【技术实现步骤摘要】
本申请涉及大数据领域、金融科技领域以及其他相关，具体而言，涉及一种模型输入向量的生成方法、装置、存储介质及电子设备。
技术介绍
1、在大数据领域中，技术人员通常将用户对应的多个具有相同业务特征的数据(例如，具有时序关系的金融数据)输入至神经网络模型进行分析，从而预测用户在未来时间段的某一种的行为特征，然而，多个用户对应的具有相同业务特征的数据往往具有较高的信息冗余，因此，在现有技术中，技术人员直接将多个具有相同业务特征的数据输入至神经网络模型，在神经网络模型的输入数据的数量过多的情况下，会造成神经网络模型的计算数据量增加，从而造成神经网络模型运行时间超时或者运行中断的问题，进而导致神经网络模型运行效率低的技术问题。
2、针对上述技术问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请提供了一种模型输入向量的生成方法、装置、存储介质及电子设备，以至少解决现有技术中神经网络模型的输入数据的数量较多所导致的神经网络模型运行效率低的技术问题。
2、根据本申请的一个方面，提供了一种模型输入向量的生成方法，包括：获取目标用户对应的m个第一向量，其中，m为大于1的整数，m个第一向量中的每个第一向量用于表征目标用户在一个预设周期内购买金融产品的总金额；依据每个第一向量对应的预设周期的开始时刻对m个第一向量进行排序，得到目标序列；依据目标序列生成神经网络模型的模型输入向量，其中，模型输入向量为一维形式的向量，神经网络模型用于通过模型训练过程中所学习的先验知识基于模型输
3、可选地，模型输入向量的生成方法还包括：获取目标用户对应的l个交易数据，其中，l为大于1的整数，l个交易数据中的每个交易数据至少包括目标用户购买金融产品对应的支付金额和支付时间；依据每个交易数据对应的支付时间对l个交易数据进行划分，得到m+1个交易集合，其中，m+1个交易集合中的每个交易集合包括l个交易数据中的至少两个交易数据，并且每个交易集合中的任意两个交易数据之间的支付时间之差小于或等于预设周期；依据m+1个交易集合确定m个第一向量。
4、可选地，模型输入向量的生成方法还包括：基于m+1个交易集合生成m+1个交易向量，其中，m+1个交易向量中的每个交易向量对应m+1个交易集合中的一个交易集合，并且每个交易向量用于表征该交易向量对应的交易集合中包括的所有交易数据对应的支付金额之和；依据每个交易向量对应的预设周期的开始时刻确定m+1个交易向量中的目标交易向量，其中，目标交易向量为m+1个交易向量中的预设周期的开始时刻最晚的交易向量；将m+1个交易向量中除目标交易向量之外的m个交易向量确定为m个第一向量。
5、可选地，模型输入向量的生成方法还包括：依据每个第一向量对应的预设周期的开始时刻确定m个第一向量中的第一目标向量，其中，第一目标向量为m个第一向量中的预设周期的开始时刻最晚的第一向量；获取m个第一向量所对应的m个存储单元，其中，m个存储单元与m个第一向量之间一一对应；将第一目标向量存储至m个存储单元中的第i个存储单元，其中，i-1等于目标值，目标值为m除以2向下取整得到的整数值；根据m个第一向量中的每个第一向量对应的预设周期的开始时刻与第一目标向量的预设周期的开始时刻之间的时间间隔，并且将m个第一向量中除第一目标向量之外的m-1个第一向量组成第一序列；按照优先填充至与第i个存储单元最相邻的存储单元的原则，依次将第一序列中的m-1个第一向量填充至m个存储单元中除第i个存储单元之外的m-1个存储单元，其中，第一向量集合中m-1个第一向量与m-1个存储单元之间一一对应。
6、可选地，模型输入向量的生成方法还包括：通过卷积子模型对目标序列对应的m个第一向量执行卷积操作，得到卷积结果，其中，卷积子模型至少包括目标卷积核，目标卷积核的维度等于m与预设阈值的乘积；通过与卷积子模型相连接的池化子模型依据卷积结果生成第一特性向量，其中，第一特征向量用于表征目标用户在一个预设周期内购买金融产品的平均金额；通过与卷积子模型相连接的输出子模型依据第一特征向量与预设周期之间的对应关系确定与未来时间段相对应的模型输入向量，其中，输出子模型与神经网络模型相连接，输出子模型还用于将模型输入向量输入至神经网络模型。
