客户的基本信息和行为信息。
其中，目标客户为未被推荐基金产品的客户。
预测单元402，用于针对每一个基金产品，利用目标客户的基本信息和行为信息预测目标用户采用基金产品的概率。
可选的，在本申请的另一实施例中，预测单元402的一种实施方式，包括：
预测子单元，用于将目标客户的基本信息和行为信息输入至预测模型中，得到目标用户采用每一个基金产品的概率。
其中，预测模型由训练样本集合对注意力图神经网络进行训练得到；训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个基金产品的真实概率。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
排序单元403，用于按照目标用户采用基金产品的概率，从大至小对所有基金产品进行排序，得到推荐序列。
推荐单元404，用于将推荐序列中的前N个基金产品，推荐给目标用户。
其中，N为正整数。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，在本申请的另一实施例中，预测模型的构建单元的一种实施方式，包括：
知识图谱构建单元，用于利用传统数据库中的元数据信息，构建知识图谱。
获取单元，用于获取待训练用户的基本信息、行为信息以及采用每一个基金产品的真实概率。
生成单元，用于通过知识图谱对每一个待训练用户的基本信息、行为信息以及采用每一个基金产品的真实概率进行预训练，生成训练样本集合。
输入单元，用于针对训练样本集合中的每一个训练样本用户，将训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到训练样本用户采用每一个基金产品的预测概率。
训练单元，用于利用训练样本用户采用基金产品的预测概率与训练样本用户采用基金产品的真实概率之间的误差，对注意力图神经网络中的参数进行不断调整，直至调整后的训练样本用户采用基金产品的预测概率与训练样本用户采用基金产品的真实概率之间的误差满足预设的收敛条件时，将调整后的注意力图神经网络确定为预测模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
由以上方案可知，本申请提供的一种基金产品的推荐装置：首先，读取单元401读取目标客户的基本信息和行为信息；其中，目标客户为未被推荐基金产品的客户；然后，预测单元402针对每一个基金产品，利用目标客户的基本信息和行为信息预测目标用户采用基金产品的概率；排序单元403再按照目标用户采用基金产品的概率，从大至小对所有基金产品进行排序，得到推荐序列；最终，推荐单元404将推荐序列中的前N个基金产品，推荐给目标用户；其中，N为正整数。从而达到结合更多的用户信息，从而更加精确的向其推荐基金产品的目的。
本申请另一实施例提供了一种服务器，如图5所示，包括：
一个或多个处理器501。
存储装置502，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器501执行时，使得所述一个或多个处理器501实现如上述实施例中任意一项所述的基金产品的推荐方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的基金产品的推荐方法。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基金产品的推荐方法，其特征在于，包括：
读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；
针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；
按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；
将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。
2.根据权利要求1所述的推荐方法，其特征在于，所述针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率，包括：
将所述目标客户的基本信息和行为信息输入至预测模型中，得到所述目标用户采用每一个所述基金产品的概率；其中，所述预测模型由训练样本集合对注意力图神经网络进行训练得到；所述训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率。
3.根据权利要求2所述的推荐方法，其特征在于，所述预测模型的构建方法，包括：
利用传统数据库中的元数据信息，构建知识图谱；
获取待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率；
通过所述知识图谱对每一个所述待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率进行预训练，生成训练样本集合；
针对所述训练样本集合中的每一个训练样本用户，将所述训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到所述训练样本用户采用每一个所述基金产品的预测概率；
利用所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差，对所述注意力图神经网络中的参数进行不断调整，直至调整后的所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差满足预设的收敛条件时，将所述调整后的注意力图神经网络确定为预测模型。
4.一种基金产品的推荐装置，其特征在于，包括：
读取单元，用于读取目标客户的基本信息和行为信息；其中，所述目标客户为未被推荐基金产品的客户；
预测单元，用于针对每一个基金产品，利用所述目标客户的基本信息和行为信息预测所述目标用户采用所述基金产品的概率；
排序单元，用于按照所述目标用户采用所述基金产品的概率，从大至小对所有所述基金产品进行排序，得到推荐序列；
推荐单元，用于将所述推荐序列中的前N个所述基金产品，推荐给所述目标用户；其中，所述N为正整数。
5.根据权利要求4所述的推荐装置，其特征在于，所述预测单元，包括：
预测子单元，用于将所述目标客户的基本信息和行为信息输入至预测模型中，得到所述目标用户采用每一个所述基金产品的概率；其中，所述预测模型由训练样本集合对注意力图神经网络进行训练得到；所述训练样本集合多个训练样本用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率。
6.根据权利要求5所述的推荐装置，其特征在于，所述预测模型的构建单元，包括：
知识图谱构建单元，用于利用传统数据库中的元数据信息，构建知识图谱；
获取单元，用于获取待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率；
生成单元，用于通过所述知识图谱对每一个所述待训练用户的基本信息、行为信息以及采用每一个所述基金产品的真实概率进行预训练，生成训练样本集合；
输入单元，用于针对所述训练样本集合中的每一个训练样本用户，将所述训练样本用户的基本信息和行为信息输入至注意力图神经网络中，得到所述训练样本用户采用每一个所述基金产品的预测概率；
训练单元，用于利用所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差，对所述注意力图神经网络中的参数进行不断调整，直至调整后的所述训练样本用户采用所述基金产品的预测概率与所述训练样本用户采用所述基金产品的真实概率之间的误差满足预设的收敛条件时，将所述调整后的注意力图神经网络确定为预测模型。
7.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一所述的基金产品的推荐方法。
