应用于大数据的互联网金融信息分析方法及系统技术方案

本发明专利技术实施例公开了应用于大数据的互联网金融信息分析方法及系统，通过使用基于多阶段训练的深度学习模型，在深度学习模型中基于层级思想来融合相异阶段的操作跳转特征，能够实现对可视化引导轨迹向量的细节丰富，这样可以保障目标业务办理指导信息的内容输出细致度，在确保业务办理指导尽可能细致和完整的基础上减少过度的运算负荷，改善了针对业务办理指导信息的优化升级过程中产生的运算负荷过载的缺陷。载的缺陷。载的缺陷。

【技术实现步骤摘要】
应用于大数据的互联网金融信息分析方法及系统


[0001]本专利技术涉及大数据
，尤其涉及一种应用于大数据的互联网金融信息分析方法及系统。

技术介绍

[0002]互联网金融（Internet Finance，ITFIN）是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。互联网金融不是互联网和金融业的简单结合，而是在实现安全、移动等网络技术水平上，被用户熟悉接受后（尤其是对电子商务的接受），自然而然为适应新的需求而产生的新模式及新业务。互联网金融业务的诞生显著改善了传统金融业务的地域限制和时间限制，提高了金融业务办理的灵活性。但是在实际的互联网金融业务办理过程中，一些用户由于不熟悉这类新型业务办理的流程，通常需要对这类用户进行业务办理指导，然而即便如此，一些业务办理指导仍然存在细节上的缺陷，而针对业务办理指导的优化更新又受到系统过载风险的限制。

技术实现思路

[0003]本专利技术的一个目的是提供一种应用于大数据的互联网金融信息分析方法及系统。
[0004]本专利技术的技术方案是通过如下至少部分实施例实现的。
[0005]一种应用于大数据的互联网金融信息分析方法，应用于大数据系统，所述方法包括：获取拟处理的原始业务办理指导信息，所述原始业务办理指导信息是互联网金融服务项目需进行添加的业务办理指导信息；依据所述原始业务办理指导信息输出相异阶段的若干个可视化引导轨迹向量集，所述若干个可视化引导轨迹向量集中每个可视化引导轨迹向量集携带了相异阶段的操作跳转特征；对所述若干个可视化引导轨迹向量集进行特征拼接，得到目标业务办理指导信息，所述目标业务办理指导信息的特征识别度与所述原始业务办理指导信息的特征识别度一致；在目标系统状态指数符合设定要求的基础上，将原始业务办理指导信息更新为所述目标业务办理指导信息，所述目标系统状态指数用于反映所述互联网金融服务项目添加所述目标业务办理指导信息时所产生的运算负荷。
[0006]在一些示例实施例中，所述依据所述原始业务办理指导信息输出相异阶段的若干个可视化引导轨迹向量集，包括：对所述原始业务办理指导信息执行轨迹向量挖掘处理，得到原始可视化引导轨迹向量集；将所述原始可视化引导轨迹向量集传输至预调试的深度学习模型，输出相异阶段
的若干个可视化引导轨迹向量集，其中，所述深度学习模型是对拟调试的通用深度学习模型进行调试所得的机器学习模型，所述深度学习模型包括所述相异阶段对应的若干个模型神经元集群，每个所述模型神经元集群中的引导轨迹优化单元的数目相异，所述引导轨迹优化单元用于基于传输的可视化引导轨迹向量集，生成提高了特征识别度的可视化引导轨迹向量集。
[0007]在一些示例实施例中，所述将所述原始可视化引导轨迹向量集传输至预调试的深度学习模型，输出相异阶段的若干个可视化引导轨迹向量集，包括：将所述原始可视化引导轨迹向量集传输至预调试的第一模型神经元集群，得到第一可视化引导轨迹向量集，其中，所述第一模型神经元集群包括一个所述引导轨迹优化单元，所述第一可视化引导轨迹向量集特征识别度高于所述原始可视化引导轨迹向量集；将所述原始可视化引导轨迹向量集传输至预调试的第二模型神经元集群，得到第二可视化引导轨迹向量集，其中，所述第二模型神经元集群包括若干个所述引导轨迹优化单元，所述若干个引导轨迹优化单元级联，所述第二可视化引导轨迹向量集的特征识别度高于所述第一可视化引导轨迹向量集的特征识别度。
[0008]在一些示例实施例中，所述将所述原始可视化引导轨迹向量集传输至预调试的第一模型神经元集群，得到第一可视化引导轨迹向量集，包括：将所述原始可视化引导轨迹向量集输入第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集，其中，所述第一模型神经元集群包括所述第一引导轨迹优化单元；将所述原始可视化引导轨迹向量集传输至预调试的第二模型神经元集群，得到第二可视化引导轨迹向量集，包括：对所述第一可视化引导轨迹向量集执行轨迹向量衍生处理，得到第一衍生轨迹向量集；将所述原始可视化引导轨迹向量集输入所述第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集；将所述第一可视化引导轨迹向量集输入第二引导轨迹优化单元，得到第一引导轨迹过渡向量集；拼接所述第一衍生轨迹向量集和所述第一引导轨迹过渡向量集，得到所述第二可视化引导轨迹向量集，其中，所述第二模型神经元集群包括所述第一引导轨迹优化单元和所述第二引导轨迹优化单元。
[0009]在一些示例实施例中，所述方法还包括：基于以下步骤将所述原始可视化引导轨迹向量集传输至预调试的第三模型神经元集群，得到第四可视化引导轨迹向量集，其中，所述第三模型神经元集群包括第一引导轨迹优化单元、第二引导轨迹优化单元、第三引导轨迹优化单元以及第四引导轨迹优化单元：对所述第二可视化引导轨迹向量集执行轨迹向量衍生处理，得到第二衍生轨迹向量集；将所述原始可视化引导轨迹向量集输入所述第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集；将所述第一可视化引导轨迹向量集输入第二引导轨迹优化单元，得到第一引导轨迹过渡向量集；将所述第一引导轨迹过渡向量集输入第三引导轨迹优化单元，得到第二引导轨迹过渡向量集；将所述第二衍生轨迹向量集和所述第二引导轨迹过渡向量集进行拼接，得到第三可视化引导轨迹向量集，其中，所述第三可视化引导轨迹向量集的特征识别度高于所述第
二可视化引导轨迹向量集的特征识别度；对所述第三可视化引导轨迹向量集执行轨迹向量衍生处理，得到第三衍生轨迹向量集；将所述第二引导轨迹过渡向量集输入第四引导轨迹优化单元，得到第三引导轨迹过渡向量集；将所述第三衍生轨迹向量集和所述第三引导轨迹过渡向量集进行拼接，得到所述第四可视化引导轨迹向量集，其中，所述第四可视化引导轨迹向量集的特征识别度高于所述第三可视化引导轨迹向量集的特征识别度。
[0010]在一些示例实施例中，所述对所述若干个可视化引导轨迹向量集进行特征拼接，得到目标业务办理指导信息，包括：对所述若干个可视化引导轨迹向量集进行分簇处理，并根据分簇处理结果确定所述若干个可视化引导轨迹向量集中各个可视化引导轨迹向量集中各个可视化引导轨迹向量的特征拼接权重；依据所述特征拼接权重拼接所述若干个可视化引导轨迹向量集，得到业务办理指导优化信息，其中，所述业务办理指导优化信息的特征识别度高于所述原始业务办理指导信息；对所述业务办理指导优化信息执行特征压缩处理，得到所述目标业务办理指导信息。
[0011]在一些示例实施例中，所述方法还包括：将原始业务办理指导示例输入通用深度学习模型，生成目标业务办理指导示例；其中，所述通用深度学习模型包括不同深度对应的若干个通用模型神经元集群，每个所述通用模型神经元集群包括至少一个通用引导轨迹优化单元和通用决策处理单元，不同深度对应的所述通用模型神经元集群中对应的通用引导轨迹优化单元的数目相异，每个所述通用引导轨迹优化单元用于基于传输的可视化引导轨迹向量示例簇输出特征识别度更高的可视化引导轨迹向量示例簇，位于目标深度的所述通用决策处理单元用于确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于大数据的互联网金融信息分析方法，其特征在于，应用于大数据系统，所述方法包括：获取拟处理的原始业务办理指导信息，所述原始业务办理指导信息是互联网金融服务项目需进行添加的业务办理指导信息；依据所述原始业务办理指导信息输出相异阶段的若干个可视化引导轨迹向量集，所述若干个可视化引导轨迹向量集中每个可视化引导轨迹向量集携带了相异阶段的操作跳转特征；对所述若干个可视化引导轨迹向量集进行特征拼接，得到目标业务办理指导信息，所述目标业务办理指导信息的特征识别度与所述原始业务办理指导信息的特征识别度一致；在目标系统状态指数符合设定要求的基础上，将原始业务办理指导信息更新为所述目标业务办理指导信息，所述目标系统状态指数用于反映所述互联网金融服务项目添加所述目标业务办理指导信息时所产生的运算负荷。2.根据权利要求1所述的方法，其特征在于，所述依据所述原始业务办理指导信息输出相异阶段的若干个可视化引导轨迹向量集，包括：对所述原始业务办理指导信息执行轨迹向量挖掘处理，得到原始可视化引导轨迹向量集；将所述原始可视化引导轨迹向量集传输至预调试的深度学习模型，输出相异阶段的若干个可视化引导轨迹向量集，其中，所述深度学习模型是对拟调试的通用深度学习模型进行调试所得的机器学习模型，所述深度学习模型包括所述相异阶段对应的若干个模型神经元集群，每个所述模型神经元集群中的引导轨迹优化单元的数目相异，所述引导轨迹优化单元用于基于传输的可视化引导轨迹向量集，生成提高了特征识别度的可视化引导轨迹向量集。3.根据权利要求2所述的方法，其特征在于，所述将所述原始可视化引导轨迹向量集传输至预调试的深度学习模型，输出相异阶段的若干个可视化引导轨迹向量集，包括：将所述原始可视化引导轨迹向量集传输至预调试的第一模型神经元集群，得到第一可视化引导轨迹向量集，其中，所述第一模型神经元集群包括一个所述引导轨迹优化单元，所述第一可视化引导轨迹向量集特征识别度高于所述原始可视化引导轨迹向量集；将所述原始可视化引导轨迹向量集传输至预调试的第二模型神经元集群，得到第二可视化引导轨迹向量集，其中，所述第二模型神经元集群包括若干个所述引导轨迹优化单元，所述若干个引导轨迹优化单元级联，所述第二可视化引导轨迹向量集的特征识别度高于所述第一可视化引导轨迹向量集的特征识别度。4.根据权利要求3所述的方法，其特征在于，所述将所述原始可视化引导轨迹向量集传输至预调试的第一模型神经元集群，得到第一可视化引导轨迹向量集，包括：将所述原始可视化引导轨迹向量集输入第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集，其中，所述第一模型神经元集群包括所述第一引导轨迹优化单元；将所述原始可视化引导轨迹向量集传输至预调试的第二模型神经元集群，得到第二可视化引导轨迹向量集，包括：对所述第一可视化引导轨迹向量集执行轨迹向量衍生处理，得到第一衍生轨迹向量集；将所述原始可视化引导轨迹向量集输入所述第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集；将所述第一可视化引导轨迹向量集输入第二引
导轨迹优化单元，得到第一引导轨迹过渡向量集；拼接所述第一衍生轨迹向量集和所述第一引导轨迹过渡向量集，得到所述第二可视化引导轨迹向量集，其中，所述第二模型神经元集群包括所述第一引导轨迹优化单元和所述第二引导轨迹优化单元。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于以下步骤将所述原始可视化引导轨迹向量集传输至预调试的第三模型神经元集群，得到第四可视化引导轨迹向量集，其中，所述第三模型神经元集群包括第一引导轨迹优化单元、第二引导轨迹优化单元、第三引导轨迹优化单元以及第四引导轨迹优化单元：对所述第二可视化引导轨迹向量集执行轨迹向量衍生处理，得到第二衍生轨迹向量集；将所述原始可视化引导轨迹向量集输入所述第一引导轨迹优化单元，得到所述第一可视化引导轨迹向量集；将所述第一可视化引导轨迹向量集输入第二引导轨迹优化单元，得到第一引导轨迹过渡向量集；将所述第一引导轨迹过渡向量集输入第三引导轨迹优化单元，得到第二引导轨迹过渡向量集；将所述第二衍生轨迹向量集和所述第二引导轨迹过渡向量集进行拼接，得到第三可视化引导轨迹向量集，其中，所述第三可视化引导...

【专利技术属性】
技术研发人员：季银，蒋俊，蒋杰，
申请(专利权)人：江苏永硕舟钰数据科技有限公司，
类型：发明
国别省市：