CN117635267A - 金融产品的推荐方法、装置、设备及存储介质 - Google Patents
金融产品的推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117635267A CN117635267A CN202311657240.4A CN202311657240A CN117635267A CN 117635267 A CN117635267 A CN 117635267A CN 202311657240 A CN202311657240 A CN 202311657240A CN 117635267 A CN117635267 A CN 117635267A
- Authority
- CN
- China
- Prior art keywords
- financial product
- local
- product recommendation
- recommendation model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004821 distillation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000013140 knowledge distillation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种金融产品的推荐方法、装置、设备及存储介质，该方法包括：对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。本发明实施例，各分行服务器通过各自的目标本地金融产品推荐模型进行金融产品推荐的方式，可以提高金融产品的推荐准确率。
Description
技术领域
本发明实施例涉及推荐技术领域，尤其涉及一种金融产品的推荐方法、装置、设备及存储介质。
背景技术
随着社会智能化发展，智慧金融掀起浪潮，大数据、人工智能等技术被应用于金融领域，使金融行业在业务流程、业务开拓和客户服务等方面得到全面的智慧提升。于银行而言，向数字化、智能化发展形成趋势，通过构建智能模型，形成了诸如智能理财推荐等智能产品，从而推进金融业务智能化、便捷化。机器学习被用于金融场景，通过使用统计模型进行总结、推断和预测，基于金融大数据，在经验中学习，然后将训练的模型应用于实际场景。传统的机器学习方法是：收集所有分行数据到中心服务器进行统一处理形成集中式智能模型，这种智能模型无法适应各个分行的个性化需求，从而各分行无法向目标对象精准推荐金融产品。
发明内容
本发明实施例提供一种金融产品的推荐方法、装置、设备及存储介质，可以提高金融产品的推荐准确率。
第一方面，本发明实施例提供了一种金融产品的推荐方法，包括：对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
第二方面，本发明实施例还提供了一种金融产品的推荐装置，包括：本地目标对象的数据获取模块，用于对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；金融产品推荐模块，用于将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例任一项所述的金融产品的推荐方法。
第四方面，本发明实施例还提供了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指令，所述计算机指令用于使处理器执行时实现本发明实施例中任一项所述金融产品的推荐方法。
本实施例的技术方案，对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。本发明实施例，各分行服务器通过各自的目标本地金融产品推荐模型对各自的本地目标对象进行金融产品推荐的方式，可以提高金融产品的推荐准确率。
附图说明
图1为本发明实施例提供的一种金融产品的推荐方法的流程图；
图2为本发明实施例提供的目标本地金融产品推荐模型训练流程示意图；
图3为本发明实施例提供的一种金融产品的推荐装置的结构示意图；
图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
图1为本发明实施例提供的一种金融产品的推荐方法的流程图，本实施例可适用于各分行对本地目标对象进行金融产品推荐的情况，示例性的，金融产品可以为理财产品；该方法可以由金融产品的推荐装置来执行，具体包括如下步骤：
S110、对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据。
需要说明的是，银行包括总行和多个分行，而中心服务器位于总行，每个分行具有对应的一个分行服务器，因此具有多个不同的分行服务器。每个分行服务器存储有属于本地的目标对象的数据，也即每个分行服务器处理本分行的目标对象的数据，目标对象的数据可以为用户在本分行办理各金融业务所产生的相关数据。
S120、将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别。
其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
