一种基于机会挖掘的智能投顾推荐方法、装置及存储介质与流程
本技术属于数据处理,尤其是涉及一种基于机会挖掘的智能投顾推荐方法、装置及存储介质。
背景技术:
1、智能投顾算法(robo-advisory algorithm),是依托金融理论、大数据、机器学习/ai,自动完成用户风险测评、个性化资产配置、持仓动态调仓、风险监控全流程量化计算的一套算法体系,金融监管明确要求智能投顾算法具备透明化、可追溯、可审计、可复现四大特性,现有智能投顾个性化推荐方法普遍存在一系列核心技术缺陷,具体技术问题包括以下五点:
2、1.传统匹配方式仅支持同步关联分析,无法刻画用户行为影响投顾策略的时序滞后特性,与真实投资决策逻辑脱节;
3、2.现有机会挖掘技术聚焦市场标的挖掘,缺失针对用户行为与投顾策略的弱关联、异动型隐性适配机会挖掘能力;
4、3.传统keygraph算法依赖离散化统计,处理高维时序连续特征时易造成信息损耗,非线性关联拟合能力薄弱;
5、4.无法同步区分常态化稳定适配模式与低频高价值潜在适配机遇,适配场景覆盖不全;
6、5.缺乏标准化的时序滞后关联量化机制,导致后续行为共振匹配依据不足、精准度受限。
7、因此,现有的智能投顾个性化推荐方法多采用静态规则匹配、浅层特征相似度计算、同步特征映射等传统实现方式,核心技术模式固化,无法适配真实投资场景的时序关联特性。
技术实现思路
1、本发明要解决的技术问题是:为解决现有技术中用户投资行为对投顾策略的适配影响存在天然时序滞后性,行为变化无法即时体现在策略适配结果中,同时二者之间大量存在非线性、弱关联、异动型的隐性适配关系,传统同步匹配机制无法有效捕捉,导致策略匹配贴合度差、个性化不足的问题。
2、本发明解决其技术问题所采用的技术方案是:
3、一种基于机会挖掘的智能投顾推荐方法,包括以下步骤:
4、时序特征预定义:构建时序对齐、分别表征用户内生投资属性、投顾策略内生风格属性的用户时序行为特征向量序列与投顾策略时序特征向量序列;
5、数据预处理:采集时序原始数据,经预处理后,通过极值归一化完成特征标准化,得到规整带时序的特征向量序列;
6、时延感知机会挖掘:基于预设时延步长构建时延匹配样本,搭建含用户行为节点、投顾策略节点的时延感知异质图,通过图注意力网络完成节点深度特征编码,依托可微软聚类紧致约束开展稳态岛屿挖掘,结合簇内归属置信度、跨簇桥梁置信度和mlp(全连接网络)打分网络实现异动机遇挖掘,形成岛屿簇与桥梁节点,量化隐性关联并完成网络协同训练;
7、行为共振量化:基于用户行为与滞后投顾策略的隐性关联强度构建行为-策略机遇系数;基于用户长期投资行为的固有行为模式特征建立用户行为稳定性系数;结合用户行为稳定性系数与行为-策略机遇系数,计算得到表征用户与策略适配程度的行为共振指数;
8、个性化推荐权重生成与策略输出:基于行为共振指数对投顾策略排序并计算推荐权重,输出个性化投顾推荐方案。
9、在一可选的实施例中,所述时延感知异质图的搭建方式为:预设时延步长,构建时序滞后样本对并形成时延匹配样本集合;搭建包含用户行为节点、投顾策略节点的异质图,仅生成用户行为节点指向投顾策略节点的有向时延关联边,不构建同类节点边;图拓扑仅表征连通关系,边权重由图注意力网络自适应学习得到。
10、在一可选的实施例中,所述依托可微软聚类紧致约束开展稳态岛屿挖掘,结合簇内归属置信度、跨簇桥梁置信度和mlp打分网络实现异动机遇挖掘,形成岛屿簇与桥梁节点,量化隐性关联并完成网络协同训练的步骤包括:根据各节点的深度嵌入特征,计算节点对各预设岛屿簇的软归属概率,其中:为预设岛屿簇数量,为第个岛屿簇的可学习簇中心向量,为图注意力网络输出的节点的深度嵌入特征向量;构建簇内紧致损失,其中:为节点总数量,且;基于节点的软归属概率,计算节点的簇内归属置信度和跨簇桥梁置信度;将节点深度嵌入特征输入mlp打分网络,计算节点异动机遇得分;构建可微桥梁对比损失,其中,为极小数值保护常数;构建自监督联合总损失,其中:、、为损失平衡超参数,为网络参数正则项;所述自监督联合总损失同时约束岛屿簇结构化规整性与桥梁节点差异化辨识度,实现图注意力网络编码、可微自聚类、mlp打分网络的三模块协同迭代训练。