8.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3中任一所述的基金产品的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799816.5A CN113469819A (zh) | 2021-07-15 | 2021-07-15 | 基金产品的推荐方法、相关装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799816.5A CN113469819A (zh) | 2021-07-15 | 2021-07-15 | 基金产品的推荐方法、相关装置及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469819A true CN113469819A (zh) | 2021-10-01 |
Family
ID=77880396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110799816.5A Pending CN113469819A (zh) | 2021-07-15 | 2021-07-15 | 基金产品的推荐方法、相关装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469819A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645211A (zh) * | 2023-05-15 | 2023-08-25 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN110717099A (zh) * | 2019-09-25 | 2020-01-21 | 优地网络有限公司 | 一种推荐影片的方法及终端 |
| CN110717106A (zh) * | 2019-10-14 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
| CN111460249A (zh) * | 2020-02-24 | 2020-07-28 | 桂林电子科技大学 | 一种基于学习者偏好建模的个性化学习资源推荐方法 |
| CN111967972A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
| CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
-
2021
- 2021-07-15 CN CN202110799816.5A patent/CN113469819A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN110717099A (zh) * | 2019-09-25 | 2020-01-21 | 优地网络有限公司 | 一种推荐影片的方法及终端 |
| CN110717106A (zh) * | 2019-10-14 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
| CN111460249A (zh) * | 2020-02-24 | 2020-07-28 | 桂林电子科技大学 | 一种基于学习者偏好建模的个性化学习资源推荐方法 |
| CN111967972A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
| CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645211A (zh) * | 2023-05-15 | 2023-08-25 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
| CN116645211B (zh) * | 2023-05-15 | 2024-05-10 | 中信建投证券股份有限公司 | 推荐用户信息生成方法、装置、设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11687728B2 (en) | Text sentiment analysis method based on multi-level graph pooling | |
| CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| US8583568B2 (en) | Systems and methods for detection of satisficing in surveys | |
| CN106447066A (zh) | 一种大数据的特征提取方法和装置 | |
| US20210049458A1 (en) | Processing sequential interaction data | |
| CN112418653A (zh) | 一种基于机器学习算法的携号转网潜客识别系统及方法 | |
| CN106445988A (zh) | 一种大数据的智能处理方法和系统 | |
| Akerkar et al. | Intelligent techniques for data science | |
| CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| JP2017199355A (ja) | レコメンデーション生成 | |
| CN113424207B (zh) | 高效地训练可理解模型的系统和方法 | |
| CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
| US20150088789A1 (en) | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium | |
| Hain et al. | The promises of Machine Learning and Big Data in entrepreneurship research | |
| CN113409157B (zh) | 一种跨社交网络用户对齐方法以及装置 | |
| CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN108304568B (zh) | 一种房地产公众预期大数据处理方法及系统 | |
| CN113469819A (zh) | 基金产品的推荐方法、相关装置及计算机存储介质 | |
| CN117408736A (zh) | 基于改进的Stacking融合算法的企业资金需求挖掘方法和介质 | |
| CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
| US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
| US20140324524A1 (en) | Evolving a capped customer linkage model using genetic models | |
| CN113656692B (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
| CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
| CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |