CN116127183A - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116127183A CN116127183A CN202211499546.7A CN202211499546A CN116127183A CN 116127183 A CN116127183 A CN 116127183A CN 202211499546 A CN202211499546 A CN 202211499546A CN 116127183 A CN116127183 A CN 116127183A
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation result
- recommendation
- current
- investment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种业务推荐方法、装置、计算机设备和存储介质。所述方法包括:获取当前的投资业务数据;计算当前的投资业务数据与原始输入数据之间的相关系数;其中,原始输入数据为待迁移模型的训练数据;将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,业务推荐模型为历史的投资业务数据经训练得到;处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果;目标推荐结果用于对投资业务进行推荐。本方法中得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
在当前银行系统中,对公客户经常需要预留部分资金进行周转,而该部分资金有时候并不会立马使用,所以大多数客户会选择使用该部分资金进行短期投资,从而进行增收。在目前研究中,使用人工智能建模进行决策和投资的方案很多,通常是通过单一数据源进行建模,但不同的数据源中的数据维度与包含的信息不同,因此不同模型之间是不能相互使用的,当有新的数据加入时,原有的模型就无法利用,导致模型资源的浪费。
发明内容
基于此,有必要针对上述技术问题,提供一种能够利用原有模型的业务推荐方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种业务推荐方法。所述方法包括:获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
在其中一个实施例中,所述计算当前的所述投资业务数据与原始输入数据之间的相关系数的步骤,包括:将当前的所述投资业务数据进行维度变换处理,得到当前特征向量;获取所述原始输入数据的训练特征向量;其中,所述训练特征向量包括多个输入特征向量,所述当前特征向量与所述输入特征向量的数据维度相同;计算所述当前特征向量与所述训练特征向量之间的相似度,得到所述相关系数。
在其中一个实施例中,所述将当前的所述投资业务数据进行维度变换处理,得到当前特征向量的步骤,包括:将当前的所述投资业务数据输入全连接神经网络中进行维度变换处理,得到所述当前特征向量。
在其中一个实施例中,所述计算所述当前特征向量与所述训练特征向量之间的相似度,得到所述相关系数的步骤,包括:分别计算所述当前特征向量与每一所述输入特征向量之间的相似度,得到多个相似度值;计算多个所述相似度值的平均值,将所述平均值作为所述相关系数。
在其中一个实施例中,所述分别计算所述当前特征向量与每一所述输入特征向量之间的相似度的步骤,包括:分别计算所述当前特征向量与每一所述输入特征向量之间的欧式相似度。
在其中一个实施例中,所述处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果的步骤,包括:获取相关推荐结果;所述相关推荐结果包括所述相关系数与所述第一推荐结果的乘积;将所述相关推荐结果与所述第二推荐结果的和,确定为所述目标推荐结果。
在其中一个实施例中,所述方法还包括:将历史的所述投资业务数据输入长短期记忆网络进行模型训练,得到所述业务推荐模型。
第二方面,本申请还提供了一种业务推荐装置。所述装置包括:
数据获取模块,用于获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;
第一计算模块,用于计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;
第一预测模块,用于将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;
第二预测模块,用于将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;
第二计算模块,用于处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
第四方面,本申请还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,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以下步骤:获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
