CN117611345A - 投资意向的预测方法、装置、设备及存储介质 - Google Patents
投资意向的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117611345A CN117611345A CN202311599659.9A CN202311599659A CN117611345A CN 117611345 A CN117611345 A CN 117611345A CN 202311599659 A CN202311599659 A CN 202311599659A CN 117611345 A CN117611345 A CN 117611345A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- investment
- convolution layer
- module
- 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 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 41
- 230000007246 mechanism Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种投资意向的预测方法、装置、设备及存储介质。该方法包括:获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;对所述投资信息进行预处理;将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;目标投资意向结果包括设定数量的目标投资类别;其中,设定投资意向预测模型包括多个设定卷积模块,多个设定卷积模块之间串联连接,设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,第二卷积层和深度可分离卷积层并联连接。本发明实施例,可以提高移动端目标对象的投资意向的预测准确率,从而提高移动端目标对象的使用体验。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种投资意向的预测方法、装置、设备及存储介质。
背景技术
目前的移动端应用程序软件APP缺乏对用户投资习惯的分析,较为成熟的用户都会形成特有的投资策略、熟悉的“赛道”,并长期在熟悉的“赛道”根据经验形成的交易策略进行交易获得收益。而市面上现有的用户评估基本是通过问卷形式调查用户可用资金、投资时间、对高/低收益的态度等信息,最后评估用户属于激进型还是保守型,评估方式的简单导致对用户的意向分析较差,导致用户在使用APP时被推送到很多并不符合个人投资意向的产品,不能让用户有好的使用体验。
深度学习模型在各个领域都展现出极好的优越性,但由于模型带来的大量的参数量和计算量使得模型变得“臃肿”,在移动端上运行会带来极大的负荷,导致移动端目标对象的体验较差。
发明内容
本发明实施例提供一种投资意向的预测方法、装置、设备及存储介质,可以提高移动端目标对象的投资意向的预测准确率,从而提高移动端目标对象的使用体验。
第一方面,本发明实施例提供了一种投资意向的预测方法,包括:获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;对所述投资信息进行预处理;将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
第二方面,本发明实施例还提供了一种投资意向的预测装置,包括:投资信息获取模块,用于获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;预处理模块,用于对所述投资信息进行预处理;预测模块,用于将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
第三方面,本发明实施例还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计算机程序,所述计算机程序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本发明实施例任一项所述的投资意向的预测方法。
第四方面,本发明实施例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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例中任一项所述投资意向的预测方法。
本实施例的技术方案,获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;对所述投资信息进行预处理;将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。本发明实施例,通过设定投资意向预测模型对移动端目标对象的投资意向进行预测的方式,可以提高移动端目标对象的投资意向的预测准确率,从而提高移动端目标对象的使用体验。
附图说明
图1为本发明实施例提供的一种投资意向的预测方法的流程图;
图2为本发明实施例提供的设定卷积模块的网络结构示意图;
图3为本发明实施例提供的一种投资意向的预测装置的结构示意图;
图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
图1为本发明实施例提供的一种投资意向的预测方法的流程图,本实施例可适用于对移动端目标对象的投资意向进行预测的情况,该方法可以由投资意向的预测装置来执行,具体包括如下步骤:
S110、获取移动端目标对象的投资信息。
其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;目标对象的投资信息可以理解为用户画像。属性信息可以为目标对象的固定信息,例如唯一身份识别信息(ID)、年龄、性别等。投资行为信息可以包括卡内余额、投资风险等级(通过现有的调查问卷形式评估)、基金购买额度、意向基金经理、持仓基金类型、基金所属地域自选基金类型、基金净值、基金近期涨幅(1个月、3个月、6个月、1年、3年)、基金经理前十大持仓、用户搜索记录等。
S120、对所述投资信息进行预处理。
本实施例,对预处理的操作不作限制,例如标准化处理,向量化处理、缺失值处理等,以使投资信息更适用于设定投资意向预测模型的处理。本实施例,通过对投资信息进行预处理,还可以将一维的投资信息转化为二维特征图。对于训练样本,由于不同投资特征的量纲有差异,所以需要对特征向量做z-score标准化,具体方式如下:
其中,
其中,z-score数据标准化可以理解为基于源数据的均值和标准差进行的标准化,目标数据=(源数据-均值)/标准差。通过z-score数据标准化可以保证各个特征数据对结果的贡献度相对一致,以及将一维特征向量转化为二位特征图,以完成预处理。
S130、将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果。
其中,所述目标投资意向结果包括设定数量的目标投资类别;目标投资类别可以是不同类型的基金,如券商、医疗、食品饮料、军工、半导体、医疗、数字经济、云计算、人工智能、新能源、汽车等。所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
本实施例中,通过多个设定卷积模块,可以构建为一个轻量级的神经网络模型。
可选的,将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果,包括:通过第一个设定卷积模块对所述预处理后的投资信息进行特征处理,获得第一模块特征;通过第二个设定卷积模块对所述第一模块特征进行特征处理,获得第二模块特征;通过第N个设定卷积模块对所述第二模块特征进行特征处理,获得第N模块特征;所述N为大于2的正整数;根据所述第N模块特征进行分类,获得多个投资类别的预测概率;在所述多个投资类别的预测概率中,将满足设定预测概率阈值的投资类别作为目标投资意向结果。
本实施例中,多个设定卷积模块可以通过第一个设定卷积模块、第二个设定卷积模块、第N个设定卷积模块进行表征,N可以表示2、3、4等,本实施例对具体的设定卷积模块的数量不作限制,也即对N不作限制。
本实施例,可以通过softmax分类层对所述第N模块特征进行分类,获得多个投资类别的预测概率;设定预测概率阈值可以为70%、80%等,本实施例对此具体的预测概率阈值不作限制。
由于每个设定卷积模块的网络结构均相同。以第一个设定卷积模块为例,可选的,所述设定卷积模块还包括:拼接层;所述拼接层用于将所述第二卷积层和所述深度可分离卷积层的输出进行拼接;通过第一个设定卷积模块对所述预处理后的投资信息进行特征处理,获得第一模块特征,包括:通过所述第一卷积层对所述预处理后的投资信息进行通道升维,获得第一卷积特征;通过所述第二卷积层以及所述深度可分离卷积层对所述第一卷积特征进行特征提取,获得对应的第二卷积特征和深度可分离卷积特征;通过拼接层将所述第二卷积特征和所述深度可分离卷积特征进行拼接,获得融合特征;通过所述第三卷积层对所述融合特征进行通道降维,获得第一模块特征。
可选的,所述第一卷积层的卷积核尺寸为1*1;所述第二卷积层的卷积核尺寸为3*3,所述深度可分离卷积层包括深度可分离卷积和点卷积,所述深度可分离卷积的尺寸为3*3;所述第三卷积层的卷积核尺寸为1*1。
所述设定卷积模块还包括归一化层和激活函数层,在所述第一卷积层之后、在所述第二卷积层之后、在所述深度可分离卷积层之后以及在所述第三卷积层之后均还包括所述归一化层和所述激活函数层。
其中,所述激活函数层为ELU激活函数。ELU激活函数为指数线性单元(Exponential LinearUnit,ELU激活函数),非线性的激活函数使得预训练的神经网络模型理论上可以学习到任何形式的分布。其中,归一化层可以为批量归一化(BatchNormalization),主要解决的是梯度消失和梯度爆炸问题。
具体的,对于任意一个设定卷积模块,主要分三个步骤:特征图升维、分流提取特征、特征图降维。在第一步,对于前一层的输出特征图,采用1*1的卷积核进行特征图通道维度的升维,通道升维可以保证在后续的分流特征提取中保持有充足的信息。在第二步,针对于第一步产生的特征图,将其分别输送到两个分支(也即第二卷积层以及深度可分离卷积层)进行特征提取。两个分支分别为3*3的标准卷积和深度可分离卷积,主要目的是在提取特征的同时保证较少的参数量和计算量引入,在两个分支的后面通过拼接(Concat)将两个特征图输出结合起来,以备后面两个分支的特征信息融合。在第三步,对于特征拼接的输出,用1*1的卷积核进行通道降维。主要目的是通过降维来降低模型相邻两个设定卷积模块的参数量和计算量引入。
可选的,所述第二卷积层和所述深度可分离卷积层的卷积核数量满足如下条件:所述第二卷积层的卷积核数量与所述第二卷积层和所述深度可分离卷积层卷积核数量之和的比值为设定阈值。
其中,设定阈值可以为{0.125,0.25,0.5,0.75}。第二卷积层的卷积核数量记作bconv3,深度可分离卷积层卷积核数量记作bdsconv3,所述第二卷积层的卷积核数量与所述第二卷积层和所述深度可分离卷积层卷积核数量之和的比值为:
对于超参数α,将其比值限定在{0.125,0.25,0.5,0.75}。每一个α值代表了不同的分支压缩率,从而形成不同的模型变体,通过比较模型参数量、计算量以及各自达到的精度来确定这些模型变体中有良好特征提取能力的最优模型。
对于设定投资意向预测模型的参数量和计算量:记第一卷积层的卷积核数目为econv1,第二卷积层的卷积核数量记作bconv3,深度可分离卷积层卷积核数量记作bdsconv3,卷积核大小ksize均为3,最后第三卷积层的卷积核数目为sconv1。则当设定卷积模块的输入通道数为M,输出通道数为N=sconv1时,整个设定卷积模块的参数量可以形式化表达为:
进行通道升维和降维的参数量仅由当前输入通道数和输出通道数决定,因为这两种操作的卷积核大小都是1*1。而由式(5)可以看出,经过通道升维后,两个分支bconv3和bdsconv3贡献了大部分的参数量。实际上,与深度可分离卷积层相比,第二卷积层会引入更多的参数量和计算量,在保证精度的情况下,适当减少第二卷积层卷积核的数量,增加深度可分离卷积核的数量是一个理想的选择。因为两者具有相同大小的感受野,能分析到的局部特征信息空间是相同的。由此,本发明提出了一个压缩参数,将其定义为第二卷积层的卷积核数量与第二卷积层和所述深度可分离卷积层卷积核数量之和的比值。神经网络的计算量是由若干个卷积层的计算量累加得到,只具有标准卷积核的卷积层(如第二卷积层)的计算量与输入通道数、输出通道数、卷积核大小以及特征图的宽度和高度成正比,而对于设定卷积模块的计算量(特征图有0填充即padding操作),可以通过式(6)得到:
其中,fheight和fwidth分别表示中间特征图的宽度和高度,其他参数和计算参数量的符号表示相同。本实施例,通过堆叠设定卷积模块来构建轻量化的卷积神经网络模型,因此累加各个设定卷积模块及密集连接层的参数量和计算量可以计算出整个神经网络模型的参数量和计算量。
本实施例中,设定卷积模块包括第二卷积层(标准卷积)和深度可分离卷积层,比仅使用深度可分离卷积能提取到更多的有效信息,且通过通道升维(第一卷积层)和降维(第三卷积层)既保证了提取特征的高效性,又贡献了较少的参数量和计算量,保证了在模型轻量化的同时提高了模型推理能力的可靠性。
以第一个设定卷积模块为例,可选的,所述设定卷积模块还包括:通道注意力机制层以及空间注意力机制层;所述通道注意力机制层对所述拼接层的输出进行特征处理;所述空间注意力机制层用于对所述通道注意力机制层的输出进行特征处理,所述空间注意力机制层的输出作为所述第三卷积层的输入,通过所述第三卷积层对所述融合特征进行通道降维,获得第一模块特征,包括:通过所述通道注意力机制层对所述融合特征进行特征处理,获得通道注意力特征图;通过空间注意力机制层对所述通道注意力特征图进行特征处理,获得空间注意力特征图;通过所述第三卷积层对所述空间注意力特征图进行通道降维,获得第一模块特征。
其中,通道注意力机制层可以为软注意力机制的通道注意力机制,空间注意力机制层可以为软注意力机制的空间注意力机制。
具体的,通过所述通道注意力机制层对融合特征进行通道维度重要性评估得到针对每张特征图的重要性因子作为通道权重,将每个权重和对应的特征图矩阵作矩阵乘法运算得到通道注意力特征图。通过空间注意力机制层对所述通道注意力特征图作空间维度重要性评估得到针对每个通道对应索引位置的重要性因子作为空间权重,对每一张特征图,将其和空间权重的矩阵作元素级的乘法运算就得到空间注意力特征图。最后,通过所述第三卷积层对经过注意力机制增强的空间注意力特征图进行通道维度的点卷积降维操作来减少模块间数据处理的参数量和计算量。
本实施例中,通过增加通道注意力机制层以及空间注意力机制层,使得设定卷积模块在通道维度和空间维度增强了特征提取能力,可以进一步提升模型的推理性能。
可选的,所述设定卷积模块还包括池化层;所述池化层用于对所述第三卷积层的输出进行降采样。
本实施例中,池化层可以为最大池化,通过池化层可以提取重要特征,并减少模型输出的大小。池化层可以根据需求进行设置。
需要说明的是,本实施例所提供的设定投资意向预测模型具有较少的参数量和计算量的效果。假设不设置第三卷积层,3*3卷积核的第二卷积层的输出通道数为M,3*3卷积核的深度可分离卷积层的输出通道数为A,则第n-1个设定卷积模块输出通道数为M+A。若第n个设定卷积模块需要将输入通道数变换为K,则引入的参数量为(M+A)*K个(不计算偏移量)。相反,如果在每个设定卷积模块的底层设置通道降维操作,也即设置第三卷积层,假定为(R<M+A&R<K),则参数量变为(M+A+K)*R。若输入通道数为64,输出通道数为128,通道缩减数为32,则不引入通道降维的参数量为8192,引入通道降维的参数量5984,节省近1/3参数量的同时达到有效提取特征信息的目标。
本实施例的技术方案,获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;对所述投资信息进行预处理;将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。本发明实施例,通过设定投资意向预测模型对移动端目标对象的投资意向进行预测的方式,可以提高移动端目标对象的投资意向的预测准确率,从而提高移动端目标对象的使用体验。
示例性的,图2为本发明实施例提供的设定卷积模块的网络结构示意图。如图2所示,首先,通过第一卷积层,也即应用点卷积进行升维操作可以保留尽可能多的有效特征信息,在第一卷积层之后,依次通过归一化层和激活函数层进行处理,将经过激活函数层处理后的特征图分别输送到不同的分支,也即第二卷积层(标准卷积)和深度可分离卷积层,通过不同的卷积方式可以提取到不同“视角”的特征信息,在第二卷积层(标准卷积)之后,依次通过归一化层和激活函数层进行处理,在深度可分离卷积层之后,依次通过归一化层(图2中通过BN表征批归一化)和激活函数层(图2中通过ELU表征ELU激活函数)进行处理,通过拼接层将第二卷积层(标准卷积)和深度可分离卷积层的输出(经过归一化层和激活函数层的输出)进行拼接,获得融合特征,记作F,并向后传播,使得所有的分支信息都能同等程度地被利用;通过通道注意力机制层对所述融合特征F进行特征处理,获得通道注意力特征图,记作Fc;通过空间注意力机制层对所述通道注意力特征图进行特征处理,获得空间注意力特征图,记作Fs,通过所述第三卷积层对所述空间注意力特征图Fs进行通道降维,在第三卷积层之后,依次通过归一化层和激活函数层进行处理,最后通过池化层对第三卷积层的输出(经过归一化层和激活函数层的输出)进行特征提取。本实施例中,通过第三卷积层进行特征图降维,目的是为了降低模型的参数量和计算量,通过减少当前设定卷积模块的通道数保持模型的轻量化。通过在设定卷积模块中嵌入软注意力方法可以提升模型推理的精准性,具体是在通道维度和空间维度评估卷积核产生的特征信息对预测结果的影响,增强对推理结果有益的部分,抑制对推理结果影响不大的部分,保证对用户的投资意向分析的有效性。
图3为本发明实施例提供的一种投资意向的预测装置的结构示意图。如图3所示,装置包括:投资信息获取模块310、预处理模块320以及预测模块330;
投资信息获取模块310,用于获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;
预处理模块320,用于对所述投资信息进行预处理;
预测模块330,用于将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
本实施例的技术方案,通过投资信息获取模块获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;通过预处理模块对所述投资信息进行预处理;通过预测模块将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。本发明实施例,通过设定投资意向预测模型对移动端目标对象的投资意向进行预测的方式,可以提高移动端目标对象的投资意向的预测准确率,从而提高移动端目标对象的使用体验。
可选的,预测模块还用于:通过第一个设定卷积模块对所述预处理后的投资信息进行特征处理,获得第一模块特征;通过第二个设定卷积模块对所述第一模块特征进行特征处理,获得第二模块特征;通过第N个设定卷积模块对所述第二模块特征进行特征处理,获得第N模块特征;所述N为大于2的正整数;根据所述第N模块特征进行分类,获得多个投资类别的预测概率;在所述多个投资类别的预测概率中,将满足设定预测概率阈值的投资类别作为目标投资意向结果。
可选的,所述设定卷积模块还包括:拼接层;所述拼接层用于将所述第二卷积层和所述深度可分离卷积层的输出进行拼接;预测模块还用于:通过所述第一卷积层对所述预处理后的投资信息进行通道升维,获得第一卷积特征;通过所述第二卷积层以及所述深度可分离卷积层对所述第一卷积特征进行特征提取,获得对应的第二卷积特征和深度可分离卷积特征;通过拼接层将所述第二卷积特征和所述深度可分离卷积特征进行拼接,获得融合特征;通过所述第三卷积层对所述融合特征进行通道降维,获得第一模块特征。
可选的,所述第一卷积层的卷积核尺寸为1*1;所述第二卷积层的卷积核尺寸为3*3,所述深度可分离卷积层包括深度可分离卷积和点卷积,所述深度可分离卷积的尺寸为3*3;所述第三卷积层的卷积核尺寸为1*1。所述设定卷积模块还包括归一化层和激活函数层,在所述第一卷积层之后、在所述第二卷积层之后、在所述深度可分离卷积层之后以及在所述第三卷积层之后均还包括所述归一化层和所述激活函数层。
可选的,所述设定卷积模块还包括:通道注意力机制层以及空间注意力机制层;所述通道注意力机制层对所述拼接层的输出进行特征处理;所述空间注意力机制层用于对所述通道注意力机制层的输出进行特征处理,所述空间注意力机制层的输出作为所述第三卷积层的输入,预测模块还用于:通过所述通道注意力机制层对所述融合特征进行特征处理,获得通道注意力特征图;通过空间注意力机制层对所述通道注意力特征图进行特征处理,获得空间注意力特征图;通过所述第三卷积层对所述空间注意力特征图进行通道降维,获得第一模块特征。
可选的,所述设定卷积模块还包括池化层;所述池化层用于对所述第三卷积层的输出进行降采样。
可选的,所述第二卷积层和所述深度可分离卷积层的卷积核数量满足如下条件:所述第二卷积层的卷积核数量与所述第二卷积层和所述深度可分离卷积层卷积核数量之和的比值为设定阈值。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如方法投资意向的预测。
在一些实施例中,方法投资意向的预测可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的方法投资意向的预测的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法投资意向的预测。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种投资意向的预测方法,其特征在于,包括:
获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;
对所述投资信息进行预处理;
将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
2.根据权利要求1所述的方法,其特征在于,将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果,包括:
通过第一个设定卷积模块对所述预处理后的投资信息进行特征处理,获得第一模块特征;
通过第二个设定卷积模块对所述第一模块特征进行特征处理,获得第二模块特征;
通过第N个设定卷积模块对所述第二模块特征进行特征处理,获得第N模块特征;所述N为大于2的正整数;
根据所述第N模块特征进行分类,获得多个投资类别的预测概率;
在所述多个投资类别的预测概率中,将满足设定预测概率阈值的投资类别作为目标投资意向结果。
3.根据权利要求2所述的方法,其特征在于,所述设定卷积模块还包括:拼接层;所述拼接层用于将所述第二卷积层和所述深度可分离卷积层的输出进行拼接;通过第一个设定卷积模块对所述预处理后的投资信息进行特征处理,获得第一模块特征,包括:
通过所述第一卷积层对所述预处理后的投资信息进行通道升维,获得第一卷积特征;
通过所述第二卷积层以及所述深度可分离卷积层对所述第一卷积特征进行特征提取,获得对应的第二卷积特征和深度可分离卷积特征;
通过拼接层将所述第二卷积特征和所述深度可分离卷积特征进行拼接,获得融合特征;
通过所述第三卷积层对所述融合特征进行通道降维,获得第一模块特征。
4.根据权利要求1所述的方法,其特征在于,所述第一卷积层的卷积核尺寸为1*1;所述第二卷积层的卷积核尺寸为3*3,所述深度可分离卷积层包括深度可分离卷积和点卷积,所述深度可分离卷积的尺寸为3*3;所述第三卷积层的卷积核尺寸为1*1;
所述设定卷积模块还包括归一化层和激活函数层,在所述第一卷积层之后、在所述第二卷积层之后、在所述深度可分离卷积层之后以及在所述第三卷积层之后均还包括所述归一化层和所述激活函数层。
5.根据权利要求3所述的方法,其特征在于,
所述设定卷积模块还包括:通道注意力机制层以及空间注意力机制层;所述通道注意力机制层对所述拼接层的输出进行特征处理;所述空间注意力机制层用于对所述通道注意力机制层的输出进行特征处理,所述空间注意力机制层的输出作为所述第三卷积层的输入,通过所述第三卷积层对所述融合特征进行通道降维,获得第一模块特征,包括:
通过所述通道注意力机制层对所述融合特征进行特征处理,获得通道注意力特征图;
通过空间注意力机制层对所述通道注意力特征图进行特征处理,获得空间注意力特征图;
通过所述第三卷积层对所述空间注意力特征图进行通道降维,获得第一模块特征。
6.根据权利要求3所述的方法,其特征在于,所述设定卷积模块还包括池化层;所述池化层用于对所述第三卷积层的输出进行降采样。
7.根据权利要求1所述的方法,其特征在于,所述第二卷积层和所述深度可分离卷积层的卷积核数量满足如下条件:所述第二卷积层的卷积核数量与所述第二卷积层和所述深度可分离卷积层卷积核数量之和的比值为设定阈值。
8.一种投资意向的预测装置,其特征在于,包括:
投资信息获取模块,用于获取移动端目标对象的投资信息;其中,所述投资信息包括所述目标对象的属性信息和投资行为信息;
预处理模块,用于对所述投资信息进行预处理;
