CN115794898B - 一种金融资讯推荐方法、装置、电子设备及存储介质 - Google Patents
一种金融资讯推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115794898B CN115794898B CN202310010807.2A CN202310010807A CN115794898B CN 115794898 B CN115794898 B CN 115794898B CN 202310010807 A CN202310010807 A CN 202310010807A CN 115794898 B CN115794898 B CN 115794898B
- Authority
- CN
- China
- Prior art keywords
- financial information
- user
- recommended
- information
- similarity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006399 behavior Effects 0.000 claims description 70
- 238000004891 communication Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种金融资讯推荐方法、装置、电子设备及存储介质,金融资讯推荐方法包括:获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据,确定用户对各预推荐金融资讯信息的推荐需求概率;根据各预推荐金融资讯信息对应的第一相似度与推荐需求概率,确定待向用户推荐的金融资讯信息;依据所确定的金融资讯信息向用户推荐金融资讯信息。应用本发明实施例提供的方案可以提高向交易者推荐金融资讯信息的准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种金融资讯推荐方法、装置、电子设备及存储介质。
背景技术
在金融交易中,金融市场总在不断变化,交易者需要根据金融资讯信息来捕捉金融市场的变化趋势,从而制定合适的交易策略。然而,金融市场中存在海量的金融资讯,交易者仅凭自身很难及时获取到自己需要的资讯。因此,交易者希望金融交易平台能够对海量的金融资讯信息进行筛选,从而可以向交易者推荐金融资讯信息,提高交易者获得金融资讯信息的准确性。
发明内容
本发明实施例的目的在于提供一种金融资讯推荐方法、装置、电子设备及存储介质,以提高向交易者推荐金融资讯信息的准确性。具体技术方案如下:
根据本发明实施例的第一方面,提供了一种金融资讯推荐方法,所述方法包括:
获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;
根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;
根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息;
依据所确定的金融资讯信息向所述用户推荐金融资讯信息。
根据本发明实施例的第二方面,提供了一种金融资讯推荐装置,所述装置包括:
预推荐金融资讯信息确定模块,用于获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;
推荐需求概率确定模块,用于根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;
推荐金融资讯信息确定模块,用于根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息;
金融资讯信息推荐模块,用于依据所确定的金融资讯信息向所述用户推荐金融资讯信息。
根据本发明实施例的第三方面,一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的金融资讯推荐方法。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的金融资讯推荐方法。
本发明实施例有益效果:
本发明实施例提供的金融资讯推荐方案,可以获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,并根据第一相似度确定预推荐金融资讯信息。由于第一相似度是候选金融资讯信息与用户的资产信息间的,反映了候选金融资讯信息与用户的资产信息的关联程度,因此根据第一相似度确定的预推荐金融资讯信息为与用户的资产信息相关的金融资讯信息。根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据,可以确定用户对各预推荐金融资讯信息的推荐需求概率。由于用户对各历史金融资讯信息的用户行为数据可以反映用户对不同的金融资讯信息的喜好程度,因此根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据确定的推荐需求概率,可以反映出用户对预推荐金融资讯信息的喜好程度。根据各预推荐金融资讯信息与用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息,考虑了用户的资产信息与用户对金融资讯信息的喜好程度,确定的待向用户推荐的金融资讯信息既与用户的资产信息相关联,又是用户所喜好的金融资讯信息。这样,可以在确定待向用户推荐的金融资讯信息时综合考虑用户的多个维度,所确定的金融资讯信息与用户的匹配程度高,从而可以根据所确定的金融资讯信息准确地向用户推荐金融资讯信息。因此,应用本发明实施例提供的方案可以提高向交易者推荐金融资讯信息的准确性。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的第一种金融资讯推荐方法的流程示意图;
图2为本发明实施例提供的第二种金融资讯推荐方法的流程示意图;
图3为本发明实施例提供的第一种金融资讯推荐过程的流程框图;
图4为本发明实施例提供的第三种金融资讯推荐方法的流程示意图;
图5为本发明实施例提供的第一相似度计算过程的流程框图;
图6为本发明实施例提供的一种金融资讯信息推荐模型在线更新过程的流程框图;
图7为本发明实施例提供的第二种金融资讯推荐过程的流程框图;
图8为本发明实施例提供的一种金融资讯推荐装置的结构示意图;
图9为本发明实施例提供的一种电子设备的结构示意图。
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基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
在金融交易中,金融资讯信息可以反映不断变化的金融市场的现状与变化趋势,交易者需要根据金融资讯信息制定合适的交易策略。为了能够制定出合适的交易策略,交易者需要从交易平台上获取到自己所需要的金融资讯信息,也就是说,交易平台需要向交易者准确地推荐金融资讯信息。
鉴于此,本发明实施例提供了一种金融资讯推荐方法,以提高交易平台向交易者推荐金融资讯信息的准确性。
下面对本发明实施例的执行主体进行说明。
本发明实施例的执行主体可以为任意一台具有数据处理功能的电子设备。该电子设备可以是台式机、服务器等等。
下面通过具体实施例对本发明实施例提供的金融资讯信息推荐方法进行说明。
参见图1,提供了第一种金融资讯推荐方法的流程示意图,该方法包括以下步骤S101-S104。
步骤S101:获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息。
其中,候选金融资讯信息为电子设备根据描述用户的投资场景的目标语义标签确定的金融资讯信息,目标语义标签为与用户的资产信息相关的语义标签或用户选择的语义标签。
具体的,电子设备可以对用户的资产信息进行分析,包括但不限于对用户的资产分布、投资行为等资产信息进行分析,从而得到与用户的资产信息相关的语义标签。
例如,假设对用户的资产分布进行分析后,发现用户的资产主要为股票,那么股票为与用户的资产信息相关的语义标签;假设对用户的资产分布进行分析后,发现用户的资产主要包括股票和基金,那么股票和基金为与用户的资产信息相关的语义标签;假设对用户的资产行为进行分析后,发现用户每一定时间间隔会购买一定金额的基金或股票,那么定投为与用户的资产信息相关的语义标签。
用户也可以根据自身需求,主动选择语义标签,作为目标语义标签。
上述语义标签可以包括投资、理财、定投、股票、固定资产等,本发明实施例对此并不进行限定。
下面对获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度的方式进行说明。
具体的,可以根据以下实现方式获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度。
一种实现方式中,可以根据候选金融资讯信息所包括目标语义标签数量与其所包括的所有语义标签数量获得该候选金融资讯信息与用户的资产信息间的第一相似度。
具体的,可以计算候选金融资讯信息所包括目标语义标签数量与其所包括的所有语义标签数量的比值,作为该候选金融资讯信息与用户的资产信息间的第一相似度。
另一种实现方式中,可以根据候选金融资讯信息的文本特征与用户的资产特征,获得候选金融资讯信息与用户的资产信息间的第一相似度。
本实现方式将于后文图4所示实施例部分具体说明,此处暂不详述。
步骤S102:根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据,确定用户对各预推荐金融资讯信息的推荐需求概率。
其中,历史时间段可以根据实际情况设置,例如,可以为1个月、3个月等。
下面对用户对各历史金融资讯信息的用户行为数据进行说明。
电子设备可以在用户浏览历史金融资讯信息时记录用户行为数据,一种实现方式中,所记录的用户行为数据可以包括:金融资讯信息标识、用户对金融资讯信息产生行为的时间戳以及用户操作行为;另一种实现方式中,所记录的用户行为数据还可以包括用户标识。
上述用户行为数据可以存储在数据库中,数据库可以使用MySQL数据库。为避免出现数据量过大导致超载,可以使用Kafka数据缓存模式进行存储用户行为数据。本发明对数据库种类与存储方式并不进行限定。
下面对用户操作行为进行具体说明。
一种情况下,上述用户操作行为可以为用户对历史金融资讯信息的浏览操作;另一种情况下,用户操作行为可以包括用户对历史金融资讯信息的浏览,以及点赞、评论、转发等操作。
电子设备记录用户对历史金融资讯信息的浏览操作时,可以记录用户开始浏览历史金融资讯信息的时间与用户结束浏览历史金融资讯信息的时间,从而得到用户对历史金融资讯信息的浏览时间。
下面对确定用户对各预推荐金融资讯信息的推荐需求概率进行说明。
针对每一预推荐金融资讯信息,可以根据该预推荐金融资讯信息与历史时间段内用户浏览过的历史金融资讯信息的第二相似度,以及根据用户对各历史金融资讯信息的用户行为,确定用户对各预推荐金融资讯信息的推荐需求概率。
上述确定用户对各预推荐金融资讯信息的推荐需求概率的方式将在图2所示的实施例中具体说明,此处暂不详述。
步骤S103:根据各预推荐金融资讯信息与用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息。
下面对如何根据上述第一相似度与推荐需求概率确定待向用户推荐的金融资讯信息进行说明。
一种实现方式中,可以针对每一预推荐金融资讯信息,对该预推荐金融资讯信息与用户的资产信息间的第一相似度和该预推荐金融资讯信息对应的推荐需求概率进行加权计算,得到向用户推荐该预推荐金融资讯信息的置信度。
这样,电子设备可以根据得到的置信度,从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息。
通过上述方式,将预推荐金融资讯信息与用户的资产信息间的第一相似度和预推荐金融资讯信息对应的推荐需求概率结合起来,得到预推荐金融资讯信息的置信度,由于预推荐金融资讯信息与用户的资产信息间的第一相似度可以反映预推荐金融资讯信息与用户的资产信息的相关程度,预推荐金融资讯信息对应的推荐需求概率可以反映用户对预推荐金融资讯信息的喜好程度,因此根据第一相似度与推荐需求概率得到预推荐金融资讯信息的置信度能综合反映预推荐金融资讯信息与用户的资产信息的相关情况以及用户的喜好程度,从而准确地反映用户对预推荐金融资讯信息的需求。这样,根据预推荐金融资讯信息的置信度从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息准确。
具体的,可以通过下述关系式计算得到向用户推荐该预推荐金融资讯信息的置信度:
其中,表示向用户推荐该预推荐金融资讯信息的置信度,表示该预推荐金融资讯信息与用户的资产信息间的第一相似度,表示该预推荐金融资讯信息对应的推荐需求概率,与分别为上述第一相似度与推荐需求概率对应的权重系数。
一种情况下,上述权重系数可以由人工手动设置;另一种情况下,上述权重系数可以通过深度学习训练方法获得。
另一种实现方式中,可以将该预推荐金融资讯信息与用户的资产信息间的第一相似度和该预推荐金融资讯信息对应的推荐需求概率进行加和计算,得到向用户推荐该预推荐金融资讯信息的置信度。
与前述实现方式相同,电子设备可以根据得到的置信度,从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息。
下面对电子设备如何根据得到的置信度,从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息进行说明。
一种实现方式中,电子设备可以确定置信度高于预设置信度阈值的预推荐金融资讯信息为待向用户推荐的金融资讯信息,并按照所对应的置信度大小对待向用户推荐的金融资讯信息进行排序。
另一种实现方式中,电子设备可以确定所有预推荐金融资讯信息为待向用户推荐的金融资讯信息,并按照所对应的置信度大小对待向用户推荐的金融资讯信息进行排序。
步骤S104:依据所确定的金融资讯信息向用户推荐金融资讯信息。
具体的,如前文中对步骤S103的说明里描述的,电子设备会对待向用户推荐的金融资讯信息进行排序。因此,电子设备向会按照排序顺序向用户推荐金融资讯信息。
由以上可见,本发明实施例提供的金融资讯推荐方案中,可以获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,并根据第一相似度确定预推荐金融资讯信息。由于第一相似度反映了候选金融资讯信息与用户的资产信息的关联程度,因此根据第一相似度确定的预推荐金融资讯信息为与用户的资产信息相关的金融资讯信息。此外,还可以根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据,确定用户对各预推荐金融资讯信息的推荐需求概率。由于用户对各历史金融资讯信息的用户行为数据可以反映用户对不同的金融资讯信息的喜好程度,因此根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据确定的推荐需求概率,可以反映出用户对预推荐金融资讯信息的喜好程度。根据第一相似度与推荐需求概率确定的待向用户推荐的金融资讯信息,既与用户的资产信息相关联,又是用户所喜好的金融资讯信息,综合考虑了用户的多个维度,所确定的金融资讯信息与用户的匹配程度高,从而可以根据所确定的金融资讯信息准确地向用户推荐金融资讯信息。因此,应用本发明实施例提供的方案可以提高向交易者推荐金融资讯信息的准确性。
本发明的一个实施例中,如前文中对步骤S102的说明,参见图2,提供了第二种金融资讯推荐方法的流程示意图。
本实施例中,针对每一预推荐金融信息,上述步骤S102可以通过以下步骤S102A-S102E确定用户对该预推荐金融资讯信息的推荐需求概率。
步骤S102A:获得该预推荐金融资讯信息的第一信息特征。
具体的,电子设备会提取该预推荐金融资讯信息所包括的所有语义标签,根据提取得到的语义标签与电子设备自身的语义标签库中的各个语义标签,获得该预推荐金融资讯信息的第一信息特征。
下面对获得该预推荐金融资讯信息的第一信息特征的方式进行具体说明。
一种实现方式中,电子设备可以通过独热编码的方式获得该预推荐金融资讯信息的第一信息特征。
具体的,针对电子设备自身语义标签库中的每一语义标签,若提取得到的该预推荐金融资讯信息所包括的语义标签中同样包括该语义标签,将该预推荐金融资讯信息的第一信息特征中对应该语义标签的特征值设置为1;若该预推荐金融资讯信息不包括该语义标签将该预推荐金融资讯信息的第一信息特征中对应该语义标签的特征值设置为0。
最终获得的该预推荐金融资讯信息的第一信息特征为以下形式:
其中,表示该预推荐金融资讯信息的第一信息特征,为该预推荐金融资讯信息的第一信息特征中的各特征值。
步骤S102B:获得第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征间的第二相似度。
与步骤S102A中获得第一信息特征的方式相同,电子设备获得历史时间段内用户浏览过的历史金融资讯信息的第二信息特征。
在一个历史时间段内,用户可以浏览多个历史金融资讯信息,因此,电子设备需要获得第一信息特征与每一历史金融资讯信息的第二信息特征间的第二相似度。
假设电子设备获得的第一信息特征为,针对每一历史金融资讯信息,假设电子设备获得的第二信息特征为,可以按照以下关系式获得第一信息特征与该历史金融资讯信息的第二信息特征间的第二相似度:
其中,表示第一信息特征与该历史金融资讯信息的第二信息特征间的第二相似度,表示第二相似度计算函数。
一种实现方式中,上述第二相似度计算函数可以为余弦计算函数;另一种实现方式中,上述第二相似度计算函数可以为点积计算函数。
步骤S102C:根据所获得的第二相似度,从历史金融资讯信息中确定该预推荐金融资讯的相似金融资讯信息。
具体的,电子设备根据获得的第二相似度与第二相似度阈值,确定第二相似度高于第二相似度阈值历史金融资讯信息为该预推荐金融资讯的相似金融资讯信息。
步骤S102D:根据用户对各相似金融资讯信息的用户行为数据,获得用户对各相似金融资讯信息的喜好分数。
如前文中对步骤S102的说明,一种情况下,用户对各相似金融资讯信息的用户操作行为可以为用户对历史金融资讯信息的浏览时间;另一种情况下,用户对各相似金融资讯信息的用户操作行为可以包括用户对历史金融资讯信息的浏览时间,以及点赞、评论、转发等操作。
因此,存在以下实现方式获得用户对各相似金融资讯信息的喜好分数。
一种实现方式中,可以根据用户对历史金融资讯信息的浏览时间获得用户对各相似金融资讯信息的喜好分数。
一种情况下,可以将用户对历史金融资讯信息的浏览时间直接作为用户对各相似金融资讯信息的喜好分数。例如,用户浏览了金融资讯信息A共5秒,用户对金融资讯信息A的喜好分数为5。
另一种情况下,可以根据以下表达式,获得用户对各相似金融资讯信息的喜好分数:
,
其中,表示用户对标识为j的相似金融资讯信息的喜好分数,表示用户对标识为j的金融资讯信息的浏览时长,表示预设的时间窗口长度,为公式系数,e为自然常数。
上述公式系数可以根据实例情况设置,公式系数可以为10、20等,公式系数可以为1、2、3等。例如,上述表达式可以为:
上述预设的时间窗口长度可以为5秒、10秒等。当用户对标识为j的金融资讯信息的浏览时长小于预设的时间窗口长度时,获得的用户对各相似金融资讯信息的喜好分数小于0;当用户对标识为j的金融资讯信息的浏览时长不小于预设的时间窗口长度时,获得的用户对各相似金融资讯信息的喜好分数大于等于0。
这样,可以利用用户对历史金融资讯信息的浏览时间,根据上述表达式准确地获得用户对各相似金融资讯信息的喜好分数。此外,由于当用户对历史金融资讯信息的浏览时间小于预设的时间窗口时,获得的喜好分数小于0,从而可以依此筛选掉浏览时间低于预设的时间窗口的低质量数据,避免推荐结果因此产生偏差,提高了向用户推荐金融资讯信息的准确性。
另一种实现方式中,可以根据用户对历史金融资讯信息的浏览时间,以及点赞、评论、转发等操作获得用户对各相似金融资讯信息的喜好分数。
具体的,可以设置点赞、评论、转发等操作对应的系数。一种情况下,可以将根据用户对历史金融资讯信息的浏览时间获得的第一分数与上述系数求和,所得和值为所需要的喜好分数;另一种情况下,可以将根据用户对历史金融资讯信息的浏览时间获得的第一分数与上述系数求积,所得积值为所需要的喜好分数。
步骤S102E:根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与第一信息特征间的第二相似度,确定用户对该预推荐金融资讯信息的推荐需求概率。
具体的,可以根据各相似金融资讯信息的第二信息特征与第一信息特征间的第二相似度,将各相似金融资讯信息的喜好分数进行加权计算,确定用户对该预推荐金融资讯信息的推荐需求概率。
一种实现方式中,可以根据以下表达式确定用户对该预推荐金融资讯信息的推荐需求概率:
其中,表示用户对预推荐金融资讯信息i的推荐需求概率,表示预推荐金融资讯信息i的K个相似金融资讯信息,是预推荐金融资讯信息i和相似金融资讯信息j的第二相似度,是用户对相似金融资讯信息j的喜好分数。
通过上述方式,可以根据所获得的预推荐金融资讯信息的第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征确定第二相似度。根据第二相似度,从预推荐金融资讯信息中准确地确定相似金融资讯信息。根据用户对各相似金融资讯信息的用户行为数据,可以获得用户对各相似金融资讯信息的喜好分数,所获得的喜好分数反映了用户对相似金融资讯的喜好程度。由于第二相似度反映了预推荐金融资讯信息与历史金融资讯信息的相似程度,根据第二相似度确定的相似金融资讯信息与预推荐金融资讯信息相似,因此用户对相似金融资讯信息的喜好程度可以一定程度上反映用户对预推荐金融资讯信息的喜好程度。这样,根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与第一信息特征间的第二相似度确定用户对预推荐金融资讯信息的推荐需求概率,可以反映用户对预推荐金融资讯信息的喜好程度。
下面以一具体实现方式为例,对本发明实施例进行说明。
参见图3,提供了第一种金融资讯推荐过程的流程框图。
可以看出,电子设备提取记录的历史金融资讯信息的语义标签,并根据对语义标签的分析结果,获得历史金融资讯信息的第二信息特征;根据获得的第二信息特征与候选金融资讯信息的第一信息特征的相似度,确定相似金融资讯信息;根据预推荐金融资讯信息、相似金融资讯信息以及对应的用户行为数据,获得预推荐金融资讯信息对应的推荐需求概率;根据预推荐金融资讯信息与用户的资产信息间的第一相似度以及预推荐金融资讯信息对应的推荐需求概率,确定预推荐金融资讯信息的推荐置信度,从而确定待向用户推荐的金融资讯信息。
本发明的一个实施例中,如前文中对步骤S101的说明,参见图4,提供了第三种金融资讯推荐方法的流程示意图。
本实施例中,上述步骤S101中获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度可以通过以下步骤S101A-步骤S101E完成。
步骤S101A:获得描述用户的投资场景的目标语义标签。
其中,上述目标语义标签根据用户的资产信息或用户选择的语义标签确定。
如前文中对步骤S101的说明相同,电子设备可以对用户的资产信息进行分析,包括但不限于对用户的资产分布、投资行为等资产信息进行分析,从而得到与用户的资产信息相关的语义标签。
用户也可以根据自身需求,主动选择语义标签,作为目标语义标签。
步骤S101B:根据目标语义标签从已有金融资讯信息中确定用户的候选金融资讯信息。
具体的,金融平台提取已有金融资讯信息的语义标签,并与目标语义标签进行比较。当已有金融资讯信息包括的语义标签中存在至少一个目标语义标签时,确定该已有金融资讯信息为用户的候选金融资讯信息。
步骤S101C:获得各候选金融资讯信息的文本特征。
一种实现方式中,电子设备可以获得人工输入的各候选金融资讯信息的文本特征。
另一种实现方式中,电子设备可以通过门控循环神经网络模型获得各候选金融资讯信息的文本特征。
具体的,对于候选金融资讯信息,使用Transformer模型提取各候选金融资讯信息的文本特征。Transformer模型根据以下关系式提取候选金融资讯信息的文本特征:
其中,表示候选金融资讯信息的文本特征中的查询矩阵,表示候选金融资讯信息的文本特征中的关注内容,表示候选金融资讯信息的文本特征的值,表示提取候选金融资讯信息的文本特征的计算过程;表示与的点乘,是用于减小点积结果大小的参数,为归一化指数函数;表示提取得到的候选金融资讯信息的文本特征,表示权重系数。
步骤S101D:根据反映用户的资产信息的图像,获得用户的资产特征。
其中,反映用户的资产信息的图像可以包括用户的资产曲线走势图、用户的投资版图、用户投资领域的相关经济形势图等。
下面对获得用户的资产特征的方式进行具体说明。
一种实现方式中,电子设备可以获得人工输入的用户的资产特征。
另一种实现方式中,电子设备可以通过残差网络模型获得用户的资产特征。
具体的,电子设备将反映用户的资产信息的图像输入残差网络模型中,通过递归的方式,利用以下残差单元的表达式获得用户的资产特征:
其中,表示第l个残差单元的输出,表示第l个残差单元的输入,表示激活函数,表示残差网络模型参数。
这样,通过递归的方式,最后一个残差单元输出的结果即为所需要的用户的资产特征。
步骤S101E:根据资产特征与每一候选金融资讯信息的文本特征,计算用户的每一候选金融资讯信息与用户的资产信息间的第一相似度。
下面对计算用户的每一候选金融资讯信息与用户的资产信息间的第一相似度的方式进行具体说明。
一种情况下,可以将步骤S101C与步骤S101D中获得的资产特征与候选金融资讯信息的文本特征进行余弦相似度计算,计算结果即为候选金融资讯信息与用户的资产信息间的第一相似度。
另一种情况下,可以将资产特征与候选金融资讯信息的文本特征进行特征融合,得到融合特征,并利用Sigmoid函数计算所得到的融合特征,计算结果即为候选金融资讯信息与用户的资产信息间的第一相似度。其表达式如下:
其中,为候选金融资讯信息与用户的资产信息间的第一相似度,表示计算资产特征与候选金融资讯信息的文本特征的融合特征,为计算参数,表示Sigmoid函数。
此外,为了保证相似度计算结果的准确性,一种实现方式中,可以对资产特征与候选金融资讯信息的文本特征进行归一化、元素积和/或降维处理。
归一化处理时,可以采用线性函数归一化、标准分数归一化等方法对资产特征与候选金融资讯信息的文本特征进行归一化处理。
降维处理时,可以采用PCA(Principal Component Analysis,主成分分析)算法或SVD(Singular Value Decomposition,奇异值分解)算法对资产特征与候选金融资讯信息的文本特征进行降维处理。
这样,可以根据描述用户投资场景的目标语义标签,从已有金融资讯信息中准确地确定候选金融资讯信息,从而可以根据候选金融资讯信息的文本特征与用户的资产特征,准确的计算得到候选金融资讯信息与用户的资产信息间的第一相似度。
下面以一具体实现方式为例,具体说明上述步骤S101C-步骤S101E。
参见图5,提供了一种第一相似度计算过程的流程框图。
可以看出,门控循环神经网络获得输入的候选金融资讯文本信息,输出对应的文本特征;残差网络获得输入的用户资产图像信息,输出对应的资产特征。
多模态特征融合模块获得输入门控循环神经网络输出的文本特征与残差网络输出的资产特征,得到融合向量,并根据融合向量输出候选金融资讯信息与用户的资产信息间的第一相似度。
本发明的一个实施例中,上述步骤S102-步骤S103可以通过以下方式完成:
将各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息、用户对各历史金融资讯信息的用户行为数据以及各预推荐金融资讯信息与用户的资产信息间的第一相似度,输入当前金融资讯信息推荐模型,获得当前金融资讯信息推荐模型输出的待向用户推荐的金融资讯信息。
当前金融资讯信息推荐模型通过根据样本预推荐金融资讯信息、样本历史时间段内用户浏览过的样本历史金融资讯信息、用户对各样本历史金融资讯信息的用户行为数据以及样本预推荐金融资讯信息与用户的资产信息间的第一相似度进行训练,并根据输出结果与用户对样本预推荐金融资讯信息的偏差调整模型参数,从而完成训练。
这样,利用训练好的金融资讯信息推荐模型向用户推荐金融资讯信息,可以完成对用户进行金融资讯信息推荐。由于模型训练过程中一般会使用大量样本数据进行训练,金融资讯信息推荐模型能够学习到大量样本中存在的规律性的知识,减少了对人工经验的依赖,可以准确地向交易者推荐金融资讯信息。此外,使用金融资讯信息推荐模型进行金融资讯信息推荐,省去了繁琐的执行过程,提高了金融资讯信息推荐效率。
本发明的一个实施例中,在使用金融资讯信息推荐模型得到待向用户推荐的金融资讯信息的基础上,还包括以下步骤:
将各预推荐金融资讯信息、历史金融资讯信息、用户行为数据以及各预推荐金融资讯信息与用户的资产信息间的第一相似度输入探索模型,获得探索模型输出的待向用户推荐的探索金融资讯信息。
其中,探索模型为:对当前金融资讯信息推荐模型的模型参数进行调整得到的模型。
具体的,可以根据以下关系式,得到给当前金融资讯信息推荐模型的模型参数添加的随机扰动:
其中,为添加的随机扰动;为表示探索力度的探索因子,可以根据实际需要人为设置;为当前金融资讯信息推荐模型的模型参数; 表示一个[-1,1]之间的随机数。
由于当前金融资讯信息推荐模型的模型参数可能存在多个,因此,在对当前金融资讯信息推荐模型的模型参数进行时,可以更新其中随机一个模型参数,也可以更新随机多个模型参数。
此时,上述步骤S104会通过以下方式完成:依据金融资讯信息推荐模型输出的金融资讯信息和模型输出的探索金融资讯信息,向用户推荐金融资讯信息。
一种实现方式中,金融资讯信息推荐模型输出的金融资讯信息和探索模型输出的探索金融资讯信息将用间隔穿插的方式融合,获得待向用户推荐金融资讯信息。
具体的,电子设备将金融资讯信息推荐模型输出的置信度最高的金融资讯信息作为第一个待向用户推荐金融资讯信息,将探索模型输出的置信度最高的探索金融资讯信息作为第二个待向用户推荐金融资讯信息,将金融资讯信息推荐模型输出的置信度第二高的金融资讯信息作为第三个待向用户推荐金融资讯信息,将探索模型输出的置信度第二高的探索金融资讯信息作为第四个待向用户推荐金融资讯信息……以此类推。
当出现待向用户推荐金融资讯信息重复时,电子设备将跳过该待向用户推荐金融资讯信息。例如,假设金融资讯信息推荐模型输出的置信度最高的金融资讯信息与探索模型输出的置信度第三高的探索金融资讯信息为同一金融资讯信息,而金融资讯信息推荐模型输出的置信度最高的金融资讯信息是第一个待向用户推荐金融资讯信息。当电子设备处理探索模型输出的置信度第三高的探索金融资讯信息时,如果将其作为第六个待向用户推荐金融资讯信息,就会出现待向用户推荐金融资讯信息重复的情况。此时,电子设备将跳过探索模型输出的置信度第三高的探索金融资讯信息,将金融资讯信息推荐模型输出的置信度第四高的金融资讯信息作为第六个待向用户推荐金融资讯信息。
在步骤S104完成之后,电子设备还将收集用户对被推荐金融资讯信息的用户行为数据,并根据所收集的用户行为数据与探索模型的模型参数,更新当前金融资讯信息推荐模型的模型参数。
具体的,可以设置一个模型更新时间间隔,在该时间间隔内,电子设备将根据所收集的用户对被推荐金融资讯信息的用户行为数据,判断当前金融资讯信息推荐模型输出的金融资讯信息与探索模型输出的探索金融资讯信息哪一个更准确。
本实施例中,模型的更新是实时的,因此,设置的模型更新时间间隔比较短暂。为了准确地更新模型,保证用户体验,电子设备可以使用Spark数据流计算框架对用户对被推荐金融资讯信息的用户行为数据进行存储,使用Hbase分布式存储数据库存储用户对被推荐金融资讯信息的用户行为数据。
下面对判断当前金融资讯信息推荐模型输出的金融资讯信息与探索模型输出的探索金融资讯信息哪一个更准确的方式进行具体说明。
一种实现方式中,电子设备可以根据所收集的用户对被推荐金融资讯信息的用户行为数据,计算用户对当前金融资讯信息推荐模型输出的金融资讯信息的喜好分数的和与用户对探索模型输出的探索金融资讯信息的喜好分数的和,并比较两个和值,确定更大的和值对应的模型输出的金融资讯信息更准确。
另一种实现方式中,电子设备可以根据所收集的用户对被推荐金融资讯信息的用户行为数据,计算用户对当前金融资讯信息推荐模型输出的金融资讯信息的喜好分数的平均值与用户对探索模型输出的探索金融资讯信息的喜好分数的平均值,并比较两个平均值,确定更大的平均值对应的模型输出的金融资讯信息更准确。
这样,当当前金融资讯信息推荐模型输出的金融资讯信息更准确时,不更新当前金融资讯信息推荐模型;当探索模型输出的探索金融资讯信息更准确时,将当前金融资讯推荐信息模型更新为探索模型。
这样,可以给当前金融资讯信息推荐模型的模型参数添加随机扰动生成探索模型,并将金融资讯信息推荐模型输出的金融资讯信息和探索模型输出的探索金融资讯信息融合后推荐给用户,通过收集并分析用户对被推荐金融资讯信息的用户行为数据,可以实时调整金融资讯信息推荐模型,从而提高向用户推荐金融资讯信息的准确性。
在进行了一段时间的实时更新金融资讯信息推荐模型后,从某一个时刻开始,金融资讯信息推荐模型中的所有模型参数将会与最初的金融资讯信息推荐模型中的模型参数不同。为了保证金融资讯信息推荐模型的稳定性,此时,需要根据所收集的用户对被推荐金融资讯信息的用户行为数据对金融资讯信息推荐模型进行特征回填,即根据所收集的用户对被推荐金融资讯信息的用户行为数据,重新训练金融资讯信息推荐模型。
下面以一具体实现方式为例,对金融资讯信息推荐模型的更新机制进行说明。
参见图6,提供了一种金融资讯信息推荐模型在线更新过程的流程框图。
可以看出,最开始训练好的初始金融资讯信息推荐模型将用于对用户1进行模型推荐,推荐的内容是金融资讯信息,同时根据所记录的用户行为数据,对初始金融资讯信息推荐模型进行短期网络参数更新操作,并在数据库中存储所记录的用户行为数据;更新后的金融资讯信息推荐模型,将继续用于对下一用户进行金融资讯推荐。当推荐至用户n时,金融资讯信息推荐模型中的模型参数均已经被修改过,此时将根据数据库中存储的用户行为数据,重新训练金融资讯信息推荐模型,即对金融资讯信息推荐模型进行长期网络参数更新操作。更新后的模型继续用于对各个用户进行金融资讯推荐。
上述过程即为金融资讯信息推荐模型的在线更新过程。
下面以一具体实现方式为例,对金融资讯信息推荐的整体过程进行说明。
参见图7,提供了第二种金融资讯推荐过程的流程框图。
可以看出,在预推荐金融资讯信息生成模块中,电子设备根据用户的资产信息与候选金融资讯信息,得到了用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,具体得到第一相似度的方式在前文图4所示实施例中有具体说明,根据所得到的第一相似度对候选金融资讯信息进行筛选,得到预推荐金融资讯信息。
在用户行为数据采集模块中,电子设备将缓存用户的行为数据流,并将每一用户浏览的历史金融资讯信息与对应的所缓存的行为数据构建为一个训练数据,得到的训练数据被电子设备数据库中存储。
在金融资讯信息推荐服务模块中,电子设备将利用数据库中存储的训练数据,进行金融资讯信息推荐模型构建,并通过构建好的金融资讯信息推荐模型得到用户对各预推荐金融资讯信息的推荐需求概率。此外,电子设备还会根据所记录的用户对金融资讯信息推荐模型推荐的金融资讯信息的用户行为数据进行金融资讯信息推荐模型更新,并通过更新后的金融资讯信息推荐模型得到用户对各预推荐金融资讯信息的推荐需求概率。
电子设备将根据用户对各预推荐金融资讯信息的推荐需求概率与各预推荐金融资讯信息与用户的资产信息间的第一相似度联合评估各预推荐金融资讯信息,从而确定各预推荐金融资讯信息的推荐置信度,生成推荐内容并推送至交互界面。
与上述金融资讯推荐方法相对应,本发明实施例还提供了一种金融资讯推荐装置。
参见图8,提供了一种金融资讯推荐装置的结构示意图,所述装置包括:
