CN116739672A - 一种融合先验知识的金融产品推荐方法、装置及电子设备 - Google Patents
一种融合先验知识的金融产品推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116739672A CN116739672A CN202310682021.5A CN202310682021A CN116739672A CN 116739672 A CN116739672 A CN 116739672A CN 202310682021 A CN202310682021 A CN 202310682021A CN 116739672 A CN116739672 A CN 116739672A
- Authority
- CN
- China
- Prior art keywords
- financial product
- product recommendation
- model
- user information
- neural network
- 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 58
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000013475 authorization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种融合先验知识的金融产品推荐方法、装置及电子设备,方法包括:基于当前客户的授权指令,获取当前客户的用户信息;将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。本发明实施例保证了原有模型效果的基础上,实现先验特征在模型结果中的体现,提升了模型推荐金融产品的准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种融合先验知识的金融产品推荐方法、装置及电子设备。
背景技术
理财、基金等金融产品是国内商业银行发展中间业务的主要形式之一,大力发展金融产品业务也是满足客户资产保值增值的需求,是争揽、维护优质个人客户的有利工具。
金融产品推荐是金融产品营销过程中关键的一个环节。现有技术中采用深度推荐模型进行金融产品推荐。
但是在深度推荐模型中,由于DNN((Deep Neural Networks,深度神经网络)的底层是由大量特征的embedding拼接,这些特征数量众多,动辄几千维,同时受训练集样本分布和噪声数据等诸多因素影响,推荐效果的精度较差,客户体验较差。
因此,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明提供了一种融合先验知识的金融产品推荐方法、装置及电子设备,旨在解决现有技术中的金融产品推荐方法存在推荐效果的精度较差,客户体验较差的问题。
本发明的技术方案如下:
本发明第一实施例提供了一种融合先验知识的金融产品推荐方法,所述方法包括:
基于当前客户的授权指令,获取当前客户的用户信息;
将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
进一步地,所述将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
预先构建深度神经网络模型;
获取深度神经网络网络模型的embedding拼接层;
在所述embedding拼接层添加SENet网络层;
基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型。
进一步地,所述基于当前客户的授权指令,获取当前客户的用户信息,包括:
基于当前客户的授权指令,获取当前客户的收益率目标信息、用户收入水平信息和风险承受等级信息。
进一步地,所述基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型,包括:
基于SENet网络层对收益率目标信息及风险承受等级信息对应的特征权重进行调整,生成变形后的深度神经网络模型。
进一步地,所述将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
获取已有的用户信息样本数据;
基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型。
进一步地,所述基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型,包括:
基于embedding层对所述用户信息样本提取特征;
基于SENet网络层将提取的特征进行特征加权处理,生成加权样本特征;
训练过程中根据所述加权样本特征对变形后的深度神经网络模型参数进行调整,训练完成后生成金融产品推荐模型。
进一步地,所述将所述用户信息输入预先训练好的金融产品推荐模型,包括:
基于embedding层对所述用户信息提取特征;
基于SENet网络层将所述特征进行特征加权处理,生成加权特征;
基于预先训练好的金融产品推荐模型对所述加权特征进行处理。
本发明的另一实施例提供了一种融合先验知识的金融产品推荐装置,装置包括:
用户信息获取模块,用于基于当前客户的授权指令,获取当前客户的用户信息;
数据输入模块,用于将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
金融产品推荐模块,用于获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
本发明的另一实施例提供了一种电子设备,所述电子设备包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的融合先验知识的金融产品推荐方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述的融合先验知识的金融产品推荐方法。
有益效果:本发明实施例的融合先验知识的金融产品推荐方法,在保证了原有模型效果的基础上,实现先验特征在模型结果中的体现,提升了模型推荐金融产品的准确度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明一种融合先验知识的金融产品推荐方法较佳实施例的流程图;
图2为本发明一种融合先验知识的金融产品推荐装置的较佳实施例的功能模块示意图;
图3为本发明一种电子设备的较佳实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合附图对本发明实施例进行介绍。
针对上述问题,本发明实施例提供了一种融合先验知识的金融产品推荐方法,请参阅图1,图1为本发明一种融合先验知识的金融产品推荐方法较佳实施例的流程图。如图1所示,其包括:
步骤S100、基于当前客户的授权指令,获取当前客户的用户信息;
步骤S200、将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
步骤S300、获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
具体实施时,本发明实施例中预先询问客户的意愿,若客户同意授权获取自己的用户信息,则获取用户信息。可通过电子问卷的形式推送给客户终端,获取客户输入的数据获取用户信息。或是通过获取用户预留的用户信息。
在获取当前客户的用户信息后,进行预处理后,输入预先训练好的金融产品推荐模型,该金融产品推荐模型为融合先验知识的DNN(Deep Neural Networks,深度神经网络模型)。金融产品推荐模型融合先验知识可以输出更符合客户需求的金融产品。
获取金融产品推荐模型输出的结果,作为目标金融产品。其中目标金融产品可以是一个也可以是多个,将目标金融产品推荐给当前客户的终端。
本发明实施例在保证了原有模型效果的基础上,实现先验特征在模型结果中的体现,提升了模型推荐金融产品的准确度。
在一个实施例中,将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
预先构建深度神经网络模型;
获取深度神经网络网络模型的embedding拼接层;
在所述embedding拼接层添加SENet网络层;
基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型。
具体实施时,目前,DNN模型的最底层一般由所有特征的embedding拼接组成,为突出先验特征的作用,我们可以为每个特征学习一个特征权重,然后将特征权重乘到对应特征的embedding里面,这样,我们就可以通过加大先验特征的权重来提升其在模型中的效果,同时还可以通过降低权重来抑制某些无效特征。其中embedding层把稀疏矩阵通过一些线性变换,变成一个密集矩阵,这个密集矩阵用了N个特征来表征所有的文字,其中N为大于1的整数。从稀疏矩阵到密集矩阵的过程,叫做embedding。
在DNN所有特征embedding拼接层之上,添加一个SENet网络层,通过SENet来动态地获取每个特征的特征权重。通过建模channel之间的关系来矫正channel的特征,以此提升神经网络的表征能力。在图像中,一个channel可以先当于图像的一种特征。特征矫正是使用全局的信息去加强有用的特征,淡化无用的特征。
在一个实施例中,基于当前客户的授权指令,获取当前客户的用户信息,包括:
基于当前客户的授权指令,获取当前客户的收益率目标信息、用户收入水平信息和风险承受等级信息。
具体实施时,本发明实施例中的用户信息包括但不限于当前客户的收益率目标信息、用户收入水平信息和风险承受等级信息,在得到客户的授权后,可以从客户的注册信息或电子问卷的形式获取客户的用户信息。
在一个实施例中,基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型,包括:
基于SENet网络层对收益率目标信息及风险承受等级信息对应的特征权重进行调整,生成变形后的深度神经网络模型。
具体实施时,假设特征的embedding分别为U=[e1,e2,e3,…,ei,…,en],其中e1,e2分别对应收益率和风险等级的embedding,经过SENet处理可以获得每个特征组权重向量W=[w1,w2,w3,…,wi,…,wn]。这个权重向量类似于对特征做了一个注意力打分。
在权重向量的基础上进行人工系数调整,按照业务需求加大先验类特征的权重系数。
考虑到业务对收益率和风险等级的重要性需求,我们可以设定一个先验特征的调权系数b对权重向量W进行人工调整,即:[b*w1,b*w2,w3,wi,…,wn],将该向量进行归一化作为特征的最终权重向量,不妨记为V=[v1,v2,v3,…,vi,…,vn]。
在原始特征组的embedding向量U=[e1,e2,e3,…,ei,…,en]之上乘以V得到一组新的embedding向量UV=[e1*v1,e2*v2,e3*v3,…ei*vi,…,en*vn]。
在一个实施例中,将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
获取已有的用户信息样本数据;
基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型。
具体实施时,本发明中获取数据库中已有的用户信息样本数据,用户信息样本数据包括用户信息样本及对应购买的理财产品数据样本。用户信息样本数据按照一定的比例分为训练样本和测试样本,采用训练样本对对变形后的深度神经网络模型进行训练,基于所述测试样本对训练的深度神经网络进行测试,根据测试结果结束训练,生成金融产品推荐模型。或是根据测试结果调整网络参数,继续训练,直到满足预设的训练停止条件。
在一个实施例中,基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型,包括:
基于embedding层对所述用户信息样本提取特征;
基于SENet网络层将提取的特征进行特征加权处理,生成加权样本特征;
训练过程中根据所述加权样本特征对变形后的深度神经网络模型参数进行调整,训练完成后生成金融产品推荐模型。
具体实施时,在模型训练过程中,embedding层对用户信息样本提取特征;获取SENet网络层调整后的权重,基于调整后权重对特征进行特征加权处理,生成加权样本特征;
训练过程中根据所述加权样本特征对变形后的深度神经网络模型参数进行调整,模型收敛或是达到预先设定的参数时,训练完成后生成金融产品推荐模型。
在一个实施例中,将所述用户信息输入预先训练好的金融产品推荐模型,包括:
基于embedding层对所述用户信息提取特征;
基于SENet网络层将所述特征进行特征加权处理,生成加权特征;
基于预先训练好的金融产品推荐模型对所述加权特征进行处理。
具体实施时,在对用户的喜好进行识别时,需要embedding层对用户信息提取特征,得到特征后,再获取SENet网络层调整后的权重,基于包含先验知识的权重对当前客户的用户特征进行加权处理,生成加权样本特征,再基于预先训练好的金融产品推荐模型对所述加权特征进一步的处理后,得到最终的推荐结果。
本发明实施例通过SENet来生成注意力分数和人工的分数调整,我们加大了收益率和风险等级等先验特征在模型中的作用。在保证了原有模型效果的基础上,实现先验特征在模型结果中的体现,而且这种体现程度还可以基于业务需求进行人工控制。
需要说明的是,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施例的描述可以理解,不同实施例中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
本发明另一实施例提供一种融合先验知识的金融产品推荐装置,如图2所示,装置1包括:
用户信息获取模块11,用于基于当前客户的授权指令,获取当前客户的用户信息;
数据输入模块12,用于将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
金融产品推荐模块13,用于获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,装置还包括神经网络模型构建模块,神经网络模型构建模块具体用于:
预先构建深度神经网络模型;
获取深度神经网络网络模型的embedding拼接层;
在所述embedding拼接层添加SENet网络层;
基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,用户信息获取模块11具体用于:
基于当前客户的授权指令,获取当前客户的收益率目标信息、用户收入水平信息和风险承受等级信息。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,神经网络模型构建模块还用于:
基于SENet网络层对收益率目标信息及风险承受等级信息对应的特征权重进行调整,生成变形后的深度神经网络模型。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,装置还包括神经网络训练模块,神经网络训练模块具体用于:
获取已有的用户信息样本数据;
基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,神经网络训练模块还用于:
基于embedding层对所述用户信息样本提取特征;
基于SENet网络层将提取的特征进行特征加权处理,生成加权样本特征;
训练过程中根据所述加权样本特征对变形后的深度神经网络模型参数进行调整,训练完成后生成金融产品推荐模型。
具体实施方式见方法实施例,此处不再赘述。
在一个实施例中,数据输入模块12具体用于:
基于embedding层对所述用户信息提取特征;
基于SENet网络层将所述特征进行特征加权处理,生成加权特征;
基于预先训练好的金融产品推荐模型对所述加权特征进行处理。
具体实施方式见方法实施例,此处不再赘述。
本发明另一实施例提供一种电子设备,如图3所示,电子设备10包括:
一个或多个处理器110以及存储器120,图3中以一个处理器110为例进行介绍,处理器110和存储器120可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器110用于完成电子设备10的各种控件逻辑,其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件控件或者这些部件的任何组合。还有,处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的融合先验知识的金融产品推荐方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元,从而执行设备10的各种功能应用以及数据处理,即实现上述方法实施例中的融合先验知识的金融产品推荐方法。
存储器120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需要的应用程序;存储数据区可存储根据设备10使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器120可选包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中,当被一个或者多个处理器110执行时,执行上述任意方法实施例中的融合先验知识的金融产品推荐方法,例如,执行以上描述的图1中的方法步骤S100至步骤S300。
本发明实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图1中的方法步骤S100至步骤S300。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制,RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器控件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例提供了一种计算机程序产品,计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被处理器执行时,使处理器执行上述方法实施例的融合先验知识的金融产品推荐方法。例如,执行以上描述的图1中的方法步骤S100至步骤S300。
以上所描述的实施例仅仅是示意性的,其中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,或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述,本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存在于计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外,诸如"能够'、"能"、"可能"或"可以"之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解,否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此,这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供融合先验知识的金融产品推荐方法及装置的示例。当然,不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合,但是可以认识到,所公开的特征的许多另外的组合和置换是可能的。因此,显而易见的是,在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外,或在替代方案中,本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是,本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语,但是它们在通用和描述性意义上被使用并且不用于限制的目的。
Claims (10)
1.一种融合先验知识的金融产品推荐方法,其特征在于,所述方法包括:
基于当前客户的授权指令,获取当前客户的用户信息;
将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
2.根据权利要求1所述的方法,其特征在于,所述将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
预先构建深度神经网络模型;
获取深度神经网络网络模型的embedding拼接层;
在所述embedding拼接层添加SENet网络层;
基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述基于当前客户的授权指令,获取当前客户的用户信息,包括:
基于当前客户的授权指令,获取当前客户的收益率目标信息、用户收入水平信息和风险承受等级信息。
4.根据权利要求3所述的方法,其特征在于,所述基于SENet网络层对先验知识对应的特征权重进行调整,生成变形后的深度神经网络模型,包括:
基于SENet网络层对收益率目标信息及风险承受等级信息对应的特征权重进行调整,生成变形后的深度神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述用户信息输入预先训练好的金融产品推荐模型前,还包括:
获取已有的用户信息样本数据;
基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述用户信息样本数据对变形后的深度神经网络模型进行训练,生成金融产品推荐模型,包括:
基于embedding层对所述用户信息样本提取特征;
基于SENet网络层将提取的特征进行特征加权处理,生成加权样本特征;
训练过程中根据所述加权样本特征对变形后的深度神经网络模型参数进行调整,训练完成后生成金融产品推荐模型。
7.根据权利要求6所述的方法,其特征在于,所述将所述用户信息输入预先训练好的金融产品推荐模型,包括:
基于embedding层对所述用户信息提取特征;
基于SENet网络层将所述特征进行特征加权处理,生成加权特征;
基于预先训练好的金融产品推荐模型对所述加权特征进行处理。
8.一种融合先验知识的金融产品推荐装置,其特征在于,所述装置包括:
用户信息获取模块,用于基于当前客户的授权指令,获取当前客户的用户信息;
数据输入模块,用于将所述用户信息输入预先训练好的金融产品推荐模型,其中,所述金融产品推荐模型为融合先验知识的深度神经网络模型;
金融产品推荐模块,用于获取金融产品推荐模型输出的目标金融产品,将所述目标金融产品推荐给当前客户。
9.一种电子设备,其特征在于,所述电子设备包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7任一项所述的融合先验知识的金融产品推荐方法。
10.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1-7任一项所述的融合先验知识的金融产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682021.5A CN116739672A (zh) | 2023-06-08 | 2023-06-08 | 一种融合先验知识的金融产品推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682021.5A CN116739672A (zh) | 2023-06-08 | 2023-06-08 | 一种融合先验知识的金融产品推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739672A true CN116739672A (zh) | 2023-09-12 |
Family
ID=87903900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682021.5A Pending CN116739672A (zh) | 2023-06-08 | 2023-06-08 | 一种融合先验知识的金融产品推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739672A (zh) |
-
2023
- 2023-06-08 CN CN202310682021.5A patent/CN116739672A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902222B (zh) | 一种推荐方法及装置 | |
CN111144937B (zh) | 广告素材确定方法、装置、设备及存储介质 | |
DE112021004908T5 (de) | Computerbasierte systeme, rechenkomponenten und rechenobjekte, die eingerichtet sind, dynamische ausreisser-verzerrungs-verringerung bei maschinenlernmodellen zu implementieren | |
CN111861569A (zh) | 产品信息推荐方法及装置 | |
US11595219B2 (en) | System for secure accelerated resource allocation | |
CN108021934A (zh) | 多要素识别的方法及装置 | |
CN110348352B (zh) | 一种人脸图像年龄迁移网络的训练方法、终端和存储介质 | |
CN105096063A (zh) | 评标专家管理方法及其系统 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109690581A (zh) | 用户指导系统及方法 | |
CN110288191B (zh) | 数据匹配方法、装置、计算机设备及存储介质 | |
CN108765133A (zh) | 贷款需求和贷款产品匹配的方法、装置、系统及存储介质 | |
CN116739672A (zh) | 一种融合先验知识的金融产品推荐方法、装置及电子设备 | |
CN116756536B (zh) | 数据识别方法、模型训练方法、装置、设备及存储介质 | |
CN111914075A (zh) | 基于深度学习的客户标签确定方法、装置、设备及介质 | |
CN117078401A (zh) | 一种信贷审批数据处理方法、装置、设备及可读存储介质 | |
CN116664781A (zh) | 基于标签选择的虚拟ip形象生成系统、方法及存储介质 | |
CN116385043A (zh) | 一种商机推荐方法、装置及电子设备 | |
CN107729708A (zh) | 一种流量策略推荐方法及装置 | |
CN113870837A (zh) | 语音合成模型的训练方法、装置、设备及可读存储介质 | |
CN109255638A (zh) | 一种挖掘潜在客户的数学模型 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN113065718A (zh) | 一种预测模型的调整方法及装置 | |
Petrovic et al. | Capturing the value proposition of a product or service | |
CN115423088A (zh) | 一种跨域数据异构的大模型在线剪枝方法及相关设备 |
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 |