金融系统用户识别模型训练及提供识别结果的方法、装置制造方法及图纸

本申请涉及一种金融系统用户识别模型训练方法、设备、介质和产品，涉及人工智能技术及金融科技领域。该方法包括：获取金融系统的用户行为数据样本和用户标签样本值；构建用户连续特征矩阵和用户类别特征矩阵，并分别输入基于深度神经网络的特征交叉模型和基于域矩阵因子分解机的特征交叉模型，获得第一交叉特征和第二交叉特征；将两者输入基于多层自注意力机制的特征交叉模型，获得第三交叉特征；将第三交叉特征输入待训练的用户识别模型，获取用户标签预测值；根据用户标签样本值和用户标签预测值，确定模型损失，调整待训练的用户识别模型的模型参数，直至模型损失满足预设条件。采用本方法能够获得具有更高精度和准确率的识别模型。识别模型。识别模型。

【技术实现步骤摘要】
金融系统用户识别模型训练及提供识别结果的方法、装置


[0001]本申请涉及人工智能技术及金融科技领域，特别是涉及一种金融系统的用户识别模型训练方法、提供用户识别结果方法、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着信息技术的发展，越来越多金融机构开始通过交互式的金融系统向用户提供服务。而为了提高用户的服务体验，通常会在得到用户授权的情况下根据用户提供的信息对用户进行识别，并得到对应的用户标签，再根据该标签为用户提供个性化的需求服务。
[0003]然而，目前金融系统对用户授权信息的分析过程通常采用基于机器学习算法构建简单的线性预测模型对用户进行识别，其一方面忽略了不同类型的用户信息之间复杂的交互关系，另一方面未对不同性质的用户信息进行针对性处理，导致预测模型对用户识别的准确率较低，难以有效提高用户的金融服务体验。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种金融系统用户识别模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种金融系统用户识别模型训练方法。方法包括：
[0006]获取金融系统的用户行为数据样本和用户行为数据样本对应的用户标签样本值；
[0007]基于用户行为数据样本，构建用户连续特征矩阵和用户类别特征矩阵；
[0008]将用户连续特征矩阵输入基于深度神经网络的特征交叉模型，获得第一交叉特征；
[0009]将用户类别特征矩阵输入基于域矩阵因子分解机的特征交叉模型，获得第二交叉特征；
[0010]将第一交叉特征和第二交叉特征输入基于多层自注意力机制的特征交叉模型，获得第三交叉特征；
[0011]将第三交叉特征输入待训练的用户识别模型，获取待训练的用户识别模型输出的用户标签预测值；
[0012]根据用户标签样本值和用户标签预测值，确定模型损失；
[0013]根据模型损失，调整待训练的用户识别模型的模型参数，直至模型损失满足预设条件时得到经训练的用户识别模型。
[0014]在其中一个实施例中，深度神经网络包括多个处理层；基于深度神经网络的特征交叉模型，用于将输入的用户连续特征矩阵转换为对应的向量并传输至深度神经网络的首个处理层，由首个处理层为输入的向量生成中间处理向量并传输至下一处理层，由各非首个处理层根据接收的中间处理向量生成新的中间处理向量并传递至下一处理层，直至由最后一个处理层生成中间处理向量作为第一交叉特征，
[0015]在其中一个实施例中，用户类别特征矩阵包括多个用户类别特征向量；基于域矩
阵因子分解机的特征交叉模型，用于根据用户类别特征矩阵获取每个用户类别特征向量对应的用户类别特征域，根据用户类别特征域获取每两个用户类别特征域对应的域交互矩阵，根据用户类别特征矩阵和域交互矩阵获取每两个用户类别特征向量的交叉表征，根据多个交叉表征，获得第二交叉特征。
[0016]在其中一个实施例中，基于多层自注意力机制的特征交叉模型包括多层自注意力模块；其中，自注意力模块基于输入的向量生成交互关系向量和值权重向量，根据交互关系向量和值权重向量获得注意力交叉特征向量；基于多层自注意力机制的特征交叉模型，用于将第一交叉特征和第二交叉特征转化为对应的向量并输入首层自注意力模块，由首层自注意力模块获得注意力交叉特征向量并将该注意力交叉特征向量传输至下一层自注意力模块，继续由后续每层自注意力模块根据接收的注意力交叉特征向量生成新的注意力交叉特征向量，直至由最后一个自注意力模块生成的注意力交叉特征向量作为第三交叉特征。
[0017]在其中一个实施例中，基于用户行为数据样本，构建用户连续特征矩阵和用户类别特征矩阵，包括：根据用户行为数据样本，提取多个子行为数据；根据多个子行为数据，获取衍生子行为数据；识别子行为数据和衍生子行为数据中的连续行为数据和类别行为数据，形成连续行为数据集和类别行为数据集；根据连续行为数据集构建用户连续特征矩阵，及根据类别行为数据集，构建用户类别特征矩阵。
[0018]在其中一个实施例中，根据类别行为数据集，构建用户类别特征矩阵，包括：对类别行为数据集中的类别行为数据进行词嵌入处理，形成用户类别特征向量；根据类别行为数据集对应的类别行为特征向量，构建用户类别特征矩阵。
[0019]第二方面，本申请还提供了一种金融系统中提供用户识别结果的方法。方法包括：
[0020]获得用户授权分析的用户行为数据后，根据用户行为数据，构建用户连续特征矩阵和用户类别特征矩阵；
[0021]将用户连续特征矩阵输入基于深度神经网络的特征交叉模型，获得第一交叉特征；
