【技术实现步骤摘要】
本专利技术涉及算法，尤其涉及一种基于多目标多任务的推荐方法、系统及装置。
技术介绍
1、现有的理财产品推荐领域中，都是通过转化率预估技术进行推荐的，能够精准地衡量用户购买或投资某一理财产品的可能性。转化率预估技术是通过深度挖掘用户行为数据，分析用户的理财偏好和意图进而提供个性化推荐服务。不仅提升了推荐精准性，也极大地增强了用户体验，能够满足用户多样化的投资需求。
2、但是，目前还会存在以下问题：
3、尽管用户从曝光页面被引导至购买理财产品的页面，但真正完成购买的用户数量却寥寥无几，导致这一环节的转化率极不理想。从建模优化的角度来看，由于转化环节所收集到的正面样本（即实际购买的用户数据）数量极其有限，这使得在优化模型以提高购买目标时面临了相当大的难度。
4、用户的购买理财意愿存在显著的差异。具体而言，那些选择在理财产品页面完成交易的用户，普遍展现出了强烈的购买理财产品的意愿。进一步来说，即便是同一个用户，在面对不同商品时，他们的购买意愿也会有所不同。例如，男性用户往往更倾向于电子设备类 ，而女性用户则更偏爱化妆品类。因此，如果能精准地识别出用户对理财产品的购买意愿，这无疑将极大地提高的用户转化率。
技术实现思路
1、本专利技术针对现有技术中的缺点，提供了一种基于多目标多任务的推荐方法、系统及装置。
2、为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
3、一种基于多目标多任务的推荐方法，包括以下步骤：
5、基于用户相关数据及理财相关数据形成特征集，所述特征集包括用户特征集、理财相关特征集、交叉特征集、序列特征集及意向特征集；
6、构建产品推荐预训练模型，所述产品推荐预训练模型包括输入层、共享特征结构层、子任务层及目标融合层，输入层接收用户特征集、理财相关特征集、交叉特征集、序列特征集及意向特征集，共享特征结构层对用户特征集、理财相关特征集、交叉特征集、序列特征集及意向特征集分别进行处理以得到共享特征集及融合意向特征集，子任务层对共享特征集及融合意向特征集分别进行处理得到至少四个概率及意向概率，目标融合层将所有概率进行融合得到总概率；
7、基于特征集对产品推荐预训练模型进行训练，得到产品推荐模型；
8、所述产品推荐模型对目标相关数据进行推理预测，得到总概率进而得到理财产品推荐结果。
9、作为一种可实施方式，基于用户相关数据得到用户特征集，基于理财相关数据得到理财相关特征集，基于用户特征集及理财相关数据得到交叉特征集，其中，理财相关数据包括点击行为标签、申购按钮行为标签、签署风险确认书标签及申购行为标签。
10、作为一种可实施方式，所述基于用户特征集及理财相关数据得到交叉特征集，包括以下步骤：
11、所述用户特征至少包括用户属性特征、用户设备特征、用户活跃度特征及用户理财偏好特征中的一种或多种；
12、基于用户特征得到用户对理财相关数据的偏好程度，进而得到偏好程度得分；
13、基于偏好程度得分确定用户特征与理财相关数据的交叉特征；
14、所述偏好程度得分，通过以下方式得到：
15、
16、其中，表示用户对理财相关数据的偏好程度得分，表示调整项，表示第权重系数，表示用户特征的函数映射，表示理财相关数据的函数映射，表示用户特征的数量。
17、作为一种可实施方式，所述序列特征，通过以下方式得到：
18、所述理财相关数据还包括序列数据，所述序列数据通过向量表示转换，得到相应的向量特征，将所述向量特征经过池化操作及聚合形成序列特征。
19、作为一种可实施方式，所述意向特征集至少包括个人资产特征、风险承受能力、投资偏好及投资经验，包括以下过程：
20、获取历史时段的用户行为数据，至少包括浏览行为数据、点击行为数据、添加行为数据、收藏行为数据及购买行为数据；
21、对用户行为数据进行抽样，得到意图行为数据；
22、对意图行为数据进行分析，判断用户是否触发购买动作并分析统计用户触发购买动作的次数及购买动作的时间；
23、基于用户触发购买动作的次数及购买动作的时间，判断用户是否具有理财意向，若多次查看或了解详细信息，则表示用户具有意向；
24、构建用户画像，得到用户相关的意向特征集。
25、作为一种可实施方式，所述对用户行为数据进行抽样，得到意图行为数据，包括以下步骤：
26、判断用户行为数据是否存在异常数据；
27、若存在，则将异常数据剔除，若不存在，则基于抽样估计模型计算用户行为数据的抽样估计值，选择抽样估计值大于预设阈值的用户行为数据作为合格的意图行为数据；
28、所述抽样估计模型，表示如下：
29、
30、其中，表示抽样估计值，表示第个用户行为数据的抽样概率，表示用户行为数据总数量，，，表示用户行为数据产生的时间间隔，表示间隔时间，表示单位时间内用户行为数据产生的平均次数；为自然对数的底数；表示间隔时间的用户行为数据；为第i个用户行为数据的权重。