预测模块,用于将所述预处理后的投资信息输入至设定投资意向预测模型,输出目标投资意向结果;所述目标投资意向结果包括设定数量的目标投资类别;其中,所述设定投资意向预测模型包括多个设定卷积模块,所述多个设定卷积模块之间串联连接,每个设定卷积模块的网络结构均相同;所述设定卷积模块包括第一卷积层、第二卷积层、深度可分离卷积层以及第三卷积层,所述第二卷积层和所述深度可分离卷积层并联连接,所述第一卷积层的输出分别为所述第二卷积层和所述深度可分离卷积的输入。
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计算机程序,所述计算机程序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中任一项所述的投资意向的预测方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的投资意向的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599659.9A CN117611345A (zh) | 2023-11-27 | 2023-11-27 | 投资意向的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599659.9A CN117611345A (zh) | 2023-11-27 | 2023-11-27 | 投资意向的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611345A true CN117611345A (zh) | 2024-02-27 |
Family
ID=89959229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599659.9A Pending CN117611345A (zh) | 2023-11-27 | 2023-11-27 | 投资意向的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611345A (zh) |
-
2023
- 2023-11-27 CN CN202311599659.9A patent/CN117611345A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN110929780B (zh) | 视频分类模型构建、视频分类的方法、装置、设备及介质 | |
CN113379627B (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
US20230186607A1 (en) | Multi-task identification method, training method, electronic device, and storage medium | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN113674087A (zh) | 企业信用等级评定方法、装置、电子设备和介质 | |
CN114155388B (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
CN117611345A (zh) | 投资意向的预测方法、装置、设备及存储介质 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN114238611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114722941A (zh) | 信贷违约识别方法、装置、设备和介质 | |
CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116737607B (zh) | 样本数据缓存方法、系统、计算机设备和存储介质 | |
CN111221938B (zh) | 一种预测结果生成方法、终端及存储介质 | |
US20230206522A1 (en) | Training method for handwritten text image generation mode, electronic device and storage medium | |
US20240029416A1 (en) | Method, device, and computer program product for image processing | |
CN117253085A (zh) | 基于多任务的眼底图像分类方法、装置、设备及存储介质 | |
CN116578896A (zh) | 违约预测模型的训练方法、违约预测方法、装置及设备 | |
CN116580183A (zh) | 基于异构计算的目标检测方法、系统和介质 | |
CN116012849A (zh) | 特征筛选方法、装置及电子设备 | |
CN118114046A (zh) | 货物质量预测模型的训练方法、装置、设备及介质 |
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 |