上述业务推荐方法、装置、计算机设备和存储介质,通过将当前的投资业务数据分别输入到待迁移模型和业务推荐模型中,从而得到第一推荐结果和第二推荐结果,同时计算当前的投资业务数据与原始输入数据之间的相关系数,以得到当前的投资数据与原始输入数据之间的差异。由于待迁移模型是通过原始输入数据训练得到的,因此通过处理相关系数与第一推荐结果,并结合第二推荐结果,使得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
附图说明
图1为一个实施例中业务推荐方法的应用环境图;
图2为一个实施例中业务推荐方法的流程示意图;
图3为一个实施例中计算当前的投资业务数据与原始输入数据之间的相关系数的流程示意图;
图4为一个实施例中计算当前特征向量与训练特征向量之间的相似度得到相关系数的流程示意图;
图5为一个实施例中处理相关系数、第一推荐结果和第二推荐结果输出目标推荐结果的流程示意图;
图6为一个实施例中长短期记忆网络的结构示意图;
图7为一个实施例中业务推荐装置的模块示意图;
图8为一个实施例中计算机设备的内部结构图;
图9为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的业务推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
以业务推荐方法应用于服务器104为例,服务器104可以从终端102处获取当前的投资业务数据,或者可以从数据存储系统中获取当前的投资业务数据,其中,投资业务数据包括用户画像数据和投资记录数据。服务器104获取到当前的投资业务数据后,计算当前的投资业务数据与原始输入数据之间的相关系数,其中,原始输入数据为待迁移模型的训练数据。并将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果,其中,业务推荐模型为历史的投资业务数据经训练得到。最后,服务器104处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果,目标推荐结果用于对投资业务进行推荐。终端102接收到目标推荐结果后,即会对投资业务进行推荐。
在一些其他实施例中,业务推荐方法也可以应用于终端102,终端102可以从服务器104处获取采集到的当前的投资业务数据。终端102获取到当前的投资业务数据后,通过本地的处理器进行运算,计算当前的投资业务数据与原始输入数据之间的相关系数,其中,原始输入数据为待迁移模型的训练数据。并将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果,其中,业务推荐模型为历史的投资业务数据经训练得到。最后,终端102处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果,终端102用于根据目标推荐结果对投资业务进行推荐。
需要说明的是,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种业务推荐方法,以该方法应用于图1中的服务器或终端为例进行说明,包括以下步骤:
步骤S100,获取当前的投资业务数据;其中,投资业务数据包括用户画像数据和投资记录数据。
其中,投资业务数据中包括了收集的当前用户的用户画像数据,用户画像数据包括客户基本信息(如性别、年龄和户籍所在地等)、账户基本信息(如开户地址、所属银行、账户类型和开户时间等)和转账基本信息(如金额、日期和转账途径等),投资记录数据包括持有某理财产品的金额、时间等。可以理解的是,投资记录数据可以包括用户在不同时间点下持有理财产品的数据。
具体的,当前的投资业务数据可以存储在终端中,服务器可以响应终端的指令,当开始进行投资业务推荐时,服务器可以从终端处获取需要进行投资业务推荐的当前用户的投资业务数据,并将获取到的投资业务数据存储到存储单元中,当需要进行数据处理时,则从存储单元中调取至易失性存储资源以供中央处理器进行计算。
步骤S200,计算当前的投资业务数据与原始输入数据之间的相关系数;其中,原始输入数据为待迁移模型的训练数据。
其中,待迁移模型为现有的已经训练好的预测模型,用于训练待迁移模型的原始输入数据的数据类型可以与投资业务数据的数据类型相同或部分相同,其预测结果的分类也可以与业务推荐模型的分类相同或部分相同。例如,原始输入数据仅使用多个客户的账户余额、转账记录、投资金额和投资时间,通过输入待迁移模型中进行训练,得到对三种特定投资业务的预测概率。可以理解的是,待迁移模型的模型架构可以与业务推荐模型的架构相同或不同,只需要两个模型的预测结果可以相互结合即可。
具体的,在计算当前的投资业务数据和原始输入数据之间的相关系数时,可以采用多种方式。可以理解的是,原始输入数据为待迁移模型的训练数据,其中包括采集到的多个用户的数据,在计算相关系数时,可以将多个用户的数据进行特征归纳和提取,将提取出的代表数据与当前的投资业务数据进行计算,以得到相关系数;或者,将当前的投资业务数据分别与每一个原始输入数据中的用户的数据进行计算,并将全部的计算结果进行归纳处理,以得到相关系数。相关系数用于反映当前的投资业务数据与原始输入数据之间的相关程度。