预推荐金融资讯信息确定模块801,用于获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;
推荐需求概率确定模块802,用于根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;
推荐金融资讯信息确定模块803,用于根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息;
金融资讯信息推荐模块804,用于依据所确定的金融资讯信息向所述用户推荐金融资讯信息。
由以上可见,本发明实施例提供的金融资讯推荐方案中,可以获得用户的每一候选金融资讯信息与用户的资产信息间的第一相似度,并根据第一相似度确定预推荐金融资讯信息。由于第一相似度反映了候选金融资讯信息与用户的资产信息的关联程度,因此根据第一相似度确定的预推荐金融资讯信息为与用户的资产信息相关的金融资讯信息。此外,还可以根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据,确定用户对各预推荐金融资讯信息的推荐需求概率。由于用户对各历史金融资讯信息的用户行为数据可以反映用户对不同的金融资讯信息的喜好程度,因此根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及用户对各历史金融资讯信息的用户行为数据确定的推荐需求概率,可以反映出用户对预推荐金融资讯信息的喜好程度。根据第一相似度与推荐需求概率确定的待向用户推荐的金融资讯信息,既与用户的资产信息相关联,又是用户所喜好的金融资讯信息,综合考虑了用户的多个维度,所确定的金融资讯信息与用户的匹配程度高,从而可以根据所确定的金融资讯信息准确地向用户推荐金融资讯信息。因此,应用本发明实施例提供的方案可以提高向交易者推荐金融资讯信息的准确性。
本发明的一个实施例中,所述推荐需求概率确定模块802,包括:
第一信息特征获得单元,用于针对每一预推荐金融信息,获得该预推荐金融资讯信息的第一信息特征;
第二相似度获得单元,用于获得所述第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征间的第二相似度;
相似金融资讯信息确定单元,用于根据所获得的第二相似度,从历史金融资讯信息中确定该预推荐金融资讯的相似金融资讯信息;
喜好分数获得单元,用于根据所述用户对各相似金融资讯信息的用户行为数据,获得所述用户对各相似金融资讯信息的喜好分数;
推荐需求概率确定单元,用于根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与所述第一信息特征间的第二相似度,确定所述用户对该预推荐金融资讯信息的推荐需求概率。
通过上述方式,可以根据所获得的预推荐金融资讯信息的第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征确定第二相似度。根据第二相似度,从预推荐金融资讯信息中准确地确定相似金融资讯信息。根据用户对各相似金融资讯信息的用户行为数据,可以获得用户对各相似金融资讯信息的喜好分数,所获得的喜好分数反映了用户对相似金融资讯的喜好程度。由于第二相似度反映了预推荐金融资讯信息与历史金融资讯信息的相似程度,根据第二相似度确定的相似金融资讯信息与预推荐金融资讯信息相似,因此用户对相似金融资讯信息的喜好程度可以一定程度上反映用户对预推荐金融资讯信息的喜好程度。这样,根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与第一信息特征间的第二相似度确定用户对预推荐金融资讯信息的推荐需求概率,可以反映用户对预推荐金融资讯信息的喜好程度。
本发明的一个实施例中,所述喜好分数获得单元,具体用于:
根据以下表达式,获得所述用户对各相似金融资讯信息的喜好分数:
,
其中,表示所述用户对标识为j的相似金融资讯信息的喜好分数,表示所述用户对标识为j的金融资讯信息的浏览时长,表示预设的时间窗口长度,为公式系数,e为自然常数。
这样,可以利用用户对历史金融资讯信息的浏览时间,根据上述表达式准确地获得用户对各相似金融资讯信息的喜好分数。此外,由于当用户对历史金融资讯信息的浏览时间小于预设的时间窗口时,获得的喜好分数小于0,从而可以依此筛选掉浏览时间低于预设的时间窗口的低质量数据,避免推荐结果因此产生偏差,提高了向用户推荐金融资讯信息的准确性。
本发明的一个实施例中,所述预推荐金融资讯信息确定模块801,通过以下方式获得的用户的每一候选金融资讯信息与用户的资产信息间的第一相似度:
获得描述用户投资场景的目标语义标签,其中,上述目标语义标签根据用户的资产信息或用户选择的语义标签确定;
根据所述目标语义标签从已有金融资讯信息中确定所述用户的候选金融资讯信息;
获得各候选金融资讯信息的文本特征;
根据反映用户的资产信息的图像,获得所述用户的资产特征;
根据所述资产特征与每一候选金融资讯信息的文本特征,计算每一候选金融资讯信息与所述用户的资产信息间的第一相似度。
这样,可以根据描述用户投资场景的目标语义标签,从已有金融资讯信息中准确地确定候选金融资讯信息,从而可以根据候选金融资讯信息的文本特征与用户的资产特征,准确的计算得到候选金融资讯信息与用户的资产信息间的第一相似度。
本发明的一个实施例中,所述推荐金融资讯信息确定模块803,包括:
置信度获得单元,用于针对每一预推荐金融资讯信息,对该预推荐金融资讯信息与所述用户的资产信息间的第一相似度和该预推荐金融资讯信息对应的推荐需求概率进行加权计算,获得向所述用户推荐该预推荐金融资讯信息的置信度;
推荐金融资讯信息确定单元,用于根据得到的置信度,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息。
通过上述方式,将预推荐金融资讯信息与用户的资产信息间的第一相似度和预推荐金融资讯信息对应的推荐需求概率结合起来,得到预推荐金融资讯信息的置信度,由于预推荐金融资讯信息与用户的资产信息间的第一相似度可以反映预推荐金融资讯信息与用户的资产信息的相关程度,预推荐金融资讯信息对应的推荐需求概率可以反映用户对预推荐金融资讯信息的喜好程度,因此根据第一相似度与推荐需求概率得到预推荐金融资讯信息的置信度能综合反映预推荐金融资讯信息与用户的资产信息的相关情况以及用户的喜好程度,从而准确地反映用户对预推荐金融资讯信息的需求。这样,根据预推荐金融资讯信息的置信度从各预推荐金融资讯信息中确定待向用户推荐的金融资讯信息准确。
本发明的一个实施例中,所述推荐需求概率确定模块与推荐金融资讯信息确定模块,具体用于:
将各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息、所述用户对各历史金融资讯信息的用户行为数据以及各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,输入当前金融资讯信息推荐模型,获得所述当前金融资讯信息推荐模型输出的待向所述用户推荐的金融资讯信息。
这样,利用训练好的金融资讯信息推荐模型向用户推荐金融资讯信息,可以完成对用户进行金融资讯信息推荐。由于模型训练过程中一般会使用大量样本数据进行训练,金融资讯信息推荐模型能够学习到大量样本中存在的规律性的知识,减少了对人工经验的依赖,可以准确地向交易者推荐金融资讯信息。此外,使用金融资讯信息推荐模型进行金融资讯信息推荐,省去了繁琐的执行过程,提高了金融资讯信息推荐效率。
本发明的一个实施例中,所述装置还包括:
探索金融资讯信息获得模块,用于将各预推荐金融资讯信息、历史金融资讯信息、用户行为数据以及各预推荐金融资讯信息与所述用户的资产信息间的第一相似度输入探索模型,获得所述探索模型输出的待向所述用户推荐的探索金融资讯信息,其中,所述探索模型为:对所述当前金融资讯信息推荐模型的模型参数进行调整得到的模型;
所述金融资讯信息推荐模块,具体用于:
依据所述当前金融资讯信息推荐模型输出的金融资讯信息和所述探索模型输出的探索金融资讯信息,向所述用户推荐金融资讯信息;
所述装置还包括:
用户行为数据收集模块,用于在金融资讯信息推荐模块触发之后,收集所述用户对被推荐金融资讯信息的用户行为数据;
模型参数更新模块,用于根据所收集的用户行为数据与所述探索模型的模型参数,更新所述当前金融资讯信息推荐模型的模型参数。
这样,可以给当前金融资讯信息推荐模型的模型参数添加随机扰动生成探索模型,并将金融资讯信息推荐模型输出的金融资讯信息和探索模型输出的探索金融资讯信息融合后推荐给用户,通过收集并分析用户对被推荐金融资讯信息的用户行为数据,可以实时调整金融资讯信息推荐模型,从而提高向用户推荐金融资讯信息的准确性。
本发明实施例还提供了一种电子设备,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信,
存储器903,用于存放计算机程序;
处理器901,用于执行存储器903上所存放的程序时,实现前述方法实施例所述的金融资讯推荐方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现前述方法实施例所述的金融资讯推荐方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置、电子设备以及存储介质实施例而言,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。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种金融资讯推荐方法,其特征在于,所述方法包括:
获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;
根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;
根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息;
依据所确定的金融资讯信息向所述用户推荐金融资讯信息;
所述根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率,包括:
针对每一预推荐金融信息,按照以下方式确定所述用户对该预推荐金融资讯信息的推荐需求概率:
获得该预推荐金融资讯信息的第一信息特征;
获得所述第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征间的第二相似度;
根据所获得的第二相似度,从历史金融资讯信息中确定该预推荐金融资讯的相似金融资讯信息;
根据所述用户对各相似金融资讯信息的用户行为数据,获得所述用户对各相似金融资讯信息的喜好分数;
根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与所述第一信息特征间的第二相似度,确定所述用户对该预推荐金融资讯信息的推荐需求概率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户对各相似金融资讯信息的用户行为数据,获得所述用户对各相似金融资讯信息的喜好分数,包括:
根据以下表达式,获得所述用户对各相似金融资讯信息的喜好分数:
,
其中,表示所述用户对标识为j的相似金融资讯信息的喜好分数,表示所述用户对标识为j的金融资讯信息的浏览时长,表示预设的时间窗口长度,为公式系数,e为自然常数。
3.根据权利要求1所述的方法,其特征在于,所述获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,包括:
获得描述用户投资场景的目标语义标签,其中,上述目标语义标签根据用户的资产信息或用户选择的语义标签确定;
根据所述目标语义标签从已有金融资讯信息中确定所述用户的候选金融资讯信息;
获得各候选金融资讯信息的文本特征;
根据反映用户的资产信息的图像,获得所述用户的资产特征;
根据所述资产特征与每一候选金融资讯信息的文本特征,计算用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息,包括:
针对每一预推荐金融资讯信息,对该预推荐金融资讯信息与所述用户的资产信息间的第一相似度和该预推荐金融资讯信息对应的推荐需求概率进行加权计算,得到向所述用户推荐该预推荐金融资讯信息的置信度;
根据得到的置信度,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息。
5.根据权利要求1所述的方法,其特征在于,所述根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息,包括:
将各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息、所述用户对各历史金融资讯信息的用户行为数据以及各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,输入当前金融资讯信息推荐模型,获得所述当前金融资讯信息推荐模型输出的待向所述用户推荐的金融资讯信息。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将各预推荐金融资讯信息、历史金融资讯信息、用户行为数据以及各预推荐金融资讯信息与所述用户的资产信息间的第一相似度输入探索模型,获得所述探索模型输出的待向所述用户推荐的探索金融资讯信息,其中,所述探索模型为:对所述当前金融资讯信息推荐模型的模型参数进行调整得到的模型;
所述依据所确定的金融资讯信息向所述用户推荐金融资讯信息,包括:
依据所述当前金融资讯信息推荐模型输出的金融资讯信息和所述探索模型输出的探索金融资讯信息,向所述用户推荐金融资讯信息;
在所述向所述用户推荐金融资讯信息之后,所述方法还包括:
收集所述用户对被推荐金融资讯信息的用户行为数据;
根据所收集的用户行为数据与所述探索模型的模型参数,更新所述当前金融资讯信息推荐模型的模型参数。
7.一种金融资讯推荐装置,其特征在于,所述装置包括:
预推荐金融资讯信息确定模块,用于获得用户的每一候选金融资讯信息与所述用户的资产信息间的第一相似度,并确定第一相似度高于预设相似度的候选金融资讯信息,作为预推荐金融资讯信息;
推荐需求概率确定模块,用于根据各预推荐金融资讯信息、历史时间段内用户浏览过的历史金融资讯信息以及所述用户对各历史金融资讯信息的用户行为数据,确定所述用户对各预推荐金融资讯信息的推荐需求概率;
