CN116401522A - 一种金融服务动态化推荐方法和装置 - Google Patents
一种金融服务动态化推荐方法和装置 Download PDFInfo
- Publication number
- CN116401522A CN116401522A CN202310281743.XA CN202310281743A CN116401522A CN 116401522 A CN116401522 A CN 116401522A CN 202310281743 A CN202310281743 A CN 202310281743A CN 116401522 A CN116401522 A CN 116401522A
- Authority
- CN
- China
- Prior art keywords
- user
- financial service
- historical
- sequence data
- behavior sequence
- 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 53
- 230000006399 behavior Effects 0.000 claims abstract description 256
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供了一种金融服务动态化推荐方法和装置。所述方法应用于金融服务平台;所述金融服务平台提供若干金融服务产品。所述方法包括:响应于所述用户执行的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;所述历史行为序列数据由所述用户在所述访问操作行为之前的预设时长内,执行的至少一种历史操作行为按照操作时刻进行排序构成;将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个金融服务产品的概率,基于所述概率对所述若干金融服务产品进行排序;所述预测模型由所述历史行为序列数据作为样本数据进行有监督训练得到;输出排序后的所述若干金融服务产品。
Description
技术领域
本说明书的实施方式涉及大数据领域,更具体地,本说明书的实施方式涉及一种金融服务动态化推荐方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本说明书的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
不同的用户可能存在不同的金融服务需求,因此,金融服务平台通常同时提供多种金融服务。而当用户面对可选的多种金融服务的时候,可能存在信息过载问题,无法有效选择出适合的金融服务。因此,金融服务平台通常需要针对不同的用户,进行个性化的金融服务推荐,以供用户进行选择。
发明内容
为克服相关技术中存在的问题,本说明书提供了以下方法及装置。
在本说明书实施方式的第一方面中,提供了一种金融服务动态化推荐方法,所述方法应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;所述方法包括:
响应于所述用户执行的针对金融服务页面的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在所述访问操作行为对应的访问时刻之前的预设的时长内,针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成;
将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型;
通过所述金融服务页面向所述用户输出排序后的所述若干金融服务产品。
在本说明书实施方式的第二方面中,提供了一种金融服务动态化推荐装置,所述装置应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;所述装置包括:
获取单元,用于响应于所述用户执行的针对金融服务页面的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在所述访问操作行为对应的访问时刻之前的预设的时长内,针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成;
预测单元,用于将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型;
输出单元,用于通过所述金融服务页面向所述用户输出排序后的所述若干金融服务产品。
在本说明书实施方式的第三方面中,提供了一种存储介质;所述存储介质上存储有计算机程序,该计算机程序执行时实现如上所述方法的步骤。
在本说明书实施方式的第四方面中,提供了一种计算机设备,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,其中,所述处理器执行所述程序时实现如上方法。
本说明书以上的实施方式,至少具有如下的有益效果:
在以上技术方案中,通过基于神经网络的预测模型,对用户针对各项金融服务产品的历史行为序列数据进行学习,并根据学习到的结果,结合用户近期的历史行为序列数据,预测用户选择各项金融服务产品的概率,进行排序后向用户进行输出。以上预测模型输出的排序后的各项金融服务产品中,排序越靠前的,用户选择该金融服务产品的可能性越高,从而实现了针对该用户的动态化金融服务推荐。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,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附图。