步骤S300,将当前的投资业务数据输入待迁移模型中,得到第一推荐结果。
具体的,将获取到的当前的投资业务数据输入训练好的待迁移模型中,通过模型的分析处理后,得到第一推荐结果。可以理解的是,第一推荐结果可以为根据当前的投资业务数据通过计算得到的属于不同投资业务的概率值序列。例如,可以为:投资业务A,0.75;投资业务B,0.2;投资业务C,0.05。第一推荐结果根据待迁移模型的不同而变化。
步骤S400,将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,业务推荐模型为历史的投资业务数据经训练得到。
具体的,业务推荐模型由历史的投资业务数据经过训练得到。其中,历史的投资业务数据为收集到的多个用户在不同时间点的投资业务数据,每一条历史的投资业务数据与当前的投资业务数据的数据类型相同,即包含的数据类型相同。由于业务推荐模型为直接根据历史的投资业务数据训练得到,因此,将当前的投资业务数据输入到业务推荐模型中,得到的第二推荐结果可以较为准确的预测出当前用户会购买的投资业务的类型。
步骤S500,处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果;目标推荐结果用于对投资业务进行推荐。
其中,将计算得到的相关系数、第一推荐结果和第二推荐结果经过加权计算后,得到对应的目标推荐结果。例如,根据相关系数来计算第一推荐结果在目标推荐结果中所占的比重,通过不同的比重大小,使第一推荐结果对目标推荐结果产生不同大小的影响。例如,在当前的投资业务数据与原始输入数据的数据类型相同的情况下,此时数据的相关性最高,计算得到的相关系数也越接近1,待迁移模型所得到的第一推荐结果也越准确,此时可以将第一推荐结果和第二推荐结果在目标推荐结果中所占的比重设置为1:1,即第一推荐结果和第二推荐结果对目标推荐结果的影响相同。反之,在当前投资业务数据与原始输入数据的数据类型差异较大的情况下,第一推荐结果对目标推荐结果的影响程度越小。在计算目标推荐结果的过程中,可以直接利用原有训练好的待迁移模型,使得目标推荐结果中可以引入待迁移模型中学习到的知识,从多角度进行预测,提高目标推荐结果的预测效果。
目标推荐结果用于对投资业务进行推荐。具体的,输出的目标推荐结果与第一推荐结果和第二推荐结果的数据类型相同,为预测得到的属于不同投资业务的概率值序列。在进行投资业务推荐时,可以选择相对应的概率值最大的投资业务进行推荐,也可以根据概率值的大小,将投资业务进行排序后,推荐给用户,以供用户进行选择。具体的投资业务的推荐方式可以根据实际需要进行改变,在此不做限定。
上述业务推荐方法中,通过将当前的投资业务数据分别输入到待迁移模型和业务推荐模型中,从而得到第一推荐结果和第二推荐结果,同时计算当前的投资业务数据与原始输入数据之间的相关系数,以得到当前的投资数据与原始输入数据之间的差异。由于待迁移模型是通过原始输入数据训练得到的,因此通过处理相关系数与第一推荐结果,并结合第二推荐结果,使得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
在一个实施例中,如图3所示,计算当前的投资业务数据与原始输入数据之间的相关系数的步骤,包括:
步骤S210,将当前的投资业务数据进行维度变换处理,得到当前特征向量。
具体的,本申请实施例中当前的投资业务数据和原始输入数据的数据类型不相同,不便于进行相关系数计算,因此,需要将当前的投资业务数据进行维度变换处理,即对当前的投资业务数据进行升维或降维,使得到的当前特征向量与原始输入数据的维度相同。例如,当前的投资业务数据为(u,d,n)三维特征,而待迁移模型输入的原始输入数据为二维,此时需要将当前的投资业务数据进行降维处理,使当前特征向量转换为(u,d*n)二维特征,便于后续计算相关系数。
步骤S220,获取原始输入数据的训练特征向量;其中,训练特征向量包括多个输入特征向量,当前特征向量与输入特征向量的数据维度相同。
具体的,原始输入数据在进行模型训练时,即会转换为矩阵形式的训练特征向量,训练特征向量中包括多个输入特征向量,每一条输入特征向量的数据维度均与当前特征向量的数据维度相同。可以理解的是,由于待迁移模型已经由原始输入数据训练完成,因此其在训练时的训练向量特征可以存储在数据存储系统中,在需要使用时,直接进行调用即可。
步骤S230,计算当前特征向量与训练特征向量之间的相似度,得到相关系数。
具体的,本实施例通过计算当前的特征向量与训练特征向量之间的相似度的方式,来得到相关系数。相似度可以计算出两个向量之间的距离,距离越近,相似度越大。相似度计算可以采用以下几种方式:欧式距离、余弦相似度、斯皮尔曼相关系数、对数似然相似度和曼哈顿距离等。可以理解的是,计算得到的相似度,可以直接作为相关系数,或者通过归一化处理后,再作为相关系数。
在一个实施例中,将当前的投资业务数据进行维度变换处理,得到当前特征向量的步骤,包括:将当前的投资业务数据输入全连接神经网络中进行维度变换处理,得到当前特征向量。
具体的,本实施例通过全连接神经网络进行维度变化,全连接神经网络中前一层的任意一个节点,都和当前层的所有节点连接,通过设置输出层的节点数量,即可完成对输入的当前的投资业务数据的维度变换,从而得到与输入特征向量维度相同的当前特征向量。在一些其他实施例中,也可以使用反向传播神经网络或者卷积神经网络来进行维度变换。