7、可选地，模型输入向量的生成方法还包括：依据x个用户中的每个用户对应的交易信息确定该用户对应的y个第二向量，其中，y为大于1的整数，每个用户对应的第二向量用于表征该用户在一个预设周期内所购买的金融产品的总金额；确定x个用户中的每个用户对应的y个第二向量中的第二目标向量，其中，每个用户对应的第二目标向量为该用户对应的y个第二向量中的预设周期的开始时刻最晚的第二向量；将每个用户对应的第二目标向量作为该用户对应的预测标签；依据每个用户对应的除第二目标向量之外的y-1个第二向量和预测标签生成第一模型。
8、可选地，模型输入向量的生成方法还包括：将模型输入向量、目标交易向量以及金融产品的种类输入至神经网络模型，得到神经网络模型输出的目标用户对应的用户画像，其中，用户画像用于表征目标用户在未来时间段内对每种金融产品的购买金额对应的量级区间。
9、根据本申请的另一个方面，还提供了一种模型输入向量的生成装置，包括：获取单元，用于获取目标用户对应的m个第一向量，其中，m为大于1的整数，m个第一向量中的每个第一向量用于表征目标用户在一个预设周期内购买金融产品的总金额；排序单元，用于依据每个第一向量对应的预设周期的开始时刻对m个第一向量进行排序，得到目标序列；第一生成单元，用于依据目标序列生成神经网络模型的模型输入向量，其中，模型输入向量为一维形式的向量，神经网络模型用于通过模型训练过程中所学习的先验知识基于模型输入向量预测目标用户在未来时间段对金融产品的购买金额。
10、根据本申请的另一个方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的模型输入向量的生成方法。
11、根据本申请的另一个方面，还提供了一种电子设备，其中，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项的模型输入向量的生成方法。
12、在本申请中，首先获取目标用户对应的m个第一向量，其中，m为大于1的整数，m个第一向量中的每个第一向量用于表征目标用户在一个预设周期内购买金融产品的总金额，之后，依据每个第一向量对应的预设周期的开始时刻对m个第一向量进行排序，得到目标序列，然后，依据目标序列生成神经网络模型的模型输入向量，其中，模型输入向量为一维形式的向量，神经网络模型用于通过模型训练过程中所学习的先验知识基于模型输入向量预测目标用户在未来时间段对金融产品的购买金额。
13、由上述内容可知，本申请在获取目标用户对应的m个第一本文档来自技高网...
【技术保护点】
1.一种模型输入向量的生成方法，其特征在于，包括：
2.根据权利要求1所述的模型输入向量的生成方法，其特征在于，获取目标用户对应的M个第一向量，包括：
3.根据权利要求2所述的模型输入向量的生成方法，其特征在于，依据所述M+1个交易集合确定所述M个第一向量，包括：
4.根据权利要求1所述的模型输入向量的生成方法，其特征在于，依据所述每个第一向量对应的预设周期的开始时刻对所述M个第一向量进行排序，得到目标序列，包括：
5.根据权利要求1所述的模型输入向量的生成方法，其特征在于，依据所述目标序列生成神经网络模型的模型输入向量，包括：
6.根据权利要求5所述的模型输入向量的生成方法，其特征在于，所述卷积子模型、所述池化子模型以及所述输出子模型组成第一模型，其中，所述第一模型通过以下步骤训练得到：
7.根据权利要求3所述的模型输入向量的生成方法，其特征在于，在依据所述目标序列生成神经网络模型的模型输入向量之后，所述模型输入向量的生成方法还包括：
8.一种模型输入向量的生成装置，其特征在于，包括：
<...【技术特征摘要】
1.一种模型输入向量的生成方法，其特征在于，包括：
2.根据权利要求1所述的模型输入向量的生成方法，其特征在于，获取目标用户对应的m个第一向量，包括：
3.根据权利要求2所述的模型输入向量的生成方法，其特征在于，依据所述m+1个交易集合确定所述m个第一向量，包括：
4.根据权利要求1所述的模型输入向量的生成方法，其特征在于，依据所述每个第一向量对应的预设周期的开始时刻对所述m个第一向量进行排序，得到目标序列，包括：
5.根据权利要求1所述的模型输入向量的生成方法，其特征在于，依据所述目标序列生成神经网络模型的模型输入向量，包括：
6.根据权利要求5所述的模型输入向量的生成方法，其特征在于，所述卷积子模型、所述池化子模型以及所述输出子模型组成第一模型，其中，...
【专利技术属性】
技术研发人员：文弘扬，贾小茹，王一喆，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。