图1示意性地示出了根据本说明书实施方式的一种金融服务动态化推荐方法的架构示意图;
图2示意性地示出了根据本说明书实施方式的一种金融服务动态化推荐方法的流程图;
图3示意性地示出了根据本说明书实施方式的一种预测模型的样本数据的示意图;
图4示意性地示出了根据本说明书实施方式的一种预测模型的结构示意图;
图5示意性地示出了根据本说明书实施方式的一种基于神经网络的预测网络;
图6示意性地示出了根据本说明书实施方式的一种金融服务动态化推荐装置的框图;
图7示意性地示出了根据本说明书实施方式的一种金融服务动态化推荐方法所在计算机设备的一种硬件结构图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书,而并非以任何方式限制本说明书的范围。相反,提供这些实施方式是为了使本说明书更加透彻和完整,并且能够将本说明书的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本说明书的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本说明书可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
不同的用户可能存在不同的金融服务需求,因此,金融服务平台通常可以同时为用户提供多种不同的金融服务产品,以满足不同用户的不同金融服务需求。
在相关技术中,金融服务平台在将平台中的多种金融服务产品向用户进行展示时,通常采用静态的金融服务产品列表,供用户进行选择。即,不同的用户,或在不同的时间,进入金融服务平台看到的金融服务产品列表是相同的。
而用户在面对可选的多种金融服务产品的时候,可能会存在信息过载问题,即平台提供的大量可选金融服务产品的信息,明显超出用户个人的信息需求、信息处理和信息利用能力,以至于用户无法准确挑选与运用有效信息,难以选择出适合自己的金融服务产品的问题。因此,这样的金融服务平台的用户体验较差,容易产生用户流失的现象。
为克服相关技术中存在的问题,本说明书提供了以下实施例。
下面结合附图对本说明书的方案进行详细说明。
请参见图1,图1是一示例性实施例提供的一种金融服务动态化推荐系统的架构示意图。如图1所示,该系统可以包括网络10、服务器11、若干电子设备,如手机12、手机13和手机14等。
服务器11可以为包含一独立主机的物理服务器,或者该服务器11可以为主机集群承载的虚拟服务器、云服务器等。手机12-14只是用户可以使用的一种类型的电子设备。实际上,用户显然还可以使用诸如下述类型的电子设备:平板设备、笔记本电脑、掌上电脑(PDAs,Personal Digital Assistants)、可穿戴设备(如智能眼镜、智能手表等)等,本说明书一个或至少一个实施例并不对此进行限制。网络10可以包括多种类型的有线或无线网络。
在一实施例中,服务器11可以与手机12-14进行配合;其中,可由手机12-14接受用户操作,并将接受到的命令和文件通过网络10上传至服务器11,然后由服务器11基于本说明书的方案对文件进行处理。在另一实施例中,手机12-14可以独立实现本说明书的方案;其中,由手机12-14接受用户操作,并基于本说明书的方案对接受的命令和文件进行处理,以实现金融服务动态化推荐。
请参见图2,图2是一示例性实施例提供的一种金融服务动态化推荐方法的流程图,该方法应用于处理设备,该处理设备可以为图1所示的服务器11或手机12-14等。
所述方法应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;
上述金融服务平台可以是独立的提供金融服务产品的平台,也可以是在其他应用场景中内嵌的金融服务平台,例如,可以是与生活服务应用,例如提供外卖团购、影音娱乐、购物等生活服务的应用结合,并提供金融服务产品的金融服务平台。
该方法包括以下步骤:
步骤202,响应于所述用户执行的针对金融服务页面的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在所述访问操作行为对应的访问时刻之前的预设的时长内,针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成。
要向用户进行金融服务推荐,即需要推测用户可能会选择哪项金融服务产品。
而用户的历史行为通常是有意义且相互关联的。例如,用户进行点击查看的金融服务产品通常是其感兴趣的金融服务产品,并且了解越详细或查看的时间越长的金融服务产品通常更符合其需求,而用户选择的金融服务产品通常是其需求的金融服务产品等;而用户进行查看、选择的各个金融服务产品,通常都能符合其部分或全部的需求。
因此,可以通过用户过去的历史行为,来对用户可能会选择的金融服务产品进行推测。
当用户访问金融服务平台提供的用于展示和提供多种金融服务产品的金融服务页面时,上述金融服务平台可以获取该用户的历史行为序列数据。
上述用户的历史行为序列数据,可以由用户的历史行为按行为发生时刻进行排序得到。
具体的,用户的历史行为是指用户在上述金融服务平台中,针对该金融服务平台所提供的各项金融服务产品执行的至少一种历史操作行为。
在用户针对金融服务产品执行的历史操作行为中,选择该金融服务产品说明该用户认为该金融产品在其选择时符合其需求,因此,用户针对金融服务产品的历史选择操作行为在预测用户可能选择的产品时,具有重要的意义。
因此,上述历史操作行为可以包括用户针对金融服务产品的选择操作行为。
此外,用户针对金融服务产品的点击查看、了解详情等其他历史操作行为,也能体现用于针对该金融服务产品的兴趣,或是符合其金融服务需求;因此,上述历史操作行为还可以包括用户针对金融服务产品的点击查看、了解详情等其他历史操作行为。
进一步的,用户针对金融服务产品的历史操作行为中,近期的历史操作行为,例如半年或一年内的历史操作行为,通常更能体现用户的兴趣和需求;因此,上述历史操作行为可以是用户在访问时刻之前的预设的时长内的历史操作行为。
此外,获取的用户的历史操作行为也可以是用户在访问时刻之前的预设次数的历史操作行为,例如最近的50次或100次的历史操作行为;或者预设次数与预设的时长结合的历史操作行为,例如半年内最多100次的历史操作行为等。
步骤204,将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型。
可以采用基于神经网络的预测模型,来对用户选择各个金融服务产品的概率进行预测。
上述预测模型可以将用户的历史行为序列数据作为样本数据,进行有监督的训练,不断学习修正模型中的参数,来得到。
在本说明书示出的一个示例性的实施例中,作为上述样本数据的历史行为序列数据中包含的最后一个操作行为为针对所述金融服务产品的选择操作行为;
其中,将所述作为所述样本数据的历史行为序列数据中包含的最后一个操作行为作为样本标签,将所述历史行为序列数据中的剩余操作行为构成的行为序列作为特征样本。
用户选择各个所述金融服务产品的概率,即为用户针对若干金融服务产品执行了历史行为序列数据中的各个历史操作行为之后,针对若干金融服务产品的下一次操作行为,选择各个金融服务产品的概率。
要预测用户针对金融服务产品的选择,可以利用用户针对金融服务产品的历史选择操作行为。
有监督训练得到的基于神经网络的预测模型,通常进行实际预测时的输入输出数据,与其进行训练时的样本数据的特征样本和输出数据是对应的,而样本数据的标签则用来评价训练时的数据是否准确。
具体在本说明书中的预测模型中,在进行实际预测时,输入的数据是用户近期的历史行为序列数据,输出数据为预测结果,即用户选择各个金融服务产品的概率;
那么对该预测模型进行训练的样本数据的特征样本,其输入的数据也应该是用户的历史行为序列数据,样本数据的标签为用户在历史行为序列之后的针对某金融服务产品的选择操作行为。
实际操作时,可以在用户的历史操作行为序列数据中,由某次选择操作行为开始,向前截取若干历史操作行为,构成一个历史操作行为序列,并将该历史操作行为序列数据作为上述预测模型的样本数据,其中,将该历史行为序列数据中包含的最后一个操作行为作为样本标签,将该历史行为序列数据中的剩余操作行为构成的行为序列作为特征样本。
如图3所示,图3是一示例性实施例提供的一种预测模型的样本数据的示意图。
图中的直线代表用户的历史操作行为序列,其中的各个圆点代表用户的各个历史操作行为,其中,黑色圆点代表历史选择操作行为,例如历史选择行为操作301和历史选择行为操作302等。
确定样本数据时,可以从每个历史选择操作行为开始,向该历史操作行为之前的方向,截取若干历史操作行为,构成历史操作行为序列。例如,可以向前截取共计10个历史操作行为,构成如历史操作行为序列311,历史操作行为序列312的历史操作行为序列,作为上述预测模型的样本数据。
以作为样本数据的历史操作行为序列311为例,其中,最后一个操作行为,即历史选择行为操作301,作为该样本数据的标签;除了该历史选择行为操作301的剩余操作行为构成的行为序列,即历史操作行为序列321作为该样本数据的样本特征。
训练完成的上述预测模型,可以在输入用户针对上述若干金融服务产品的历史行为序列数据后,计算用户分别选择各个金融服务产品的概率,并按照概率从高到低,对这些金融服务产品进行排序。
步骤206,通过所述金融服务页面向所述用户输出排序后的所述若干金融服务产品。
当上述预测模型预测除用户选择各个金融服务产品的概率,并按从高到低进行排序后,可以向用户输出该排序后的金融服务产品的列表。
金融服务页面可以向用户输出排序后的完整的金融服务产品的列表,也可以输出概率高于预设的概率阈值的金融服务产品的列表,或是输出概率最高的预设的数量的金融服务产品的列表等,对于输出排序后的金融服务产品的列表的形式,本说明书不进行具体限定。
通过上述实施例的方法,可以实现用户在进入金融服务平台的金融服务页面时,根据用户的历史行为序列数据,预测用户选择各个金融服务产品的概率并排序,输出排序后的金融服务产品列表,向用户推荐其最可能选择的,即符合该用户的兴趣和需求的金融服务产品,实现针对该用户的服务动态化推荐。
在本说明示出的一个示例性的实施例中,所述方法在将获取到的历史行为序列数据输入基于神经网络的预测模型之前,还需要:
获取所述用户的用户画像数据;
将获取到的所述历史行为序列数据输入基于神经网络的预测模型,包括:
将获取到的所述历史行为序列数据,以及所述用户的用户画像数据输入基于神经网络的预测模型。
除了用户的近期的历史行为序列数据这类短期高频变更的数据外,还可以结合用户低频变更的特征数据,例如用户的用户画像数据,对用户的金融服务产品选择进行预测,以提高金融服务动态化推荐的准确性。
其中,用户的用户画像数据可以是根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型,例如可以包括用户的职业、人生阶段等低频变更的特征信息。这些数据通常也是金融服务产品确定目标兴趣客群的重要表征信息。
此外,历史行为序列数据中,用户针对的金融服务产品对应的特征数据,可以作为历史行为序列数据的补充数据,使用户的历史行为数据包含更多的特征信息,以提高预测模型的准确率。对应的,对上述预测模型进行训练的样本数据中的历史行为序列数据中,也包含了金融服务产品对应的特征数据。
在本说明示出的一个示例性的实施例中,所述预测所述用户选择各个所述金融服务产品的概率,包括:
将获取到的所述历史行为序列数据映射成特征向量,基于所述特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,并将所述相关关系转化成所述用户的下一次操作行为选择所述各个金融服务产品的概率。