在一个实施例中,如图4所示,计算当前特征向量与训练特征向量之间的相似度,得到相关系数的步骤,包括:
步骤S231,分别计算当前特征向量与每一输入特征向量之间的相似度,得到多个相似度值。
具体的,本实施例依次获取训练特征向量中的输入特征向量,并分别计算当前特征向量与每一个输入特征向量之间的相似度,从而得到对应的多个相似度值。相似度计算可以采用以下几种方式:欧式距离、余弦相似度、斯皮尔曼相关系数、对数似然相似度和曼哈顿距离等。
步骤S232,计算多个相似度值的平均值,将平均值作为相关系数。具体的,本实施例将多个相似度值进行求和,并除以相似度值的数量,来得到平均值,即相关系数。通过此种方式计算得到的相关系统,可以反映出当前的投资业务数据与训练待迁移模型的原始输入数据整体的相关程度。在一些其他实施例中,也可以先计算出多个输入特征向量的平均值,再计算此平均值与当前特征向量之间的相似度,也可以得到相同的相关系数。
在一个实施例中,分别计算当前特征向量与每一输入特征向量之间的相似度的步骤,包括:分别计算当前特征向量与每一输入特征向量之间的欧式相似度。
具体的,本实施例通过欧式相似度来计算当前特征向量和输入特征向量之间的相似度,首先通过下式计算欧式距离:
其中,x和y是n维空间中的两个向量,即分别为当前特征向量和输入特征向量。然后利用欧式距离d来计算欧式相似度s,其中,s=1/(1+d)。欧式相似度的取值范围为[0,1],值越接近1,说明欧式距离越小,也就是距离越近,两个向量之间越相似。通过欧式相似度计算得到的相关系数的取值范围也为[0,1],便于与预测得到的不同投资业务的概率值进行计算。
在一个实施例中,如图5所示,处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果的步骤,包括:
步骤S510,获取相关推荐结果;相关推荐结果包括相关系数与第一推荐结果的乘积。
具体的,本实施例中的相关系数越大,表示投资业务数据与原始输入数据之间越相似。例如,可以通过欧式相似度或余弦相似度进行计算。在处理相关系数和第一推荐结果时,直接将相关系数与第一推荐结果进行相乘,从而得到相关推荐结果。具体示例,通过计算得到的相关系数为0.6,第一推荐结果为:投资业务A,0.6;投资业务B,0.3;投资业务C,0.1。通过计算后得到的相关推荐结果为:投资业务A,0.36;投资业务B,0.18;投资业务C,0.06。
步骤S520,将相关推荐结果与第二推荐结果的和,确定为目标推荐结果。
具体的,由于业务推荐模型为根据历史的投资业务数据训练得到,其得到的预测结果较为准确,对目标推荐结果的影响较大,因此将计算得到的相关推荐结果直接与第二推荐结果相加,来得到目标推荐结果。具体示例,相关推荐结果为:投资业务A,0.36;投资业务B,0.18;投资业务C,0.06。第二推荐结果为:投资业务A,0.2;投资业务B,0.7;投资业务C,0.1。通过计算得到的目标推荐结果为:投资业务A,0.56;投资业务B,0.88;投资业务C,0.16。此时,根据目标推荐结果进行投资业务推荐,即会优先推荐投资业务B。
在一个实施例中,业务推荐方法还包括:将历史的投资业务数据输入长短期记忆网络进行模型训练,得到业务推荐模型。
具体的,本实施例使用长短期记忆网络(LSTM,Long Short Term Memory)来对历史的业务投资数据进行时序建模。其结构如图6所示,图中,σ对应sigmoid函数,τ对应tanh函数,⊕为矩阵相加,为矩阵点乘。使用长短期记忆网络进行建模时,每个用户的业务投资数据经过非线性函数的计算后会产生两个变量c和h。其中,c为上一天用户的业务投资数据传递到当前时间的业务参数信息;h为当前的业务投资数据经过非线性函数计算后的隐藏变量。在模型中取最后一天的h作为最终预测特征,通过简单的全连接网络后,即可得到第二推荐结果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的业务推荐方法业务推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个业务推荐装置实施例中的具体限定可以参见上文中对于业务推荐方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种业务推荐装置,包括:
数据获取模块710,用于获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;
第一计算模块720,用于计算当前的投资业务数据与原始输入数据之间的相关系数;其中,原始输入数据为待迁移模型的训练数据;
第一预测模块730,用于将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;
第二预测模块740,用于将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,业务推荐模型为历史的投资业务数据经训练得到;
第二计算模块750,用于处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果;目标推荐结果用于对投资业务进行推荐。
