(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211001079.0 (22)申请日 2022.08.19 (71)申请人 安徽财金信息科技有限公司 地址 230000 安徽省合肥市高新区创新大 道与燕子河路交口综合交通创新基地 项目安徽省铁路大厦15 01室 (72)发明人 吴炜韡　 (74)专利代理 机构 合肥上博知识产权代理事务 所(特殊普通 合伙) 3418 8 专利代理师 周超 (51)Int.Cl. G06Q 30/06(2012.01) G06Q 40/02(2012.01) G06Q 40/06(2012.01) (54)发明名称 一种基于定向筛选的金融产品实时推荐方 法 (57)摘要 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。 权利要求书3页 说明书7页 附图1页 CN 115311053 A 2022.11.08 CN 115311053 A 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{xj}为数据集中的最大值， mi n{xj}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： yi,t＝Encoder(xi,t)； yj,t＝Encoder(xj,t)； 其中， xi,t为时间t用户i对产 品的评分向量， xj,t为时间t产 品j的用户评分向量， yi,t和 yj,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， 所述权　利　要　求　书 1/3 页 2 CN 115311053 A 2self‑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yi,t和yj,t作为输入， 用户向量{yi,0,yi,1,…, yi,t}记成矩阵E， 金融产品向量{yj,0,yj,1,…,yj,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＝EWQ,key＝EWK,value＝EWV； 将Q， K， V矩阵输入at tention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)＝Co ncat(head1,head2,…headn)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(M H(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， ni,t表示在时间t处用户i的评分， mj,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， Pj为第j组用户群对该产品的喜好程度， Si∩Sj表示用户群Si与用户 群Sj的特征交集， Si∪Sj表示用户群Si与用户群Sj的特征并集；权　利　要　求　书 2/3 页 3 CN 115311053 A 3