具体的,当将获取到的包括金融服务产品对应的特征数据的用户的历史行为序列数据,以及该用户的用户画像数据,作为输入数据,输入基于神经网络的预测模型后,上述预测模型可以将上述输入数据分别映射成特征向量;并基于得到的特征向量,基于特征向量学习历史行为序列数据中的各个历史操作行为之间的相关关系。具体的,可以学习历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,并将学习到的相关关系转化成用户将选择各个金融服务产品的概率。
以上实施例,结合了用户近期高频变更的行为数据,和低频变更较为稳定的用户画像数据,从未使每个用户每次访问到该页面时都可以为用户推荐当下时刻用户预期最感兴趣和最有效转化的产品列表,极大地撮合了用户与产品之间的双向需求。
在本说明示出的一个示例性的实施例中,上述预测模型采用了Trasformer架构的神经网络。
如图4所示,图4是一示例性实施例提供的一种预测模型的结构示意图。
该预测模型主要可以包括以下几个层:
嵌入层(Embedding Layer),用于将输入数据映射成特征向量。
具体的,可以包括:将用户的历史行为序列数据(user interst behaviorsequence data),映射为第一预设维度的第一特征向量,以输入至Transformer层。
进一步地,采用基于位置的编码方式(position-wise encoding),对输入的上述用户的所述历史行为序列数据进行编码,以将输入历史行为序列数据映射为第一预设维度的第一特征向量。
上述历史行为序列数据中,包含历史行为序列中用户的各个历史操作行为的位置信息,即用户的各个历史操作行为在时间上的位置信息。
对于上述基于位置的编码方式的具体实现,本说明书不进行具体限定。
如可以采用基于顺序的自然数编码方式,例如历史行为序列数据中的第1个历史操作行为的位置信息用“1”表示,第2个历史操作行为的位置信息用“2”表示,第N个历史操作行为的位置信息用“N”表示等;
也可以采用基于时间戳的编码方式,例如,历史行为序列数据中的各个历史行为的位置信息可以用其操作时刻表示;又例如,历史行为序列数据中的各个历史行为的位置信息也可以用最后一个历史操作行为的操作时刻和其操作时间的差值表示等。
采用基于位置的编码方式,可以基于历史行为序列数据中的各个历史操作行为的位置信息对序列中的每个行为进行表示,位置编码将各个操作行为信息(Sequence ItemFeature)与其对应的位置信息(Postional Feature)结合,形成一种新的表示,输入给预测模型,使预测模型就具备了学习序列中的位置信息的能力。
以及,将输入的上述用户的用户画像数据,映射为第二预设维度的第二特征向量,以将所述第二特征向量输入至全连接层。
用户的用户画像数据,代表了用户低频变更的特征数据,不包含位置信息,也不需要经过Transformer层进行处理,经嵌入层映射为第二预设维度的第二特征向量后可以和Transformer层的输出数据进行连接后,输入至全连接层。
其中,第二特征向量输入全连接层之前可以进行一些处理,具体处理类型可以根据实际的需求进行选择。例如,可以使用对其进行平均池化,得到相对静态数据的表征数据,并针对不同类型的输入数据的表征结果直接进行连接。
在本说明示出的一个示例性的实施例中,考虑到模型的线上部署的时效性,可以采用离线部署与实时部署结合的方式。将用户的长期短频变更的特征数据,即映射第二特征向量的部分,采用离线模型部署;而每天用户实时兴趣行为数据,即映射和处理第一特征向量采用实时线上化部署,以加快模型的预测召回重排实效性。
Transformer层(Transformer Layer),用于基于所述第一特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,得到指示所述相关关系的关系向量。
进一步的,Transformer层包括:
多头自注意力(multi-head attention)网络,用于将由所述嵌入层输入的特征向量作为输入数据,计算所述历史行为序列数据中各个历史操作行为的注意力权重,或称注意力得分,得到由各个历史操作行为的注意力权重构成的权重向量,以作为所述关系向量;其中,所述注意力权重指示所述各个历史操作行为与所述用户的下一次的操作行为之间的相关程度。
例如,上述第一特征向量为X,根据注意力机制的计算方法:
其中,Attention代表注意力分数可以表示各个历史行为的相关性,Q,K,V为注意力的3个参数矩阵,由以下方式计算得到:
[Q,K,V]=Relu([WqX,WkX,WvX])
其中,Wq,Wk,Wv为三个不同的权值矩阵;
N为矩阵K的维度的平方根;softmax函数可以将注意力标准化,使各第一特征向量对应的注意力分数都是正数并且相加的和等于1。
多头自注意力网络则是使用多组不同Q,K,V的自注意力网络,每组Q,K,V各可以表示一个子空间,可以提高了自注意力的性能。
在本说明书示出的一个示意性的实施例中,所述多头自注意力网络为双头自注意力网络,即采用两组不同的Q,K,V的自注意力网络。
双头自注意力网络计算过程如下:
d=concat(head1,head2)WH
其中,headi表示双头自注意力网络中的两个自注意力得分,concat为矩阵连接操作;d为两个自注意力得分进行拼接后,与权重矩阵WH相乘,得到的双头自注意力得分。
可以将上述过程重复多次,即将计算得到的自注意力得分Attention或d作为X,再次执行以上计算自注意力得分的步骤,以提高自注意力网络的性能。
得到注意力得分后,可以经由残差网络,用于在所述多头自注意力网络和所述基于位置的前馈网络的输出数据中引入对应的输入数据,以防止网络退化和梯度消失,从而使计算结果更准确。