上述业务推荐装置中,通过将当前的投资业务数据分别输入到待迁移模型和业务推荐模型中,从而得到第一推荐结果和第二推荐结果,同时计算当前的投资业务数据与原始输入数据之间的相关系数,以得到当前的投资数据与原始输入数据之间的差异。由于待迁移模型是通过原始输入数据训练得到的,因此通过处理相关系数与第一推荐结果,并结合第二推荐结果,使得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
在一个实施例中,第一计算模块720包括:
维度变换单元,用于将当前的投资业务数据进行维度变换处理,得到当前特征向量;
向量获取单元,用于获取原始输入数据的训练特征向量;其中,训练特征向量包括多个输入特征向量,当前特征向量与输入特征向量的数据维度相同;
相关系数获取单元,用于计算当前特征向量与训练特征向量之间的相似度,得到相关系数。
在一个实施例中,维度变换单元,用于将当前的投资业务数据输入全连接神经网络中进行维度变换处理,得到当前特征向量。
在一个实施例中,相关系数获取单元,用于分别计算当前特征向量与每一输入特征向量之间的相似度,得到多个相似度值;计算多个相似度值的平均值,将平均值作为相关系数。
在一个实施例中,相关系数获取单元,用于分别计算当前特征向量与每一输入特征向量之间的欧式相似度。
在一个实施例中,第二计算模块750,用于获取相关推荐结果;相关推荐结果包括相关系数与第一推荐结果的乘积;将相关推荐结果与第二推荐结果的和,确定为目标推荐结果。
在一个实施例中,业务推荐装置还包括:模型获取模块,用于将历史的投资业务数据输入长短期记忆网络进行模型训练,得到业务推荐模型。
上述业务推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储投资业务数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务推荐方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种业务推荐方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8、图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取当前的投资业务数据;其中,投资业务数据包括用户画像数据和投资记录数据;计算当前的投资业务数据与原始输入数据之间的相关系数;其中,原始输入数据为待迁移模型的训练数据;将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,业务推荐模型为历史的投资业务数据经训练得到;处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果;目标推荐结果用于对投资业务进行推荐。
上述计算机设备中,通过将当前的投资业务数据分别输入到待迁移模型和业务推荐模型中,从而得到第一推荐结果和第二推荐结果,同时计算当前的投资业务数据与原始输入数据之间的相关系数,以得到当前的投资数据与原始输入数据之间的差异。由于待迁移模型是通过原始输入数据训练得到的,因此通过处理相关系数与第一推荐结果,并结合第二推荐结果,使得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算当前的投资业务数据与原始输入数据之间的相关系数的步骤,包括:将当前的投资业务数据进行维度变换处理,得到当前特征向量;获取原始输入数据的训练特征向量;其中,训练特征向量包括多个输入特征向量,当前特征向量与输入特征向量的数据维度相同;计算当前特征向量与训练特征向量之间的相似度,得到相关系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将当前的投资业务数据进行维度变换处理,得到当前特征向量的步骤,包括:将当前的投资业务数据输入全连接神经网络中进行维度变换处理,得到当前特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算当前特征向量与训练特征向量之间的相似度,得到相关系数的步骤,包括:分别计算当前特征向量与每一输入特征向量之间的相似度,得到多个相似度值;计算多个相似度值的平均值,将平均值作为相关系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别计算当前特征向量与每一输入特征向量之间的相似度的步骤,包括:分别计算当前特征向量与每一输入特征向量之间的欧式相似度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果的步骤,包括:获取相关推荐结果;相关推荐结果包括相关系数与第一推荐结果的乘积;将相关推荐结果与第二推荐结果的和,确定为目标推荐结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将历史的投资业务数据输入长短期记忆网络进行模型训练,得到业务推荐模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取当前的投资业务数据;其中,投资业务数据包括用户画像数据和投资记录数据;计算当前的投资业务数据与原始输入数据之间的相关系数;其中,原始输入数据为待迁移模型的训练数据;将当前的投资业务数据输入待迁移模型中,得到第一推荐结果;将当前的投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,业务推荐模型为历史的投资业务数据经训练得到;处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果;目标推荐结果用于对投资业务进行推荐。