推荐金融资讯信息确定模块,用于根据各预推荐金融资讯信息与所述用户的资产信息间的第一相似度,以及各预推荐金融资讯信息对应的推荐需求概率,从各预推荐金融资讯信息中确定待向所述用户推荐的金融资讯信息;
金融资讯信息推荐模块,用于依据所确定的金融资讯信息向所述用户推荐金融资讯信息;
所述推荐需求概率确定模块,包括:
第一信息特征获得单元,用于针对每一预推荐金融信息,获得该预推荐金融资讯信息的第一信息特征;
第二相似度获得单元,用于获得所述第一信息特征与历史时间段内用户浏览过的历史金融资讯信息的第二信息特征间的第二相似度;
相似金融资讯信息确定单元,用于根据所获得的第二相似度,从历史金融资讯信息中确定该预推荐金融资讯的相似金融资讯信息;
喜好分数获得单元,用于根据所述用户对各相似金融资讯信息的用户行为数据,获得所述用户对各相似金融资讯信息的喜好分数;
推荐需求概率确定单元,用于根据所获得的喜好分数,以及各相似金融资讯信息的第二信息特征与所述第一信息特征间的第二相似度,确定所述用户对该预推荐金融资讯信息的推荐需求概率。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010807.2A CN115794898B (zh) | 2023-01-05 | 2023-01-05 | 一种金融资讯推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010807.2A CN115794898B (zh) | 2023-01-05 | 2023-01-05 | 一种金融资讯推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115794898A CN115794898A (zh) | 2023-03-14 |
CN115794898B true CN115794898B (zh) | 2023-04-25 |
Family
ID=85428549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310010807.2A Active CN115794898B (zh) | 2023-01-05 | 2023-01-05 | 一种金融资讯推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115794898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217807B (zh) * | 2023-11-08 | 2024-01-26 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、电子设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400591B (zh) * | 2020-03-11 | 2023-04-07 | 深圳市雅阅科技有限公司 | 资讯信息推荐方法、装置、电子设备及存储介质 |
CN112395506A (zh) * | 2020-12-04 | 2021-02-23 | 上海帜讯信息技术股份有限公司 | 一种资讯推荐方法、装置、电子设备和存储介质 |
CN113379554A (zh) * | 2021-06-15 | 2021-09-10 | 中国工商银行股份有限公司 | 金融产品的推荐方法、装置、设备、介质和程序产品 |
CN114511387A (zh) * | 2022-02-24 | 2022-05-17 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114547475B (zh) * | 2022-04-27 | 2022-07-26 | 中信建投证券股份有限公司 | 一种资源推荐方法、装置及系统 |
-
2023
- 2023-01-05 CN CN202310010807.2A patent/CN115794898B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115794898A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
CN108073568B (zh) | 关键词提取方法和装置 | |
CN107491432B (zh) | 基于人工智能的低质量文章识别方法及装置、设备及介质 | |
CN105989040B (zh) | 智能问答的方法、装置及系统 | |
CN109189990B (zh) | 一种搜索词的生成方法、装置及电子设备 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
WO2016035072A2 (en) | Sentiment rating system and method | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
CN111382573A (zh) | 用于答案质量评估的方法、装置、设备和存储介质 | |
CN113139134B (zh) | 一种社交网络中用户生成内容的流行度预测方法、装置 | |
CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
CN112199500A (zh) | 针对评论的情感倾向识别方法、装置及电子设备 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
Latha et al. | Product recommendation using enhanced convolutional neural network for e-commerce platform | |
CN115660060A (zh) | 一种模型训练方法以及检测方法、装置、设备及存储介质 | |
CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
CN113688633A (zh) | 一种提纲确定方法及装置 | |
CN112115258B (zh) | 一种用户的信用评价方法、装置、服务器及存储介质 | |
Nautiyal et al. | KCC QA latent semantic representation using deep learning & hierarchical semantic cluster inferential framework | |
CN112508615A (zh) | 特征提取方法、特征提取装置、存储介质与电子设备 | |
Arora et al. | Evaluation Of Product Reviews Using Deep Learning Classifier Models | |
CN113836422B (zh) | 一种信息搜索方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |