用户偏好特征生成方法、推荐方法、设备、介质和产品与流程

摘要: 本技术涉及人工智能数据处理领域,尤其涉及用户偏好特征生成方法、推荐方法、设备、介质和产品。背景技术:1、随着金融科技的发展,自动柜员机作为银行服务的重要终端设备...
用户偏好特征生成方法、推荐方法、设备、介质和产品与流程

本技术涉及人工智能数据处理领域,尤其涉及用户偏好特征生成方法、推荐方法、设备、介质和产品。

背景技术:

1、随着金融科技的发展,自动柜员机作为银行服务的重要终端设备,其功能需求已从基础的现金存取、余额查询等扩展至理财、贵金属交易、保险购买等多元化服务。

2、现有的自动柜员机交互控制系统均采用固化式程序设计,针对全体使用用户,自动柜员机统一输出相同的操作界面、固定排布的功能菜单、标准化的业务操作流程,无法依据不同用户的使用特征进行差异化适配。现阶段自动柜员机固化统一的交互模式,因缺少用户偏好特征生成机制,无法适配差异化用户操作偏好,影响用户业务办理效率与使用体验。

3、因此,如何提供一种用户偏好特征生成方法,以便于依托偏好特征实现柜员机交互内容的个性化适配,是目前本领域亟待解决的技术问题。

技术实现思路

1、本技术实施例提供用户偏好特征生成方法、推荐方法、设备、介质和产品,用以生成能够表征用户操作习惯和需求倾向的用户偏好特征,以便于依托偏好特征实现柜员机交互内容的个性化适配。

2、第一方面,本技术实施例提供一种用户偏好特征生成方法,包括:获取目标用户的行为时序特征;

3、将行为时序特征输入预先训练的双向长短期记忆网络模型,得到融合特征向量,其中,双向长短期记忆网络模型在训练时按照训练样本的行为复杂度由低到高的顺序进行训练;

4、基于融合特征向量,得到用户偏好特征,并存储至数据库。

5、在一种可能的实施方式中,双向长短期记忆网络模型通过如下步骤训练得到:

6、获取训练样本集,训练样本集包括多个训练样本;

7、获取各训练样本的行为复杂度;

8、基于行为复杂度,对多个训练样本进行分批,得到多个批次的训练样本,其中,同批次的训练样本的行为复杂度相同;

9、按照行为复杂度由低到高的顺序,依次采用多个批次的训练样本对双向长短期记忆网络模型进行训练,直至满足预设收敛条件。

10、在一种可能的实施方式中,获取各训练样本的行为复杂度,包括:

11、针对各训练样本,基于训练样本中包含的行为类型,确定训练样本的行为复杂度。

12、在一种可能的实施方式中,基于融合特征向量,得到用户偏好特征,包括:

13、将融合特征向量,以及目标用户的用户属性,输入贝叶斯神经网络模型;

14、通过贝叶斯神经网络模型,基于先验概率以及用户属性,确定目标用户的概率向量;

15、基于概率向量对融合特征向量进行归一化处理,得到用户偏好特征。

16、在一种可能的实施方式中,方法还包括:

17、获取目标用户在使用关联应用程序时产生的历史行为数据;

18、从历史行为数据中提取各用户行为对应的时间戳、操作类型、持续时间、登录设备和交易数据,得到多个行为特征;

19、按照时间戳,对多个行为特征排序,得到目标用户的行为时序特征。

20、第二方面,本技术实施例提供一种自动柜员机的功能推荐方法,包括:

21、响应于银行卡插入操作,确定当前登录用户,并生成当前登录用户的偏好查询请求,以从数据库查询当前登录用户的偏好特征;偏好特征基于当前登录用户的融合特征向量得到,融合特征向量由预先训练的双向长短期记忆网络模型基于当前登录用户的行为时序特征生成,双向长短期记忆网络模型在训练时按照训练样本对应的行为复杂度由高到低的顺序进行训练;

22、若偏好查询请求的响应中包括当前登录用户的用户偏好特征,则根据用户偏好特征,确定推荐功能;

23、在自动柜员机的显示界面展示推荐功能对应的元素。

24、在一种可能的实施方式中,方法还包括:

25、若偏好查询请求的响应中不包括当前登录用户的偏好特征,则在自动柜员机界面展示默认界面;或者,

26、若偏好查询请求的响应中不包括当前登录用户的偏好特征,则生成偏好推理请求并发送至推理终端,以使推理终端将当前登录用户的行为时序特征输入本地部署的、预先训练的双向长短期记忆网络模型,得到融合特征向量,并基于融合特征向量,得到当前登录用户的用户偏好特征并下发至自动柜员机,其中,双向长短期记忆网络模型在训练时按照训练样本的行为复杂度由低到高的顺序进行训练;

27、接收用户偏好特征,并根据用户偏好特征,确定推荐功能;

28、在自动柜员机的显示界面展示推荐功能对应的元素。

29、第三方面,本技术实施例提供一种用户偏好特征生成装置,包括:

30、获取特征模块,用于获取目标用户的行为时序特征;

31、特征融合模块,用于将行为时序特征输入预先训练的双向长短期记忆网络模型,得到融合特征向量,其中,双向长短期记忆网络模型在训练时按照训练样本的行为复杂度由低到高的顺序进行训练;

32、用户偏好分析模块,用于基于融合特征向量,得到用户偏好特征,并存储至数据库。

33、在一种可能的实施方式中,用户偏好特征生成装置还包括:

34、网络模型训练模块,用于获取训练样本集,训练样本集包括多个训练样本;

35、获取各训练样本的行为复杂度;

36、基于行为复杂度,对多个训练样本进行分批,得到多个批次的训练样本,其中,同批次的训练样本的行为复杂度相同;

37、按照行为复杂度由低到高的顺序,依次采用多个批次的训练样本对双向长短期记忆网络模型进行训练,直至满足预设收敛条件。

38、在一种可能的实施方式中,网络模型训练模块,还用于:

39、针对各训练样本,基于训练样本中包含的行为类型,确定训练样本的行为复杂度。

40、在一种可能的实施方式中,用户偏好分析模块在执行基于融合特征向量,得到用户偏好特征时,用于:

41、将融合特征向量,以及目标用户的用户属性,输入贝叶斯神经网络模型;

42、通过贝叶斯神经网络模型,基于先验概率以及用户属性,确定目标用户的概率向量;

43、基于概率向量对融合特征向量进行归一化处理,得到用户偏好特征。

44、在一种可能的实施方式中,用户偏好特征生成装置还包括:

45、行为特征确定模块,用于获取目标用户在使用关联应用程序时产生的历史行为数据;

46、从历史行为数据中提取各用户行为对应的时间戳、操作类型、持续时间、登录设备和交易数据,得到多个行为特征;

47、按照时间戳,对多个行为特征排序,得到目标用户的行为时序特征。

48、第四方面,本技术实施例提供一种自动柜员机的功能推荐装置,包括:

49、偏好查询模块,用于响应于银行卡插入操作,确定当前登录用户,并生成当前登录用户的偏好查询请求,以从数据库查询当前登录用户的偏好特征;偏好特征基于当前登录用户的融合特征向量得到,融合特征向量由预先训练的双向长短期记忆网络模型基于当前登录用户的行为时序特征生成,双向长短期记忆网络模型在训练时按照训练样本对应的行为复杂度由高到低的顺序进行训练;

50、推荐功能查询模块,用于若偏好查询请求的响应中包括当前登录用户的用户偏好特征,则根据用户偏好特征,确定推荐功能;

51、功能展示模块,用于在自动柜员机的显示界面展示推荐功能对应的元素。

52、在一种可能的实施方式中,功能推荐装置,还包括:

53、默认界面展示模块,用于若偏好查询请求的响应中不包括当前登录用户的偏好特征,则在自动柜员机界面展示默认界面;或者,

54、偏好推理请求模块,用于若偏好查询请求的响应中不包括当前登录用户的偏好特征,则生成偏好推理请求并发送至推理终端,以使推理终端将当前登录用户的行为时序特征输入本地部署的、预先训练的双向长短期记忆网络模型,得到融合特征向量,并基于融合特征向量,得到当前登录用户的用户偏好特征并下发至自动柜员机,其中,双向长短期记忆网络模型在训练时按照训练样本的行为复杂度由低到高的顺序进行训练;

55、推荐功能查询模块,还用于接收用户偏好特征,并根据用户偏好特征,确定推荐功能;

56、功能展示模块,还用于在自动柜员机的显示界面展示推荐功能对应的元素。

57、第五方面,本技术实施例提供一种电子设备设备,包括:存储器,处理器;

58、存储器存储计算机执行指令;

59、处理器执行存储器存储的计算机执行指令,使得处理器执行如上第一方面和/或第一方面各种可能的实施方式;第二方面和/或第二方面各种可能的实施方式。

60、第六方面,本技术实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式;第二方面和/或第二方面各种可能的实施方式。

61、第七方面,本技术实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式;第二方面和/或第二方面各种可能的实施方式。

62、本技术实施例提供的用户偏好特征生成方法、推荐方法、设备、介质和产品,通过将目标用户的行为时序特征输入预先训练的双向长短期记忆网络模型,得到融合特征向量,其中,双向长短期记忆网络模型在训练时按照训练样本的行为复杂度由低到高的顺序进行训练。随后,基于融合特征向量,得到用户偏好特征,并存储至数据库。通过对目标用户历史行为进行时间序列化组织、利用按复杂度递进训练的双向长短期记忆网络模型提取双向上下文信息、并将提取结果转换为可存储可调用的偏好特征,形成了从行为采集、时序建模到偏好落库的完整处理链路。该用户偏好特征生成方法,解决了现阶段自动柜员机固化统一的交互模式的缺陷,有助于依托偏好特征实现柜员机交互内容的个性化适配。