上述计算机可读存储介质中,计算机程序被处理器执行时,通过将当前的投资业务数据分别输入到待迁移模型和业务推荐模型中,从而得到第一推荐结果和第二推荐结果,同时计算当前的投资业务数据与原始输入数据之间的相关系数,以得到当前的投资数据与原始输入数据之间的差异。由于待迁移模型是通过原始输入数据训练得到的,因此通过处理相关系数与第一推荐结果,并结合第二推荐结果,使得到的目标推荐结果可以学习到待迁移模型中的知识,从多角度对数据进行挖掘,以充分利用待迁移模型的模型资源,并提高推荐结果的预测效果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算当前的投资业务数据与原始输入数据之间的相关系数的步骤,包括:将当前的投资业务数据进行维度变换处理,得到当前特征向量;获取原始输入数据的训练特征向量;其中,训练特征向量包括多个输入特征向量,当前特征向量与输入特征向量的数据维度相同;计算当前特征向量与训练特征向量之间的相似度,得到相关系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将当前的投资业务数据进行维度变换处理,得到当前特征向量的步骤,包括:将当前的投资业务数据输入全连接神经网络中进行维度变换处理,得到当前特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算当前特征向量与训练特征向量之间的相似度,得到相关系数的步骤,包括:分别计算当前特征向量与每一输入特征向量之间的相似度,得到多个相似度值;计算多个相似度值的平均值,将平均值作为相关系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别计算当前特征向量与每一输入特征向量之间的相似度的步骤,包括:分别计算当前特征向量与每一输入特征向量之间的欧式相似度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:处理相关系数、第一推荐结果和第二推荐结果,输出目标推荐结果的步骤,包括:获取相关推荐结果;相关推荐结果包括相关系数与第一推荐结果的乘积;将相关推荐结果与第二推荐结果的和,确定为目标推荐结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将历史的投资业务数据输入长短期记忆网络进行模型训练,得到业务推荐模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务推荐方法,其特征在于,所述方法包括:
获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;
计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;
将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;
将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;
处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述计算当前的所述投资业务数据与原始输入数据之间的相关系数的步骤,包括:
将当前的所述投资业务数据进行维度变换处理,得到当前特征向量;
获取所述原始输入数据的训练特征向量;其中,所述训练特征向量包括多个输入特征向量,所述当前特征向量与所述输入特征向量的数据维度相同;
计算所述当前特征向量与所述训练特征向量之间的相似度,得到所述相关系数。
3.根据权利要求2所述的方法,其特征在于,所述将当前的所述投资业务数据进行维度变换处理,得到当前特征向量的步骤,包括:
将当前的所述投资业务数据输入全连接神经网络中进行维度变换处理,得到所述当前特征向量。
4.根据权利要求2所述的方法,其特征在于,所述计算所述当前特征向量与所述训练特征向量之间的相似度,得到所述相关系数的步骤,包括:
分别计算所述当前特征向量与每一所述输入特征向量之间的相似度,得到多个相似度值;
计算多个所述相似度值的平均值,将所述平均值作为所述相关系数。
5.根据权利要求4所述的方法,其特征在于,所述分别计算所述当前特征向量与每一所述输入特征向量之间的相似度的步骤,包括:
分别计算所述当前特征向量与每一所述输入特征向量之间的欧式相似度。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果的步骤,包括:
获取相关推荐结果;所述相关推荐结果包括所述相关系数与所述第一推荐结果的乘积;