基于位置的前馈网络(Position-wise Feed-Forward Network),用于将多头自注意力网络的输出作为输入,编码所述历史行为序列数据中各个历史操作行为在所述历史行为序列数据中的位置信息,得到由各个历史操作行为的位置信息构成的位置向量,并将所述位置向量与所述权重向量进行向量连接,以得到所述关系向量;其中,所述位置信息指示按照各个历史操作行为的发生时刻确定出的在所述历史行为序列数据中的相对位置。
前馈网络可以将自注意力得分映射到一个更大维度的特征空间,然后使用ReLU引入非线性进行筛选,最后恢复回原始维度。
前馈网络的输出f为:
f=P_FFN(d)
其中,P_FFN为前馈网络的运算。
层归一化(Layer Normalization)模块,用于将所述多头自注意力网络和所述基于位置的前馈网络的输出归一为标准正态分布数据。
多头自注意力网络和所述基于位置的前馈网络的输出,都可以经由一个层归一化模块,使其归一化为标准正态分布数据。
层归一化模块可以为模型提供非线性以增强表达能力,同时将输出限制在一定范围内。
在层归一化之前,还可以添加dropout处理,防止模型过拟合。
d=LayerNorm(d+Dropout(Wd*d+b))
f=LayerNorm(f+Dropout(Wf*f+b)
其中,LayerNorm为标准层归一化处理,Dropout为dropout处理,Wd,Wf为权重,b为偏置。
残差网络,用于在所述多头自注意力网络和所述基于位置的前馈网络的输出数据中分别引入所述多头自注意力网络和所述基于位置的前馈网络各自对应的输入数据。
Transformer层的输出S为:
S=concat([d,f])
全连接层,用于将学习到的所述相关关系转化成所述用户选择所述各个金融服务产品的概率。
将第二特征向量s,以及,第一特征向量经过Transformer架构得到的模型结果S,进行向量拼接,然后经过3层ReLU函数和一层sigmoid函数,将模型输出映射到0-1之间,并且相加的和1,得到用户对所有金融服务产品的匹配度概率:
O=Sigmoid(Wo4ReLU(Wo3ReLU(Wo2ReLU(Wo1[s,S]+bo1)+bo2)+b03)+b04)
其中,O为金融服务产品被选择的概率,s为第二特征向量,Wo1,Wo2,Wo3,Wo4为权重,bo1,bo2,b03,b04为偏置;
该预测模型训练时,可以应用以下损失函数:
其中,m代表样本数,p(x)i代表模型输出的x对应的金融服务产品被选择的概率,yi代表该样本的标签对应的对应的该金融服务产品是否被选择,当被选择时yi=1,未被选择时yi=0。
Transformer模型一般用于自然语言处理中,擅长处理词在句子中的关联关系。类似于自然语言处理中,根据文本中的前N-1个词,预测第N个词;本说明书中的上述实施例中,将该模型迁移到推荐算法中,将利用用户的历史行为序列数据,来推测用户将进行的下一次选择操作。
在本说明书的示例性的实施例中,还提供了一种基于神经网络的预测网络。请参见图5,图5是根据本说明书实施方式的一种基于神经网络的预测网络。
所述预测网络应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;包括:
嵌入层510,用于将输入的用户针对若干金融服务产品的历史行为序列数据,映射为第一预设维度的第一特征向量,并输入至Transformer层;
Transformer层520,用于基于所述第一特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,得到指示所述相关关系的关系向量;
全连接层530,用于将所述Transformer层学习到的所述关系向量作为目标向量,并利用预设的激活函数将所述目标向量转化成所述用户选择所述各个金融服务产品的概率。
上述预测网络,或称预测模型中各层的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本说明书的示例性的实施例中,还提供了一种金融服务动态化推荐装置。请参见图6,图6是根据本说明书实施方式的一种金融服务动态化推荐装置的框图。
所述装置应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;所述装置包括:
获取单元610,用于响应于所述用户执行的针对金融服务页面的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在所述访问操作行为对应的访问时刻之前的预设的时长内,针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成;
预测单元620,用于将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型;
输出单元630,用于通过所述金融服务页面向所述用户输出排序后的所述若干金融服务产品。
可选的,作为所述样本数据的历史行为序列数据中包含的最后一个操作行为为针对所述金融服务产品的选择操作行为;
所述将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型,包括:
将所述作为所述样本数据的历史行为序列数据中包含的最后一个操作行为作为样本标签,将所述历史行为序列数据中的剩余操作行为构成的行为序列作为特征样本进行有监督训练得到的机器模型。
可选的,所述预测单元620,具体用于将获取到的所述历史行为序列数据映射成特征向量,基于所述特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,并将所述相关关系转化成所述用户的下一次操作行为选择所述各个金融服务产品的概率。
可选的,所述装置还包括:
第二获取单元640,用于获取所述用户的用户画像数据;
所述预测单元620,具体用于将获取到的所述历史行为序列数据,以及所述用户的用户画像数据输入基于神经网络的预测模型。
可选的,所述预测模型采用了Transformer架构的神经网络,包括:
嵌入层,用于将输入的所述用户的所述历史行为序列数据,以及所述若干金融服务产品对应嵌入层,用于将输入的所述用户的所述历史行为序列数据,映射为第一预设维度的第一特征向量,并输入至Transformer层;以及,将输入的所述用户的用户画像数据,映射为第二预设维度的第二特征向量,并将所述第二特征向量输入至全连接层;
Transformer层,用于基于所述第一特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,得到指示所述相关关系的关系向量;
全连接层,用于针对所述Transformer层学习到的所述关系向量和所述第二特征向量进行向量连接,得到目标向量,并利用预设的激活函数将所述目标向量转化成所述用户选择所述各个金融服务产品的概率。
可选的,所述嵌入层,进一步用于将采用基于位置的编码方式,对输入的所述用户的所述历史行为序列数据进行编码,以将输入的所述历史行为序列数据映射为第一预设维度的第一特征向量。
可选的,所述Transformer层还包括:
多头自注意力网络,用于将所述嵌入层输入的特征向量作为输入数据,计算所述历史行为序列数据中各个历史操作行为的注意力权重,得到由各个历史操作行为的注意力权重构成的权重向量,以作为所述关系向量;其中,所述注意力权重指示所述各个历史操作行为与所述用户的下一次的操作行为之间的相关程度。
可选的,所述Transformer层还包括:
基于位置的前馈网络,用于将多头自注意力网络的输出作为输入,编码所述历史行为序列数据中各个历史操作行为在所述历史行为序列数据中的位置信息,得到由各个历史操作行为的位置信息构成的位置向量,并将所述位置向量与所述权重向量进行向量连接,以得到所述关系向量;其中,所述位置信息指示按照各个历史操作行为的发生时刻确定出的在所述历史行为序列数据中的相对位置。
可选的,所述Transformer层还包括:
残差网络,用于在所述多头自注意力网络和所述基于位置的前馈网络的输出数据中分别引入所述多头自注意力网络和所述基于位置的前馈网络各自的输入数据。
可选的,所述Transformer层还包括:
层归一化模块,用于将所述多头自注意力网络和所述基于位置的前馈网络的输出归一为标准正态分布数据。
可选的,所述多头自注意力网络为双头自注意力网络。
可选的,所述金融服务产品包括贷款产品。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到至少一个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本说明书的示例性实施例中,还提供了一种装置及其所应用的终端的实施例。
本说明书装置的实施例可以应用在计算机设备上,例如服务器或终端设备。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,图7为本说明书实施方式的一种装置所在计算机设备70的一种硬件结构图,除了图7所示的处理器710、内存730、网络接口720、以及非易失性存储器740之外,实施例中装置所在的服务器或电子设备,通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。
在本说明书的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本说明书的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本说明书各种示例性实施例的步骤。
根据本说明书的实施例用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本说明书的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或至少一个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或至少一个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本说明书操作的程序代码,所述程序设计语言包括面向对象的程序设计语言——诸如Java、C++等,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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,并且相关数据的收集、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,并提供有相应的操作入口,供用户选择授权或者拒绝。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在至少一个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在至少一个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或至少一个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统单元和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成至少一个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (13)
1.一种金融服务动态化推荐方法,所述方法应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;所述方法包括:
响应于所述用户执行的针对金融服务页面的访问操作行为,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在所述访问操作行为对应的访问时刻之前的预设的时长内,针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成;
将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型;
通过所述金融服务页面向所述用户输出排序后的所述若干金融服务产品。
2.根据权利要求1所述的方法,所述作为所述样本数据的历史行为序列数据中包含的最后一个操作行为为针对所述金融服务产品的选择操作行为;
所述将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型,包括:
将所述作为所述样本数据的历史行为序列数据中包含的最后一个操作行为作为样本标签,将所述历史行为序列数据中的剩余操作行为构成的行为序列作为特征样本进行有监督训练得到的机器模型。
3.根据权利要求1所述的方法,所述预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,包括:
将获取到的所述历史行为序列数据映射成特征向量,基于所述特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,并将所述相关关系转化成所述用户的下一次操作行为选择所述各个金融服务产品的概率。
4.根据权利要求3所述的方法,将获取到的所述历史行为序列数据输入基于神经网络的预测模型之前,还包括:
获取所述用户的用户画像数据;
将获取到的所述历史行为序列数据输入基于神经网络的预测模型,包括:
将获取到的所述历史行为序列数据,以及所述用户的用户画像数据输入基于神经网络的预测模型。
5.根据权利要求4所述的方法,所述预测模型为基于Transformer架构的预测模型包括:
嵌入层,用于将输入的所述用户的所述历史行为序列数据,映射为第一预设维度的第一特征向量,并输入至Transformer层;以及,将输入的所述用户的用户画像数据,映射为第二预设维度的第二特征向量,并将所述第二特征向量输入至全连接层;
Transformer层,用于基于所述第一特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,得到指示所述相关关系的关系向量;
全连接层,用于针对所述Transformer层学习到的所述关系向量和所述第二特征向量进行向量连接,得到目标向量,并利用预设的激活函数将所述目标向量转化成所述用户选择所述各个金融服务产品的概率。
6.根据权利要求5所述的方法,所述嵌入层,进一步用于将采用基于位置的编码方式,对输入的所述用户的所述历史行为序列数据进行编码,以将输入的所述历史行为序列数据映射为第一预设维度的第一特征向量。
7.根据权利要求5所述的方法,所述Transformer层包括:
多头自注意力网络,用于将所述嵌入层输入的特征向量作为输入数据,计算所述历史行为序列数据中各个历史操作行为的注意力权重,得到由各个历史操作行为的注意力权重构成的权重向量,以作为所述关系向量;其中,所述注意力权重指示所述各个历史操作行为与所述用户的下一次的操作行为之间的相关程度。
8.根据权利要求7所述的方法,所述Transformer层还包括:
基于位置的前馈网络,用于将多头自注意力网络的输出作为输入,编码所述历史行为序列数据中各个历史操作行为在所述历史行为序列数据中的位置信息,得到由各个历史操作行为的位置信息构成的位置向量,并将所述位置向量与所述权重向量进行向量连接,以得到所述关系向量;其中,所述位置信息指示按照各个历史操作行为的发生时刻确定出的在所述历史行为序列数据中的相对位置。
9.据权利要求7所述的方法,所述Transformer层还包括:
层归一化模块,用于将所述多头自注意力网络和所述基于位置的前馈网络的输出归一为标准正态分布数据。
10.一种基于神经网络的预测网络,应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;包括:
嵌入层,用于将输入的用户针对若干金融服务产品的历史行为序列数据,映射为第一预设维度的第一特征向量,并输入至Transformer层;
Transformer层,用于基于所述第一特征向量学习所述历史行为序列数据中的各个历史操作行为,和所述用户的下一次的操作行为之间的相关关系,得到指示所述相关关系的关系向量;
全连接层,用于将所述Transformer层学习到的所述关系向量作为目标向量,并利用预设的激活函数将所述目标向量转化成所述用户选择所述各个金融服务产品的概率。
11.一种金融服务动态化推荐装置,所述装置应用于金融服务平台;所述金融服务平台面向用户提供若干金融服务产品;所述装置包括:
获取单元,用于响应于所述用户针对金融服务页面的访问,获取所述用户针对所述若干金融服务产品的历史行为序列数据;其中,所述历史行为序列数据由所述用户在访问时刻之前的预设的时长内在所述金融服务平台上针对所述若干金融服务产品执行的至少一种历史操作行为按照操作时刻进行排序构成;
预测单元,将获取到的所述历史行为序列数据输入基于神经网络的预测模型,分别预测所述用户的下一次的操作行为选择各个所述金融服务产品的概率,并基于所述概率对所述若干金融服务产品进行排序;其中,所述预测模型为将所述用户的历史行为序列数据作为样本数据进行有监督训练得到的机器学习模型;
输出单元,用于向所述用户输出排序后的所述若干金融服务产品。
12.一种存储介质,其上存储有计算机程序,该计算机程序执行时实现如权利要求1-9中任一项所述方法的步骤。
13.一种计算机设备,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,其中,所述处理器执行所述程序时实现如下方法:其中,所述处理器执行所述程序时实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281743.XA CN116401522A (zh) | 2023-03-20 | 2023-03-20 | 一种金融服务动态化推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281743.XA CN116401522A (zh) | 2023-03-20 | 2023-03-20 | 一种金融服务动态化推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401522A true CN116401522A (zh) | 2023-07-07 |
Family
ID=87019039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310281743.XA Pending CN116401522A (zh) | 2023-03-20 | 2023-03-20 | 一种金融服务动态化推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883181A (zh) * | 2023-09-07 | 2023-10-13 | 北京中关村科金技术有限公司 | 基于用户画像的金融服务推送方法、存储介质及服务器 |
-
2023
- 2023-03-20 CN CN202310281743.XA patent/CN116401522A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883181A (zh) * | 2023-09-07 | 2023-10-13 | 北京中关村科金技术有限公司 | 基于用户画像的金融服务推送方法、存储介质及服务器 |
CN116883181B (zh) * | 2023-09-07 | 2023-12-05 | 北京中关村科金技术有限公司 | 基于用户画像的金融服务推送方法、存储介质及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10929614B2 (en) | Automated contextual dialog generation for cognitive conversation | |
WO2020177282A1 (zh) | 一种机器对话方法、装置、计算机设备及存储介质 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
US9852177B1 (en) | System and method for generating automated response to an input query received from a user in a human-machine interaction environment | |
CN112115257A (zh) | 用于生成信息评估模型的方法和装置 | |
KR102355152B1 (ko) | 콘텐트 검색을 위한 방법 및 그 전자 장치 | |
US11677693B2 (en) | Systems and methods for generating dynamic conversational responses using ensemble prediction based on a plurality of machine learning models | |
US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116401522A (zh) | 一种金融服务动态化推荐方法和装置 | |
GB2600817A (en) | Systems and methods for generating dynamic interface options using machine learning models | |
CN116028715A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
CN115062769A (zh) | 基于知识蒸馏的模型训练方法、装置、设备及存储介质 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
CN112818658B (zh) | 文本对分类模型的训练方法、分类方法、设备及存储介质 | |
CN110442767B (zh) | 一种确定内容互动平台标签的方法、装置及可读存储介质 | |
WO2020151318A1 (zh) | 基于爬虫模型的语料构建方法、装置及计算机设备 | |
CN113672801B (zh) | 信息的处理方法、装置、存储介质和电子设备 | |
CN109871487B (zh) | 一种新闻召回方法和系统 | |
US10902003B2 (en) | Generating context aware consumable instructions | |
CN118013296A (zh) | 在线客服匹配方法、装置、电子设备及可读存储介质 | |
CN117893279A (zh) | 一种对象推荐的方法和装置 | |
CN116796729A (zh) | 基于特征强化的文本推荐方法、装置、设备及存储介质 | |
CN117540846A (zh) | 项目预测方法、装置、电子设备及计算机可读存储介质 |
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 |