本發(fā)明涉及數(shù)據(jù)挖掘，尤其涉及一種基于半高斯采樣的金融產(chǎn)品推薦方法、系統(tǒng)、設備及介質。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構成在先技術。

2、隨著科學技術的迅猛發(fā)展和金融領域的持續(xù)創(chuàng)新，金融產(chǎn)品的種類和數(shù)量不斷增加。用戶在選擇金融產(chǎn)品時需要面對海量信息，而推薦系統(tǒng)則能有效降低用戶的搜索成本，提高產(chǎn)品選擇的效率。金融行業(yè)在長期運營中積累了大量關于金融產(chǎn)品熱度及其歷史變化趨勢的時間序列數(shù)據(jù)。這些數(shù)據(jù)包含了產(chǎn)品在市場中的受關注程度及其過往表現(xiàn)，是優(yōu)化推薦系統(tǒng)的核心依據(jù)。然而，目前的推薦系統(tǒng)在利用這些數(shù)據(jù)時仍存在諸多不足。

3、現(xiàn)有的推薦方法大多采用等權重訓練策略，即對所有時間序列樣本賦予相同權重。這種方法未能充分考慮金融產(chǎn)品熱度和趨勢的動態(tài)變化特性。金融市場環(huán)境變化迅速，近期的熱度和趨勢數(shù)據(jù)通常更能反映當前市場狀況，而久遠的數(shù)據(jù)影響力較弱。等權重策略可能導致模型在推薦時過于依賴歷史數(shù)據(jù)，忽視近期的重要信息，從而影響推薦結果的時效性和準確性。

4、此外，傳統(tǒng)的一維卷積神經(jīng)網(wǎng)絡（cnn）在處理多維時間序列數(shù)據(jù)時具有天然優(yōu)勢，可以并行處理同一時間點上的多個特征，提升運行效率，同時能夠通過卷積操作提取局部特征，但由于卷積核大小固定且在時間維度上采用相同權重，無法靈活適應不同時間點的重要性。這種特性使其難以捕捉金融產(chǎn)品熱度和趨勢中的短期內各時間步之間的依賴關系及動態(tài)變化。

5、因此，現(xiàn)有方法可能無法充分處理時間序列數(shù)據(jù)中的長短期依賴和短期內的動態(tài)變化，導致金融產(chǎn)品的推薦結果的有效性和可靠性下降。

技術實現(xiàn)思路

1、為了解決上述背景技術中存在的技術問題，本發(fā)明提供一種基于半高斯采樣的金融產(chǎn)品推薦方法、系統(tǒng)、設備及介質，本發(fā)明結合半高斯采樣和動態(tài)時間卷積神經(jīng)網(wǎng)絡（dynamic?temporal?convolutional?network,?dtcn）的雙重優(yōu)勢，能夠更全面地利用金融產(chǎn)品熱度和歷史趨勢時間序列數(shù)據(jù)，生成更加精準的推薦結果，為用戶提供更優(yōu)質的決策支持。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

3、本發(fā)明的第一個方面提供一種基于半高斯采樣的金融產(chǎn)品推薦方法。

4、基于半高斯采樣的金融產(chǎn)品推薦方法，包括：

5、獲取多種金融產(chǎn)品的歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)，并進行預處理，構建樣本集，其中，樣本集中的每個樣本均包括所有金融樣品標準化后的歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)；

6、將樣本集劃分為訓練集和測試集，將訓練集中的樣本序號映射到半高斯分布的x軸區(qū)間[μ-3σ，μ]內，計算每個樣本的權重，并將權重轉化為概率值；多項式分布利用所述概率值進行有放回的抽取若干個樣本；

7、基于抽取的若干個樣本和每個樣本對應的真實值，對動態(tài)時間卷積網(wǎng)絡進行訓練，得到訓練好的動態(tài)時間卷積網(wǎng)絡，用于預測所有金融產(chǎn)品的排名，并加排名靠前的若干金融產(chǎn)品推薦給用戶。

8、進一步地，所述動態(tài)時間卷積網(wǎng)絡包括若干時間步依賴模塊和時間卷積模塊的組合、以及全連接模塊，所述時間步依賴模塊用于對權重和輸入數(shù)據(jù)進行點乘操作，其中，輸入數(shù)據(jù)包括訓練階段中的抽取的若干個樣本，或預測階段中的金融產(chǎn)品標準化后的當前屬性數(shù)據(jù)和當前熱度數(shù)據(jù)。

9、進一步地，所述時間卷積模塊包括：一維卷積層、批歸一化層、激活層(leakyrelu)和隨機失活層；所述全連接模塊包括全連接層、批歸一化層、激活層和歸一化指數(shù)函數(shù)(softmax)。

10、進一步地，在訓練過程中，采用斯皮爾曼秩相關系數(shù)損失優(yōu)化動態(tài)時間卷積網(wǎng)絡的超參數(shù)。

11、進一步地，所述每個樣本對應的真實值為每個樣本對應的熱度值排名。

12、進一步地，所述預處理包括：對歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)進行標準化處理，在標準化處理后，按照每個時間步對所有金融產(chǎn)品的歷史熱度數(shù)據(jù)進行排名，熱度最高排名為1。

13、進一步地，所述歷史屬性數(shù)據(jù)包括時間點、日收益率、日波動幅度以及日交易量，所述歷史熱度數(shù)據(jù)為金融產(chǎn)品的搜索指數(shù)或市場關注度指數(shù)。

14、本發(fā)明的第二個方面提供一種基于半高斯采樣的金融產(chǎn)品推薦系統(tǒng)。

15、基于半高斯采樣的金融產(chǎn)品推薦系統(tǒng)，包括：

16、獲取與預處理模塊，其被配置為：獲取多種金融產(chǎn)品的歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)，并進行預處理，構建樣本集，其中，樣本集中的每個樣本均包括所有金融樣品標準化后的歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)；

17、權重模塊，其被配置為：將樣本集劃分為訓練集和測試集，將訓練集中的樣本序號映射到半高斯分布的x軸區(qū)間[μ-3σ，μ]內，計算每個樣本的權重，并將權重轉化為概率值；多項式分布利用所述概率值進行有放回的抽取若干個樣本；

18、訓練與預測模塊，其被配置為：基于抽取的若干個樣本和每個樣本對應的真實值，對動態(tài)時間卷積網(wǎng)絡進行訓練，得到訓練好的動態(tài)時間卷積網(wǎng)絡，用于預測所有金融產(chǎn)品的排名，并加排名靠前的若干金融產(chǎn)品推薦給用戶。

19、本發(fā)明的第三個方面提供一種計算機可讀存儲介質。

20、一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上述第一個方面所述的基于半高斯采樣的金融產(chǎn)品推薦方法中的步驟。

21、本發(fā)明的第四個方面提供一種計算機設備。

22、一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述第一個方面所述的基于半高斯采樣的金融產(chǎn)品推薦方法中的步驟。

23、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

24、本發(fā)明通過獲取并預處理金融產(chǎn)品熱度及其歷史變化趨勢的時間序列數(shù)據(jù)，劃分數(shù)據(jù)樣本并為樣本分配權重，采用動態(tài)時間卷積神經(jīng)網(wǎng)絡（dtcn）得到金融產(chǎn)品預測排名，選擇排名較高的金融產(chǎn)品對用戶進行展示。本發(fā)明有效解決了傳統(tǒng)等權重訓練中近期樣本重要性不足的問題，提升了模型對近期熱度的關注；同時，時間步依賴模塊通過模型動態(tài)學習樣本內各時間步動態(tài)依賴關系，提高了推薦結果的可靠性和有效性。

25、本發(fā)明采用半高斯采樣突出近期數(shù)據(jù)的重要性，使得模型能夠更加準確地捕捉市場的短期變化，從而提升推薦結果的時效性。

26、本發(fā)明采用dtcn，通過動態(tài)學習不同時間步的重要性，自適應地調整對時間序列數(shù)據(jù)的特征提取，使模型能夠同時捕捉短期內各時間步的依賴關系，提高了對多尺度動態(tài)特征的建模能力。

27、本發(fā)明結合半高斯采樣和dtcn的雙重優(yōu)勢，能夠更全面地利用金融產(chǎn)品熱度和歷史趨勢時間序列數(shù)據(jù)，生成更加精準的推薦結果，為用戶提供更優(yōu)質的決策支持。

技術特征：

1.基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，包括：

2.根據(jù)權利要求1所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，所述動態(tài)時間卷積網(wǎng)絡包括若干時間步依賴模塊和時間卷積模塊的組合、以及全連接模塊，所述時間步依賴模塊用于對權重和輸入數(shù)據(jù)進行點乘操作，其中，輸入數(shù)據(jù)包括訓練階段中的抽取的若干個樣本，或預測階段中的金融產(chǎn)品標準化后的當前屬性數(shù)據(jù)和當前熱度數(shù)據(jù)。

3.根據(jù)權利要求2所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，所述時間卷積模塊包括：一維卷積層、批歸一化層、激活層和隨機失活層；所述全連接模塊包括全連接層、批歸一化層、激活層和歸一化指數(shù)函數(shù)。

4.根據(jù)權利要求1所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，在訓練過程中，采用斯皮爾曼秩相關系數(shù)損失優(yōu)化動態(tài)時間卷積網(wǎng)絡的超參數(shù)。

5.根據(jù)權利要求1所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，所述每個樣本對應的真實值為每個樣本對應的熱度值排名。

6.根據(jù)權利要求1所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，所述預處理包括：對歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)進行標準化處理，在標準化處理后，按照每個時間步對所有金融產(chǎn)品的歷史熱度數(shù)據(jù)進行排名，熱度最高排名為1。

7.根據(jù)權利要求1所述的基于半高斯采樣的金融產(chǎn)品推薦方法，其特征在于，所述歷史屬性數(shù)據(jù)包括時間點、日收益率、日波動幅度以及日交易量，所述歷史熱度數(shù)據(jù)為金融產(chǎn)品的搜索指數(shù)或市場關注度指數(shù)。

8.基于半高斯采樣的金融產(chǎn)品推薦系統(tǒng)，其特征在于，包括：

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權利要求1-7中任一項所述的基于半高斯采樣的金融產(chǎn)品推薦方法中的步驟。

10.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權利要求1-7中任一項所述的基于半高斯采樣的金融產(chǎn)品推薦方法中的步驟。

技術總結
本發(fā)明涉及時間序列預測技術領域，提供了一種基于半高斯采樣的金融產(chǎn)品推薦方法、系統(tǒng)、設備及介質。基于半高斯采樣的金融產(chǎn)品推薦方法包括，獲取多種金融產(chǎn)品的歷史屬性數(shù)據(jù)和歷史熱度數(shù)據(jù)，并進行預處理，構建樣本集，將樣本集劃分為訓練集和測試集，將訓練集中的樣本序號映射到半高斯分布的x軸區(qū)間[μ?3σ，μ]內，計算每個樣本的權重，并將權重轉化為概率值；多項式分布利用所述概率值進行有放回的抽取若干個樣本；基于抽取的若干個樣本和每個樣本對應的真實值，對動態(tài)時間卷積網(wǎng)絡進行訓練，得到訓練好的動態(tài)時間卷積網(wǎng)絡，用于預測所有金融產(chǎn)品的排名，并加排名靠前的若干金融產(chǎn)品推薦給用戶。本發(fā)明能夠生成更加精準的推薦結果。

技術研發(fā)人員：王琳,彭偉,張亮亮,楊波,韓亞敏,劉雙榮
受保護的技術使用者：濟南大學
技術研發(fā)日：
技術公布日：2024/12/30