一种基于定向筛选的金融产品实时推荐方法与流程

技术特征：
1.一种基于定向筛选的金融产品实时推荐方法，其特征在于，包括以下步骤：预先采集用户信息、行为信息和金融产品信息，并对采集信息进行数据预处理；基于用户行为信息不同权重进行评分，获取评分矩阵，并分解分别获取用户特征向量和金融产品特征向量；基于用户特征向量和金融产品特征向量，分别获取用户和金融产品根据时间序列的向量，并作为transformer推荐模型的输入，分别获取用户预测评分向量和金融产品预测评分向量；对用户预测评分向量和金融产品预测评分向量做内积实现评分预测，获取预测评分矩阵；基于预测评分矩阵，对每个用户生成金融产品推荐列表。2.根据权利要求1所述的基于定向筛选的金融产品实时推荐方法，其特征在于，所述数据预处理，包括以下步骤：预先读取数据信息；对读取的数据信息进行数据集成；进行过滤无效信息；获取用户行为权重评分；对数据进行标准化处理。3.根据权利要求2所述的基于定向筛选的金融产品实时推荐方法，其特征在于，步骤所述进行过滤无效信息，包括以下步骤：过滤在一年内有过点击行为的用户，作为当前有效用户；过滤删除已下架的金融产品。4.根据权利要求2所述的基于定向筛选的金融产品实时推荐方法，其特征在于，步骤所述对数据进行标准化处理，包括以下步骤：对原始数据进行线性变换，使所有数据落在[0,1]的区间内，表示为：其中，max{x
j
}为数据集中的最大值，min{x
j
}为数据集中的最小值。5.根据权利要求1所述的基于定向筛选的金融产品实时推荐方法，其特征在于，步骤所述分别获取用户和金融产品根据时间序列的向量，包括以下步骤：基于用户对金融产品操作的时间顺序将用户对金融产品行为评分进行排序，并基于自编码器对高维稀疏向量进行数据降维，分别表示为：y
i,t
＝encoder(x
i,t
)；y
j,t
＝encoder(x
j,t
)；其中，x
i,t
为时间t用户i对产品的评分向量，x
j,t
为时间t产品j的用户评分向量，y
i,t
和y
j,t
为经过降维后的低维向量。6.根据权利要求5所述的基于定向筛选的金融产品实时推荐方法，其特征在于，所述transformer推荐模型，包括：self-attention层和feed forward neural network层。7.根据权利要求6所述的基于定向筛选的金融产品实时推荐方法，其特征在于，所述
self-attention层，包括以下步骤：将序列中的用户或金融产品的低维向量y
i,t
和y
j,t
作为输入，用户向量{y
i,0
,y
i,1
,
…
,y
i,t
}记成矩阵e，金融产品向量{y
j,0
,y
j,1
,
…
,y
j,t
}记成矩阵e'；进行为每个用户创建query、key和value向量，分别得到投影矩阵，表示为：wq,wk和wv；进行转化query、key和value表示为矩阵形式，表示为：query＝ew
q
,key＝ew
k
,value＝ewv；将q，k，v矩阵输入attention层中，表示为：其中，d是输入的用户向量的维度；获取矩阵s，表示为：s＝mh(e)＝concat(head1,head2,
…
head
n
)e'；其中，mh为多头注意模型。8.根据权利要求7所述的基于定向筛选的金融产品实时推荐方法，其特征在于，所述feed forward neural network层，包括以下步骤：基于获取矩阵s，进行对矩阵s增加ffn增强非线性，获取矩阵f，表示为：s'＝layernorm(s dropout(mh(s)))；f＝layernorm(s
′
deopout(leakyrelu(s
′
w1 b1)w2b2))；其中，w1，b1，w2，b2为可学习参数；再将矩阵f还原拆解成用户向量n和金融产品向量m；其中，n
i,t
表示在时间t处用户i的评分，m
j,t
表示在时间t处金融产品j的评分。9.根据权利要求8所述的基于定向筛选的金融产品实时推荐方法，其特征在于，步骤所述获取预测评分矩阵，包括以下步骤：将获取的用户向量n和金融产品向量m求内积作为预测评分，表示为:进行预测用户i在时间t对金融产品j的评分；基于评分高低，对每个用户生成金融产品推荐列表。10.根据权利要求9所述的基于定向筛选的金融产品实时推荐方法，其特征在于，还包括以下步骤：进行确定新用户对产品的偏好度，包括以下步骤：预先确定当前新用户特征相似的用户群，若当前新用户属于用户特征群si时，该新用户对产品的喜好度，表示为：其中，p
j
为第j组用户群对该产品的喜好程度，s
i
∩s
j
表示用户群s
i
与用户群s
j
的特征交集，s
i
∪s
j
表示用户群s
i
与用户群s
j
的特征并集；
基于获取的金融产品推荐列表，对列表中所有的产品进行喜好用户匹配，获取喜好度评分表，根据喜好度评分表对推荐列表进行重新排序，得到依据新用户偏好度的重排序推荐列表，表示为：确定选取列表中前n个产品为新用户的推荐列表。

技术总结
本发明公开了一种基于定向筛选的金融产品实时推荐方法，涉及金融产品技术领域，包括以下步骤：预先采集用户信息、行为信息和金融产品信息，并对采集信息进行数据预处理；基于用户行为信息不同权重进行评分，获取评分矩阵，并分解分别获取用户特征向量和金融产品特征向量；基于用户特征向量和金融产品特征向量，分别获取用户和金融产品根据时间序列的向量。本发明对不同用户的定向筛选及个性化精准推荐，同时提高用户对金融产品的选择率，并提高金融产品推荐的有效性，防止过多的不符合客户需求的无效的金融产品推荐造成用户服务体验感降低的问题发生，以及解决了目前不能较准确的将用户所需要和偏好的金融产品推荐给用户的问题。户的问题。户的问题。


技术研发人员：吴炜韡
受保护的技术使用者：安徽财金信息科技有限公司
技术研发日：2022.08.19
技术公布日：2022/11/8