11、在一可选的实施例中,行为共振指数的计算公式为:,其中:的取值区间为[-1,1];正值表征用户行为与投顾策略正向适配共振,负值表征二者错配抑制,数值绝对值越大,适配或错配程度越显著。
12、在一可选的实施例中,行为-策略机遇系数的计算公式为:,式中,、分别为用户行为节点、投顾策略节点的深度嵌入特征;用于量化时序滞后场景下用户与策略的隐性关联强度,正负值分别对应正向、抑制型适配关联。
13、在一可选的实施例中,用户行为稳定性系数的计算公式为:,式中,为用户行为特征的标准差标量,为用户行为特征的均值标量;取值区间为,用于表征用户投资行为模式的固化可复现程度,作为适配系数的置信度修正因子。
14、在一可选的实施例中,策略的推荐权重计算公式为:
15、 ,式中,为极小保护常数,为备选策略总数量,为共振指数正向截断。
16、在一可选的实施例中,所述通过图注意力网络完成节点深度特征编码的步骤包括:
17、采用图注意力网络完成异质图节点的深度特征编码,通过多头注意力机制自适应分配时序邻域节点的关联权重,捕捉时延场景下用户行为与投顾策略的差异化非线性关联;
18、设多头注意力头数为,单层图注意力网络节点特征更新公式如下:
19、;
20、式中:为注意力头数;为图注意力网络层序号;为第层图注意力网络中,第个注意力头下目标节点与其邻域节点之间的注意力权重,为第层图注意力网络、第个注意力头独立对应的特征变换权重矩阵;不同网络层拥有各自独立的权重矩阵,同一层内部不同注意力头同样相互独立;为非线性激活函数,为领域节点输入第层网络的特征向量;代表目标节点的领域节点的集合。
21、在一可选的实施例中,所述的基于机会挖掘的智能投顾推荐方法还包括动态反馈闭环优化步骤:
22、持续采集用户对推荐策略的全维度交互反馈数据,动态调整各步骤参数,迭代更新个性化投顾推荐方案。
23、一种基于机会挖掘的智能投顾推荐装置,包括:
24、时序特征预定义模块,用于构建时序对齐、分别表征用户内生投资属性、投顾策略内生风格属性的用户时序行为特征向量序列与投顾策略时序特征向量序列;
25、数据预处理模块,用于采集时序原始数据,经预处理后,通过极值归一化完成特征标准化,得到规整带时序的特征向量序列;
26、时延感知机会挖掘模块,用于基于预设时延步长构建时延匹配样本,搭建含用户行为节点、投顾策略节点的时延感知异质图,通过图注意力网络完成节点深度特征编码,依托可微软聚类紧致约束开展稳态岛屿挖掘,结合簇内归属置信度、跨簇桥梁置信度和mlp打分网络实现异动机遇挖掘,形成岛屿簇与桥梁节点,量化隐性关联并完成网络协同训练;
27、行为共振量化模块,用于基于用户行为与滞后投顾策略的隐性关联强度构建行为-策略机遇系数;基于用户长期投资行为的固有行为模式特征建立用户行为稳定性系数;结合用户行为稳定性系数与行为-策略机遇系数,计算得到表征用户与策略适配程度的行为共振指数;
28、个性化推荐权重生成与策略输出模块,用于基于行为共振指数对投顾策略排序并计算推荐权重,输出个性化投顾推荐方案。
29、一种存储介质,其上存储有可执行程序,所述可执行程序被处理器执行时实现所述基于机会挖掘的智能投顾推荐方法的步骤。
30、本发明的有益效果是:本发明摒弃传统市场导向的机会挖掘逻辑与静态共现统计模式,创新实现用户行为-投顾策略双向时序滞后隐性机会挖掘,可精准捕捉传统算法无法识别的弱关联、异动型、滞后型适配机会。通过自定义时延采样机制还原投资决策的滞后响应特性,替代传统同步匹配方式,结合图注意力网络自适应学习非线性关联关系,彻底解决高维时序特征信息丢失、关联拟合能力薄弱的问题。依托岛屿-桥梁结构,同步覆盖常态化稳定适配模式与低频高价值潜在适配机遇,兼顾用户长期固定投资习惯与小众优质适配机会,突破传统单一匹配模式的局限性。构建行为共振指数量化体系,结合用户行为稳定性降噪修正,实现适配效果的精准量化,有效解决传统智能投顾推荐同质化、浅层化、适配度低的痛点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com