31、作为一种可实施方式，所述共享特征结构层对用户特征集、理财相关特征集、交叉特征集、序列特征集及意向特征集分别进行处理以得到共享特征集及融合意向特征集，包括以下步骤：
32、对用户特征集、相关特征集、交叉特征集及序列特征集进行拼接，得到共享特征集；
33、将所述共享特征集与意向特征集进行融合，得到融合意向特征集；
34、所述共享特征集，表示如下：
35、
36、所述融合意向特征集，表示如下：
37、
38、其中，表示用户特征集，表示理财相关特征集，表示交叉特征集，表示序列特征集，表示意向特征集，表示共享特征集，表示融合意向特征集，表示用户特征的向量表示，表示理财相关特征的向量表示，表示交叉特征的向量表示，表示序列特征，表示序列特征的向量表示，表示意向特征的向量表示。
39、作为一种可实施方式，还包括以下步骤：
40、构建损失函数，对训练过程进行优化；
41、所述损失函数，表示如下：
42、
43、
44、
45、
46、
47、
48、其中，、、、、及分别表示不同目标行为的真实标签，、、、、及分别表示不同目标行为的预测概率，分别表示不同目标行为的样本数量。
49、作为一种可实施方式，所述目标融合层将所有概率进行融合得到总概率，包括以下步骤：
50、将第一概率和第二概率进行融合，得到第一融合概率；
51、将第一融合概率和第三概率进行融合，得到本文档来自技高网...
【技术保护点】
1.一种基于多目标多任务的推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，基于用户相关数据得到用户特征集，基于理财相关数据得到理财相关特征集，基于用户特征集及理财相关数据得到交叉特征集，其中，理财相关数据包括点击行为标签、申购按钮行为标签、签署风险确认书标签及申购行为标签。
3.根据权利要求2所述的基于多目标多任务的推荐方法，其特征在于，所述基于用户特征集及理财相关数据得到交叉特征集，包括以下步骤：
4.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述序列特征，通过以下方式得到：
5.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述意向特征集至少包括个人资产特征、风险承受能力、投资偏好及投资经验，包括以下过程：
6.根据权利要求5所述的基于多目标多任务的推荐方法，其特征在于，所述对用户行为数据进行抽样，得到意图行为数据，包括以下步骤：
7.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述共享特征结构层对用户特
8.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，还包括以下步骤：
9.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述目标融合层将所有概率进行融合得到总概率，包括以下步骤：
10.根据权利要求9所述的基于多目标多任务的推荐方法，其特征在于，还包括以下步骤：
11.一种基于多目标多任务的推荐系统，其特征在于，包括：
12.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任意一项所述的方法。
13.一种基于多目标多任务的推荐装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10任意一项所述的方法。
...【技术特征摘要】
1.一种基于多目标多任务的推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，基于用户相关数据得到用户特征集，基于理财相关数据得到理财相关特征集，基于用户特征集及理财相关数据得到交叉特征集，其中，理财相关数据包括点击行为标签、申购按钮行为标签、签署风险确认书标签及申购行为标签。
3.根据权利要求2所述的基于多目标多任务的推荐方法，其特征在于，所述基于用户特征集及理财相关数据得到交叉特征集，包括以下步骤：
4.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述序列特征，通过以下方式得到：
5.根据权利要求1所述的基于多目标多任务的推荐方法，其特征在于，所述意向特征集至少包括个人资产特征、风险承受能力、投资偏好及投资经验，包括以下过程：
6.根据权利要求5所述的基于多目标多任务的推荐方法，其特征在于，所述对用户行为数据进行抽样，得到意图行为数据，包括以下步骤：
7.根据权利要求1所述的基于多目标多任...
【专利技术属性】
技术研发人员：王一华，龚淑琴，林晖晖，杜真真，
申请(专利权)人：浙商证券股份有限公司，
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。