其中，每个分行服务器具有对应的本地数据集，每个分行服务器的本地数据集不同，本地数据集可以理解为私有的数据集，每个分行服务器只能访问本分行的本地数据集，不能访问其他分行服务器的本地数据集。公共数据集为公有的数据集，为脱敏后的公共代理数据集，每个分行服务器均会基于公共数据集进行再次训练。
本实施例中，目标本地金融产品推荐模型可以是任意类型的神经网络模型，例如卷积神经网络、循环神经网络、注意力机制等，本实施例对此不作限制。
本实施例中，每个分行服务器的目标本地金融产品推荐模型的训练方式相同。
本实施例，通过目标本地金融产品推荐模型可以确定是否可以向相应的目标本地目标对象进行金融产品的推荐，输出结果可以是推荐也可以是不推荐，同时也可以输出推荐以及不推荐的对应的概率，例如推荐概率和不推荐概率分别对应为80％和20％，那么输出预测类别为推荐类别，推荐度为80％。
可选的，所述目标本地金融产品推荐模型的训练方式，包括：基于所述本地数据集对第一本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第二本地金融产品推荐模型；基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；执行训练迭代次数累加1操作；基于所述本地数据集对第三本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第四本地金融产品推荐模型；将所述第四本地金融产品推荐模型作为新的第二本地金融产品推荐模型，返回如下步骤继续执行：基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；直至所述训练迭代次数达到设定迭代次数条件，或者所述第三本地金融产品推荐模型和所述第四本地金融产品推荐模型的推荐精度均达到相应的设定推荐精度条件，停止迭代训练，并将所述第四本地金融产品推荐模型作为目标本地金融产品推荐模型。
本实施例中，对训练迭代次数不作限制，训练迭代次数可以为20、30、50等，训练迭代次数以3次为例对训练过程进行说明：
基于所述本地数据集对第一本地金融产品推荐模型进行第一轮第一次训练，直至达到相应的收敛条件，获得第二本地金融产品推荐模型；基于所述公共数据集对所述第二本地金融产品推荐模型进行第一轮第二次训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；执行训练迭代次数累加1操作；其中，训练迭代次数初始为1，执行此步骤后，训练迭代次数更新为2，基于所述本地数据集对第三本地金融产品推荐模型进行第二轮第一次训练，直至达到相应的收敛条件，获得第四本地金融产品推荐模型；将所述第四本地金融产品推荐模型作为新的第二本地金融产品推荐模型，基于所述公共数据集对所述第二本地金融产品推荐模型进行第二轮第二次训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；执行训练迭代次数累加1操作；执行此步骤后，训练迭代次数更新为3，基于所述本地数据集对第三本地金融产品推荐模型进行第三轮第一次训练，直至达到相应的收敛条件，获得第四本地金融产品推荐模型；将所述第四本地金融产品推荐模型作为第二本地金融产品推荐模型，若此时的训练迭代次数达到设定迭代次数条件，则停止迭代训练，并将第三轮第一次训练后的所述第四本地金融产品推荐模型作为目标本地金融产品推荐模型。或者，第二轮第二次后的所述第三本地金融产品推荐模型和第三轮第一次训练后的所述第四本地金融产品推荐模型的推荐精度均达到相应的设定推荐精度条件，则停止训练迭代。
本实施例中，第一本地金融产品推荐模型、第二本地金融产品推荐模型以及第三本地金融产品推荐模型中收敛条件可以不同，具体可以根据训练的结果进行调整，例如可以为训练损失值达到设定损失值条件，训练精度值达到设定精度值条件等。
可选的，所述第二本地金融产品推荐模型包括输入层、处理层以及预测层。基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型，包括：提取所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识；将所述输出知识上传至中心服务器中；接收所述中心服务器下发的全局知识；基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；其中，所述全局知识用于作为所述预测层的输出知识。
其中，所述全局知识为所述中心服务器基于所有分行服务器的输出知识进行全局聚合得到。
其中，中心服务器可以对所有分行服务器的输出知识(向量)进行聚合，例如求平均，将平均分数作为全局知识。
本实施例中，每个分行服务器均基于相同的所述公共数据集对本分行的第二本地金融产品推荐模型进行训练，在基于所述公共数据集对所述第二本地金融产品推荐模型进行训练中，可以提取所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识，输出知识也即预测值；所有分行服务器均将各自的输出知识上传至中心服务器中；中心服务器基于所有分行服务器的输出知识进行全局聚合，获得全局知识，也即新的预测值；各个分行服务器接收中心服务器下发的全局知识，各个分行服务器将本分行的第二本地金融产品推荐模型预测层的原本的输出知识替换为全局知识，各个分行服务器继续基于公共数据集以及全局知识对各自的第二本地金融产品推荐模型进行拟合训练，以学习来自其他分行模型的知识，得到具有一定泛化能力的本地模型，直至达到相应的收敛条件，获得第三本地金融产品推荐模型。
本实施例中，在各分行服务器的模型学习全局知识，并收敛之后，在此基础上，各分行服务器基于各自的本地数据集对各自的本地金融产品推荐模型再次进行训练，可以提高目标本地金融产品推荐模型的个性化能力。
可选的，在将所述输出知识上传至中心服务器中之后，还包括：判断是否在设定时间内接收到所述中心服务器的返回结果；若未接收到所述返回结果，则重新将所述输出知识上传至中心服务器中。
本实施例中，任意一个分行服务器在将所述输出知识上传至中心服务器中之后，该分行服务器会判断是否在设定时间内接收到所述中心服务器的返回结果；若未接收到所述返回结果，则认为中心服务器未接收到该分行服务器上传的输出知识，并重新将所述输出知识上传至中心服务器中。若接收到所述返回结果，则认为中心服务器接收到该分行服务器上传的输出知识，等待中心服务器下发全局知识。本实施例，对设定时间不作限制，例如可以为10秒，20秒等。返回结果可以通过任意数值表征，以表示中心服务器接收到相应分行服务器上传的输出知识。
可选的，所述全局聚合的具体计算公式为：
其中，所述w表示第k轮迭代得到的全局知识，wi为第i个分行服务器的所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识，ai为第i个分行服务器在第k-1轮的第三本地金融产品推荐模型或第一本地金融产品推荐模型训练中的模型精度，bi为第i个分行服务器参与第k-1轮模型训练的本地数据集的样本总数，max(bm)表示在所有分行服务器中的本地数据集中的最大样本总数。
本实施例中，中心服务器进行全局聚合，得到全局知识，相当于“教师”的知识，然后将全局知识下发至各个分行服务器，各分行的本地金融产品推荐模型相当于学生网络，通过全局知识来指导各分行本地金融产品推荐模型的训练，从而提高目标本地金融产品推荐模型的精度。
可选的，所述全局知识包括所述推荐类别的全局知识和所述不推荐类别的全局知识；基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，包括：对所述全局知识进行处理；基于处理后的全局知识对所述所述第二本地金融产品推荐模型进行拟合训练；其中，所述处理后的全局知识具体计算公式如下：
其中，zj表示推荐类别或不推荐类别的全局知识，T表示蒸馏温度参数，n表示预测类别的数目，为2，qi表示处理后的推荐类别或不推荐类别的全局知识。
示例性的，z1可以表示为推荐类别的全局知识，z2可以表示为不推荐类别的全局知识。上述公式中的zj和zi为不同的含义，zi中的i对应qi，表示当前类别i，当前类别可以是推荐类别或不推荐类别，zi表示当前类别的全局知识，该公式中的分母目的是为了求和，为了区分不同的类别，通过j进行区分。
本实施例，通过基于处理后的全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，可以使模型在训练过程中，放大负标签(不推荐类别的全局知识)来获得更多的信息。在训练过程中，预测层的输出表示模型在各个标签上的预测概率，包括预测正确的概率(正标签)和预测错误的概率(负标签)，负标签中包含的信息可以为提高模型的泛化能力作出贡献。因此，在知识蒸馏中，在训练阶段通过提高温度，放大负标签来获得更多的信息，在推断阶段再还原正负标签概率值以便模型能够推断出正确结果。
示例性的，图2为本发明实施例提供的目标本地金融产品推荐模型训练流程示意图。首先，各分行服务器基于各自的本地数据集进行本地金融产品推荐模型训练，直至达到在本地数据集上相应的收敛条件，接着在公共数据集上继续训练本地金融产品推荐模型；各分行服务器提取各自本地金融产品推荐模型在训练前向过程中预测层的输出知识(该步骤可称为知识提取)；各分行服务器将提取到的输出知识上传至中心服务器(该步骤可称为知识上传)；中心服务器对各分行服务器上传的输出知识进行全局聚合，得到全局知识，并将全局知识下发至各个分行服务器(该步骤可称为知识聚合)；各分行服务器学习全局知识，即在公共数据集上拟合全局知识(该步骤可称为知识蒸馏)，直至在公共数据集上达到相应的收敛条件；各分行服务器将学习到的全局知识迁移至本地金融产品推荐模型，再次在本地数据集上训练本地金融产品推荐模型，直至达到迭代训练停止条件，则停止训练模型，获得目标本地金融产品推荐模型(该步骤可称为知识迁移)；上述整个过程可以称为基于知识蒸馏的个性化联邦学习。
随着互联网迅猛发展，在用户设备上产生了大量的数据，大数据和人工智能被广泛用于于优化应用的流程和性能。大数据和人工智能为金融领域提供了大量的机遇，但在实际应用中许多数据是高度敏感的，例如在对于银行来说，直接传输数据会破坏数据的隐私性，因此联邦学习被提出用于隐私保护，允许多个节点在不共享数据的条件下进行模型训练来获得统一的具有泛化能力的机器学习模型。
现有技术中，金融产品的推荐主要是依靠客户的信用、资产能力等对客户投资能力进行评估并推荐适配的理财产品。客户信息是高度敏感的，通常情况下分行服务器的本地数据集同步至总行服务器，由总行服务器进行统一处理和模型构建，但由于地域等差异，银行各分行的本地目标对象不同，这些目标对象数据在数量、特性上存在差异，不同分行的设备资源和计算能力也存在区别，因此统一模型不适用于部署在各个分行服务器上进行模型预测。
本发明所提出的个性化联邦学习提供了一种解决方法，各分行服务器基于自己的数据特性、设备资源训练各自的目标本地金融产品推荐模型，通过联邦协作提高模型的泛化能力。知识蒸馏常用于模型压缩和迁移学习，其主要思想是将复杂的网络模型作为教师网络，简单的网络模型作为学生网络，通过教师网络的知识来指导学生网络的训练，以提高学生网络的模型精度。
本发明所提出的基于知识蒸馏的个性化联邦学习，各分行服务器可依据自己的需求在本地设计个性化模型(即目标本地金融产品推荐模型)，分行服务器和中心服务器维护相同的公共数据集。支持各分行服务器设计各自本地金融产品推荐模型，各分行服务器先在各自本地数据集上训练本地金融产品推荐模型，然后在公共数据集进行训练，各分行服务器将各自本地金融产品推荐模型的预测层的输出知识传递至中心服务器，由中心服务器进行全局聚合，形成全局知识，各分行服务器通过拟合全局知识来训练各自的本地金融产品推荐模型，具有个性化特点的同时提高模型的泛化能力。
需要说明的是，将本地金融产品推荐模型的预测层输出作为知识，各分行服务器传递知识，而传递模型的方式则受制于模型大小。考虑各分行数据100000条，每条记录约100个字节，公共数据集大小为10000条，使用卷积神经网络模型(例如卷积神经网络模型由两个串联的卷积层组成，第一个卷积层的卷积核数量为128，第二个卷积层的卷积核数量为256，随机失活率dropout rate为0.2)，预测金融产品的预测类别(推荐类别和不推荐类别两种情况)：
则对于每个分行服务器来说，传递数据、模型、知识的方式所需要的通信成本如下表1所示：
表1通信成本表
相比传递数据的方式，传递知识的方式更能保护用户隐私，相比传递数据和模型的方式，传递模型所产生的知识将传输成本从GB\MB级别降低至KB级别，大大降低了通信成本。本发明实施例提供的目标本地金融产品推荐模型无需维护全局模型，有效减轻了分行服务器的存储和计算压力。
本发明所提供的基于个性化联邦学习的目标本地金融产品推荐模型，考虑各分行服务器的本地数据以及设备资源的差异，为各个分行设计不同的目标本地金融产品推荐模型，在本地数据集和公共数据集上训练可以得到较好的模型精度。各分行依据各自设备资源和算力来维护各自的目标本地金融产品推荐模型，允许各分行设备能力设计和维护相适配的模型，无需维护集中式大模型，节省了设备资源，避免模型推理消耗大量的时间和计算资源。分行的模型进行联邦协作训练时，只需传递模型的输出知识，而非模型参数和本地数据集，将传输成本从GB\MB级别降低至KB级别，大大节省了通信成本，同时保护了银行数据的安全。
图3为本发明实施例提供的一种金融产品的推荐装置的结构示意图。如图3所示，装置包括：本地目标对象的数据获取模块310以及金融产品推荐模块320；
本地目标对象的数据获取模块310，用于对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；
金融产品推荐模块320，用于将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
本实施例的技术方案，通过本地目标对象的数据获取模块对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；通过金融产品推荐模块将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。本发明实施例，各分行服务器通过各自的目标本地金融产品推荐模型进行金融产品推荐的方式，可以提高金融产品的推荐准确率。
可选的，上述装置还包括训练模块，所述训练模块具体用于：基于所述本地数据集对第一本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第二本地金融产品推荐模型；基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；执行训练迭代次数累加1操作；基于所述本地数据集对第三本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第四本地金融产品推荐模型；将所述第四本地金融产品推荐模型作为新的第二本地金融产品推荐模型，返回如下步骤继续执行：基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；直至所述训练迭代次数达到设定迭代次数条件，或者所述第三本地金融产品推荐模型和所述第四本地金融产品推荐模型的推荐精度均达到相应的设定推荐精度条件，停止迭代训练，并将所述第四本地金融产品推荐模型作为目标本地金融产品推荐模型。
其中，所述第二本地金融产品推荐模型包括输入层、处理层以及预测层；可选的，所述训练模块还用于：提取所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识；将所述输出知识上传至中心服务器中；接收所述中心服务器下发的全局知识；基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；其中，所述全局知识用于作为所述预测层的输出知识。
其中，所述全局知识为所述中心服务器基于所有分行服务器的输出知识进行全局聚合得到。
可选的，所述训练模块还用于：判断是否在设定时间内接收到所述中心服务器的返回结果；若未接收到所述返回结果，则重新将所述输出知识上传至中心服务器中。
可选的，所述全局聚合的具体计算公式为：
其中，所述w表示第k轮迭代得到的全局知识，wi为第i个分行服务器的所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识，ai为第i个分行服务器在第k-1轮的第三本地金融产品推荐模型或第一本地金融产品推荐模型训练中的模型精度，bi为第i个分行服务器参与第k-1轮模型训练的本地数据集的样本总数，max(bm)表示在所有分行服务器中的本地数据集中的最大样本总数。
可选的，其中，所述全局知识包括所述推荐类别的全局知识和所述不推荐类别的全局知识；基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，包括：
对所述全局知识进行处理；
基于处理后的全局知识对所述所述第二本地金融产品推荐模型进行拟合训练；其中，所述处理后的全局知识具体计算公式如下：
其中，zj表示推荐类别或不推荐类别的全局知识，T表示蒸馏温度参数，n表示预测类别的数目，为2，qi表示处理后的推荐类别或不推荐类别的全局知识。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法金融产品的推荐。
在一些实施例中，方法金融产品的推荐可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法金融产品的推荐的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法金融产品的推荐。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种金融产品的推荐方法，其特征在于，包括：
对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；
将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
2.根据权利要求1所述的方法，其特征在于，所述目标本地金融产品推荐模型的训练方式，包括：
基于所述本地数据集对第一本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第二本地金融产品推荐模型；
基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；
执行训练迭代次数累加1操作；
基于所述本地数据集对第三本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第四本地金融产品推荐模型；
将所述第四本地金融产品推荐模型作为新的第二本地金融产品推荐模型，返回如下步骤继续执行：基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；直至所述训练迭代次数达到设定迭代次数条件，或者所述第三本地金融产品推荐模型和所述第四本地金融产品推荐模型的推荐精度均达到相应的设定推荐精度条件，停止迭代训练，并将所述第四本地金融产品推荐模型作为目标本地金融产品推荐模型。
3.根据权利要求2所述的方法，其特征在于，其中，所述第二本地金融产品推荐模型包括输入层、处理层以及预测层；基于所述公共数据集对所述第二本地金融产品推荐模型进行训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型，包括：
提取所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识；
将所述输出知识上传至中心服务器中；
接收所述中心服务器下发的全局知识；
基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，直至达到相应的收敛条件，获得第三本地金融产品推荐模型；其中，所述全局知识用于作为所述预测层的输出知识。
4.根据权利要求3所述的方法，其特征在于，其中，所述全局知识为所述中心服务器基于所有分行服务器的输出知识进行全局聚合得到。
5.根据权利要求3所述的方法，其特征在于，在将所述输出知识上传至中心服务器中之后，还包括：
判断是否在设定时间内接收到所述中心服务器的返回结果；
若未接收到所述返回结果，则重新将所述输出知识上传至中心服务器中。
6.根据权利要求4所述的方法，其特征在于，所述全局聚合的具体计算公式为：
其中，所述w表示第k轮迭代得到的全局知识，wi为第i个分行服务器的所述第二本地金融产品推荐模型在前向训练过程中的所述预测层的输出知识，ai为第i个分行服务器在第k-1轮的第三本地金融产品推荐模型或第一本地金融产品推荐模型训练中的模型精度，bi为第i个分行服务器参与第k-1轮模型训练的本地数据集的样本总数，max(bm)表示在所有分行服务器中的本地数据集中的最大样本总数。
7.根据权利要求3所述的方法，其特征在于，其中，所述全局知识包括所述推荐类别的全局知识和所述不推荐类别的全局知识；基于所述全局知识对所述所述第二本地金融产品推荐模型进行拟合训练，包括：
对所述全局知识进行处理；
基于处理后的全局知识对所述所述第二本地金融产品推荐模型进行拟合训练；其中，所述处理后的全局知识具体计算公式如下：
其中，zj表示推荐类别或不推荐类别的全局知识，T表示蒸馏温度参数，n表示预测类别的数目，为2，qi表示处理后的推荐类别或不推荐类别的全局知识。
8.一种金融产品的推荐装置，其特征在于，包括：
本地目标对象的数据获取模块，用于对于任意一个分行服务器，获取所述分行服务器的本地目标对象的数据；
金融产品推荐模块，用于将所述本地目标对象的数据输入至目标本地金融产品推荐模型中，输出所述金融产品的预测类别；其中，所述预测类别包括推荐类别和不推荐类别；其中，每个分行服务器均具有对应的目标本地金融产品推荐模型；所述目标本地金融产品推荐模型基于本地数据集和公共数据集训练得到。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的金融产品的推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的金融产品的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657240.4A CN117635267A (zh) | 2023-12-05 | 2023-12-05 | 金融产品的推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657240.4A CN117635267A (zh) | 2023-12-05 | 2023-12-05 | 金融产品的推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635267A true CN117635267A (zh) | 2024-03-01 |
Family
ID=90030218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657240.4A Pending CN117635267A (zh) | 2023-12-05 | 2023-12-05 | 金融产品的推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635267A (zh) |
-
2023
- 2023-12-05 CN CN202311657240.4A patent/CN117635267A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020005895A1 (en) | Systems and methods of windowing time series data for pattern detection | |
| EP4242955A1 (en) | User profile-based object recommendation method and device | |
| CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
| CN113407851A (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
| CN115796310A (zh) | 信息推荐及模型训练方法、装置、设备和存储介质 | |
| CN113190746B (zh) | 推荐模型的评估方法、装置及电子设备 | |
| CN113240177B (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN117495548A (zh) | 一种风险预警方法、装置、设备及介质 | |
| CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| CN115564593A (zh) | 一种针对农作物的融资预警方法、设备和存储介质 | |
| CN117635267A (zh) | 金融产品的推荐方法、装置、设备及存储介质 | |
| CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
| CN116187310A (zh) | 一种文档级关系抽取方法、装置、设备及存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
| CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
| CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
| CN113239296B (zh) | 小程序的展示方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |