一种理财产品推荐方法、系统、存储介质及设备技术方案

本发明专利技术属于理财产品推荐领域，提供了一种理财产品推荐方法、系统、存储介质及设备。其中，该方法包括获取理财用户数据；基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；将理财用户数据及其若干个最近邻数据拼接构成训练数据；以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。次数或者损失误差小于停止阈值。次数或者损失误差小于停止阈值。

【技术实现步骤摘要】
一种理财产品推荐方法、系统、存储介质及设备


[0001]本专利技术属于理财产品推荐领域，尤其涉及一种理财产品推荐方法、系统、存储介质及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着5G的快速发展，样本的数量和属性都出现激增，比如金融发展总和分析评估，包括用户基础信息、不同信用评级、工作年限、交易类型等，需要针对不同地区采取不同政策，使经济发展更加平衡。面对如此庞大的数据量和高属性，并且样本内部隐含的特征不再明显，传统聚类算法已很难再处理此类数据。而深度神经网络(DNNs)具有非线性转换的特点，可以提取到更为抽象的数据特征，进而有利于聚类过程，因此大量的基于神经网络的深度聚类算法被提出。包括基于自动编码器(AE)的方法、基于变分自编码器(VAE)的方法，基于生成对抗网(GAN)的方法。其中AE作为一种最重要的无监督表示学习模型，它提供了一种从数据层到表示层的非线性映射，保证了最小的重构误差。因此，近年来成为一个研究热点。
[0004]尽管深度神经网络能够提取到高属性样本的深度特征信息，对数据挖掘大有助益，但是目前大部分深度聚类算法仅仅关注目标用户的金融数据全局结构，并没有考虑目标用户的金融数据样本局部相似度的有效信息，这对于目标用户的金融边界数据点的聚类结果划分是不充分的；并且目标用户的金融数据样本之间的亲和度矩阵作为一个很重要的衡量近邻标准，初始化不够精准对于目标用户所属人群的聚类结果也会产生很大的影响，进而无法为用户推荐出准确的理财产品。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种理财产品推荐方法及系统，其能够为用户推荐出准确的理财产品。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种理财产品推荐方法，其包括：
[0008]获取理财用户数据；
[0009]基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；
[0010]其中，自编码神经网络模型的训练过程为：
[0011]采用理财用户数据预训练自编码神经网络模型；
[0012]将理财用户数据及其若干个最近邻数据拼接构成训练数据；
[0013]以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。
[0014]进一步地，采用理财用户数据预训练自编码神经网络模型的过程中，当到达预训
练设定的最大迭代次数或重构误差小于预训练设定的停止阈值。
[0015]进一步地，利用训练数据继续训练自编码神经网络模型的过程中，使用随机梯度下降法更新自编码神经网络模型的参数和聚类中心。
[0016]进一步地，所述自编码神经网络模型的损失函数包括输入到输出的误差、隐层特征做模糊聚类损失、理财用户数据与其最近邻数据之间的图约束项以及亲和度矩阵的熵项，所述亲和度矩阵使用高斯映射处理训练数据而得到。
[0017]进一步地，利用训练数据继续训练自编码神经网络模型的过程中，使用拉格朗日乘子法更新亲和度矩阵。
[0018]进一步地，所述理财用户数据的属性包括学历、收入、年龄、职业和地域分布。
[0019]进一步地，使用KNN算法处理得到理财用户数据的若干个最近邻数据。
[0020]本专利技术的第二个方面提供一种理财产品推荐系统，其包括：
[0021]理财用户数据获取模块，其用于获取理财用户数据；
[0022]推荐理财产品推荐模块，其用于基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；
[0023]其中，自编码神经网络模型的训练过程为：
[0024]采用理财用户数据预训练自编码神经网络模型；
[0025]将理财用户数据及其若干个最近邻数据拼接构成训练数据；
[0026]以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。
[0027]本专利技术的第三个方面提供一种计算机可读存储介质。
[0028]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的理财产品推荐方法中的步骤。
[0029]本专利技术的第四个方面提供一种计算机设备。
[0030]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，所述处理器执行所述程序时实现如上述所述的理财产品推荐方法中的步骤。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]本专利技术提出的网络模型以及目标函数能够适应如今海量大数据聚类问题，尤其在金融行业信息分析、用户刻画的时候，能够充分利用用户金融信息的局部相似度与全局结构的有效信息提高聚类精度，更好的分析预测当前金融风险投资。另外，通过引入熵项自动调优约束项，进一步提高数据聚类的有效性，更智能化的为不同职业如个体户、私营企业主、学生、白领等用户推荐更适合的理财产品，如货币理财，权益类理财，保险理财，票据理财等。
[0033]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0034]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0035]图1是本专利技术实施例的高维金融数据集示例图；
[0036]图2是本专利技术实施例的理财产品推荐方法流程图；
[0037]图3是本专利技术实施例的网络结构图及损失函数计算示意图；
[0038]图4是本专利技术实施例的理财产品推荐系统结构示意图。
具体实施方式
[0039]下面结合附图与实施例对本专利技术作进一步说明。
[0040]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0041]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0042]实施例一
[0043]如图2所示，本实施例提供了一种理财产品推荐方法，其具体包括如下步骤：
[0044]S101：获取理财用户数据。
[0045]如图1所示，获取的理财用户数据Raw Data(RD)，其中，个数为N，数据属性为D，如学历、收入、年龄、职业、地域分布等。
[0046]S102：基于理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种理财产品推荐方法，其特征在于，包括：获取理财用户数据；基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；将理财用户数据及其若干个最近邻数据拼接构成训练数据；以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。2.如权利要求1所述的理财产品推荐方法，其特征在于，采用理财用户数据预训练自编码神经网络模型的过程中，当到达预训练设定的最大迭代次数或重构误差小于预训练设定的停止阈值。3.如权利要求1所述的理财产品推荐方法，其特征在于，利用训练数据继续训练自编码神经网络模型的过程中，使用随机梯度下降法更新自编码神经网络模型的参数和聚类中心。4.如权利要求1所述的理财产品推荐方法，其特征在于，所述自编码神经网络模型的损失函数包括输入到输出的误差、隐层特征做模糊聚类损失、理财用户数据与其最近邻数据之间的图约束项以及亲和度矩阵的熵项，所述亲和度矩阵使用高斯映射处理训练数据而得到。5.如权利要求4所述的理财产品推荐方法，其特征在于，利用训练数据继续训练自编码神经网络模型的过程中，使用拉格朗日乘子法更...

【专利技术属性】
技术研发人员：周劲，赵海潇，韩士元，王琳，杜韬，纪科，张坤，赵亚欧，
申请(专利权)人：济南大学，
类型：发明
国别省市：