业务推荐方法及装置与流程

本发明涉及机器学习，具体而言，涉及一种业务推荐方法及装置。

背景技术：

1、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

1、本发明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。

2、根据本发明的一个实施例，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。

3、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。

4、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。

5、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。

6、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：logsparsetransformer算法。

7、根据本发明的另一个实施例，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。

8、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。

9、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。

10、根据本发明的又一个实施例，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。

11、根据本发明的又一个实施例，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。

12、通过本发明，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。

技术特征：

1.一种业务推荐方法，其特征在于，包括：

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：

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：

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，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述推荐模块，包括：

8.根据权利要求6所述的装置，其特征在于，所述推荐模块，还包括：

9.一种计算机可读存储介质，其特征在于，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所述权利要求1至5任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，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所述权利要求1至5任一项中所述的方法。

技术总结
本发明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，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。

技术研发人员：韩佳,张莹萱,丁焱
受保护的技术使用者：中国光大银行股份有限公司
技术研发日：
技术公布日：2024/1/14