将所述相关推荐结果与所述第二推荐结果的和,确定为所述目标推荐结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将历史的所述投资业务数据输入长短期记忆网络进行模型训练,得到所述业务推荐模型。
8.一种业务推荐装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前的投资业务数据;其中,所述投资业务数据包括用户画像数据和投资记录数据;
第一计算模块,用于计算当前的所述投资业务数据与原始输入数据之间的相关系数;其中,所述原始输入数据为待迁移模型的训练数据;
第一预测模块,用于将当前的所述投资业务数据输入所述待迁移模型中,得到第一推荐结果;
第二预测模块,用于将当前的所述投资业务数据输入业务推荐模型中,得到第二推荐结果;其中,所述业务推荐模型为历史的所述投资业务数据经训练得到;
第二计算模块,用于处理所述相关系数、所述第一推荐结果和所述第二推荐结果,输出目标推荐结果;所述目标推荐结果用于对投资业务进行推荐。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499546.7A CN116127183A (zh) | 2022-11-28 | 2022-11-28 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499546.7A CN116127183A (zh) | 2022-11-28 | 2022-11-28 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127183A true CN116127183A (zh) | 2023-05-16 |
Family
ID=86303446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211499546.7A Pending CN116127183A (zh) | 2022-11-28 | 2022-11-28 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127183A (zh) |
-
2022
- 2022-11-28 CN CN202211499546.7A patent/CN116127183A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021047593A1 (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
TW201946013A (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
JP6484730B2 (ja) | 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体 | |
CN111783873A (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
CN116468543A (zh) | 基于联邦学习的信贷风险评估方法、装置、设备和介质 | |
CN112241920A (zh) | 基于图神经网络的投融资机构评估方法、系统及设备 | |
Tarkhan et al. | An online framework for survival analysis: reframing Cox proportional hazards model for large data sets and neural networks | |
CN116383441A (zh) | 社群检测方法、装置、计算机设备和存储介质 | |
CN115630219A (zh) | 推荐模型的训练方法、装置和计算机设备 | |
CN116128575A (zh) | 物品推荐方法、装置、计算机设备、存储介质和程序产品 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN115601550B (zh) | 模型确定方法、装置、计算机设备及计算机可读存储介质 | |
CN117745337A (zh) | 产品生成方法、装置、计算机设备和存储介质 | |
CN117709497A (zh) | 对象信息预测方法、装置、计算机设备和存储介质 | |
CN115658899A (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN115952358A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
CN116127195A (zh) | 套餐推荐方法、装置、计算机设备、存储介质和程序产品 | |
CN117436973A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN117312892A (zh) | 用户聚类方法、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 |