业务推荐方法、装置、计算机设备和存储介质制造方法及图纸

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。果。果。

【技术实现步骤摘要】
业务推荐方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，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。

技术介绍

[0002]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。

技术实现思路

[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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：
[0012]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；
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]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。
[0018]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。
[0019]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
[0020]图1为一个实施例中业务推荐方法的应用环境图；
[0021]图2为一个实施例中业务推荐方法的流程示意图；
[0022]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；
[0023]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；
[0024]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；
[0025]图6为一个实施例中长短期记忆网络的结构示意图；
[0026]图7为一个实施例中业务推荐装置的模块示意图；
[0027]图8为一个实施例中计算机设备的内部结构图；
[0028]图9为另一个实施例中计算机设备的内部结构图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王远楷，饶宇熹，黄淋，黎明欣，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：