业务推荐方法及装置制造方法及图纸

本发明专利技术提供了一种业务推荐方法及装置。该方法包括：基于多类型金融数据获取金融时序数据集，并将所述金融时序数据集与自然语言通用数据集进行合并，得到合并数据集；基于所述合并数据集，对堆叠注意力机制模型进行模型训练；将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，得到所述目标用户在未来时序的金融反馈数据，根据所述金融反馈数据向所述目标用户进行业务推荐。通过本发明专利技术，解决了相关技术中已有的关注时序问题的算法受其架构的限制，无法关注到一个相对长时间的时序，以及单一的金融时序类数据，会导致业务推荐不够准确的问题，达到提高业务推荐准确性的效果。的效果。的效果。

【技术实现步骤摘要】
业务推荐方法及装置


[0001]本专利技术涉及机器学习
，具体而言，涉及一种业务推荐方法及装置。

技术介绍

[0002]在相关技术中，已有的针对金融服务行业的业务推荐方法和技术，主要依据客户画像和客户经理画像，以及采用人工智能算法进行运算推荐，其中，人工智能算法多基于波尔茨曼机或者更新一些的LSTM、RNN网络等，但这种推荐方法下的推荐准确度较低，背后的原因是传统的基于统计学的方法是对于客户的点线面的画像，可能观察到了足够多的用户的所谓维度，比如资产与负债，甚至会有一些算法去关注客户的计算机鼠标点击频率与次数等信息，但是本质上客户行为与其金融相关属性是一个随着时间而不断变化的过程。传统的统计学即便发挥到极致也无法将这个时间行为的序列纳入其中，因此，出现了关注时序问题的算法，如RNN与LSTM架构算法，但由于上述算法受其架构的限制无法关注到一个相对长时间的时序，依然会影响业务推荐的准确性。

技术实现思路

[0003]本专利技术实施例提供了一种业务推荐方法及装置，以至少解决相关技术中已有的关注时序问题的算法受其架构的限制，无法关注到一个相对长时间的时序，以及单一的金融时序类数据，会导致业务推荐不够准确的问题。
[0004]根据本专利技术的一个实施例，提供了一种业务推荐方法，包括：基于多类型金融数据获取金融时序数据集，并将所述金融时序数据集与自然语言通用数据集进行合并，得到合并数据集；基于所述合并数据集，对堆叠注意力机制模型进行模型训练；将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，得到所述目标用户在未来时序的金融反馈数据，根据所述金融反馈数据向所述目标用户进行业务推荐。
[0005]在一个示例性实施例中，将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，包括：将所述目标用户的金融时序数据编写为特定金融时序信息文本，以进行约束性控制输入。
[0006]在一个示例性实施例中，将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，包括：根据参照物经典统计模型评估所述目标用户的各项指标数据，以得到所述目标区用户在未来时序的金融反馈数据。
[0007]在一个示例性实施例中，所述金融数据至少包括以下之一：行业情况、金融市场以及另类数据的金融时序数据集。
[0008]在一个示例性实施例中，所述堆叠注意力机制模型采用的算法包括：LogSparse Transformer算法。
[0009]根据本专利技术的另一个实施例，提供了一种业务推荐装置，包括：合并模块，用于基于多类型金融数据获取金融时序数据集，并将所述金融时序数据集与自然语言通用数据集进行合并，得到合并数据集；训练模块，用于基于所述合并数据集，对堆叠注意力机制模型
进行模型训练；推荐模块，用于将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，得到所述目标用户在未来时序的金融反馈数据，根据所述金融反馈数据向所述目标用户进行业务推荐。
[0010]在一个示例性实施例中，所述推荐模块，包括：编写单元，用于将所述目标用户的金融时序数据编写为特定金融时序信息文本，以进行约束性控制输入。
[0011]在一个示例性实施例中，所述推荐模块，还包括：评估单元，用于根据参照物经典统计模型评估所述目标用户的各项指标数据，以得到所述目标区用户在未来时序的金融反馈数据。
[0012]根据本专利技术的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0013]根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
[0014]通过本专利技术，由于在金融时序数据集中合并了自然语言通用数据集，使得数据集更全面，同时，通过堆叠注意力机制能够处理更长的时间序列，，能够保证训练模型的注意力不丢失。因此，可以解决相关技术中已有的关注时序问题的算法受其架构的限制，无法关注到一个相对长时间的时序，以及单一的金融时序类数据，会导致业务推荐不够准确的问题，达到提高业务推荐准确性的效果。
附图说明
[0015]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，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。在附图中：
[0016]图1是本专利技术实施例的运行业务推荐方法的计算机终端的硬件结构框图；
[0017]图2是根据本专利技术实施例的业务推荐方法的流程图；
[0018]图3是根据本专利技术实施例的业务推荐装置的结构框图；
[0019]图4是根据本专利技术另一实施例的业务推荐装置的结构框图；
[0020]图5是根据本专利技术实施例的堆叠注意力机制相对于传统transformer的架构比较的示意图；
[0021]图6是根据本专利技术实施例的一种基于时序的推荐客户的方法；
[0022]图7是根据本专利技术实施例的任务流程示意图。
具体实施方式
[0023]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0024]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0025]实施例1
[0026]本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本专利技术实施例的运行业务推荐方法的计
算机终端的硬件结构框图。如图1所示，计算机终端100可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0027]存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本专利技术实施例中的业务推荐方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端100。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。
[0028]传输设备106用于经由一个网络接收或者发送本文档来自技高网...

【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，包括：基于多类型金融数据获取金融时序数据集，并将所述金融时序数据集与自然语言通用数据集进行合并，得到合并数据集；基于所述合并数据集，对堆叠注意力机制模型进行模型训练；将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，得到所述目标用户在未来时序的金融反馈数据，根据所述金融反馈数据向所述目标用户进行业务推荐。2.根据权利要求1所述的方法，其特征在于，将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，包括：将所述目标用户的金融时序数据编写为特定金融时序信息文本，以进行约束性控制输入。3.根据权利要求1所述的方法，其特征在于，将目标用户的金融时序数据输入训练后的所述堆叠注意力机制模型中，包括：根据参照物经典统计模型评估所述目标用户的各项指标数据，以得到所述目标区用户在未来时序的金融反馈数据。4.根据权利要求1所述的方法，其特征在于，其中，所述金融数据至少包括以下之一：行业情况、金融市场以及另类数据的金融时序数据集。5.根据权利要求1所述的方法，其特征在于，其中，所述堆叠注意力机制模型采用的算法包括：LogSparse Transformer算法。6.一种业务推荐装置...

【专利技术属性】
技术研发人员：韩佳，张莹萱，丁焱，
申请(专利权)人：中国光大银行股份有限公司，
类型：发明
国别省市：