[0022]将用户类别特征矩阵输入基于域矩阵因子分解机的特征交叉模型，获得第二交叉特征；
[0023]将第一交叉特征和第二交叉特征输入基于多层自注意力机制的特征交叉模型，获得第三交叉特征；
[0024]将第三交叉特征输入经训练的用户识别模型，获取经训练的用户识别模型输出的用户标签预测值；
[0025]根据用户标签预测值，得到用户的用户识别结果；
[0026]在用户进入的金融系统的页面中展示用户识别结果；
[0027]其中，经训练的用户识别模型根据上述中任一项的金融系统用户识别模型训练方法训练得到。
[0028]第三方面，本申请还提供了一种金融系统用户识别模型训练装置。装置包括：
[0029]获取模块，用于获取金融系统的用户行为数据样本和用户行为数据样本对应的用户标签样本值；
[0030]构建模块，用于基于用户行为数据样本，构建用户连续特征矩阵和用户类别特征矩阵；
[0031]第一交叉模块，用于将用户连续特征矩阵输入基于深度神经网络的特征交叉模型，获得第一交叉特征；
[0032]第二交叉模块，用于将用户类别特征矩阵输入基于域矩阵因子分解机的特征交叉模型，获得第二交叉特征；
[0033]第三交叉模块，用于将第一交叉特征和第二交叉特征输入基于多层自注意力机制的特征交叉模型，获得第三交叉特征；
[0034]预测模块，用于将第三交叉特征输入待训练的用户识别模型，获取待训练的用户识别模型输出的用户标签预测值；
[0035]损失确定模块，用于根据用户标签样本值和用户标签预测值，确定模型损失；
[0036]调整模块，用于根据模型损失，调整待训练的用户识别模型的模型参数，直至模型损失满足预设条件时得到经训练的用户识别模型。
[0037]第四方面，本申请还提供了一种金融系统中提供用户识别结果的装置。装置包括：
[0038]构建模块，用于获得用户授权分析的用户行为数据后，根据用户行为数据，构建用户连续特征矩阵和用户类别特征矩阵；
[0039]第一交叉模块，用于将用户连续特征矩阵输入基于深度神经网络的特征交叉模型，获得第一交叉特征；
[0040]第二交叉模块，用于将用户类别特征矩阵输入基于域矩阵因子分解机的特征交叉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金融系统用户识别模型训练方法，其特征在于，所述方法包括：获取金融系统的用户行为数据样本和所述用户行为数据样本对应的用户标签样本值；基于所述用户行为数据样本，构建用户连续特征矩阵和用户类别特征矩阵；将所述用户连续特征矩阵输入基于深度神经网络的特征交叉模型，获得第一交叉特征；将所述用户类别特征矩阵输入基于域矩阵因子分解机的特征交叉模型，获得第二交叉特征；将所述第一交叉特征和第二交叉特征输入基于多层自注意力机制的特征交叉模型，获得第三交叉特征；将所述第三交叉特征输入待训练的用户识别模型，获取所述待训练的用户识别模型输出的用户标签预测值；根据所述用户标签样本值和用户标签预测值，确定模型损失；根据所述模型损失，调整所述待训练的用户识别模型的模型参数，直至所述模型损失满足预设条件时得到经训练的用户识别模型。2.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括多个处理层；所述基于深度神经网络的特征交叉模型，用于将输入的所述用户连续特征矩阵转换为对应的向量并传输至深度神经网络的首个处理层，由所述首个处理层为输入的所述向量生成中间处理向量并传输至下一处理层，由各非首个处理层根据接收的中间处理向量生成新的中间处理向量并传递至下一处理层，直至由最后一个处理层生成中间处理向量作为所述第一交叉特征。3.根据权利要求1所述的方法，其特征在于，所述用户类别特征矩阵包括多个用户类别特征向量；所述基于域矩阵因子分解机的特征交叉模型，用于根据所述用户类别特征矩阵获取每个用户类别特征向量对应的用户类别特征域，根据所述用户类别特征域获取每两个用户类别特征域对应的域交互矩阵，根据所述用户类别特征矩阵和域交互矩阵获取每两个用户类别特征向量的交叉表征，根据多个所述交叉表征，获得所述第二交叉特征。4.根据权利要求1所述的方法，其特征在于，所述基于多层自注意力机制的特征交叉模型包括多层自注意力模块；其中，所述自注意力模块基于输入的向量生成交互关系向量和值权重向量，根据所述交互关系向量和值权重向量获得注意力交叉特征向量；所述基于多层自注意力机制的特征交叉模型，用于将所述第一交叉特征和第二交叉特征转化为对应的向量并输入首层自注意力模块，由首层自注意力模块获得注意力交叉特征向量并将该注意力交叉特征向量传输至下一层自注意力模块，继续由后续每层自注意力模块根据接收的注意力交叉特征向量生成新的注意力交叉特征向量，直至由最后一个自注意力模块生成的注意力交叉特征向量作为所述第三交叉特征。5.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于所述用户行为数据样本，构建用户连续特征矩阵和用户类别特征矩阵，包括：根据所述用户行为数据样本，提取多个子行为数据；根据所述多个子行为数据，获取衍生子行为数据；识别所述子行为数据和衍生子行为数据中的连续行为数据和类别行为数据，形成连续
行为数据集和类别行为数据集；根据所述连续行为数据集构建用户连续特征矩阵，及根据所述类别行为数据集，构建用户类别特征矩阵。6.根据权利要求5所述的方法，其特征在于，所述根据所述类别行为数据集，构建用户类别特征矩阵，包括：对所述类别行为数据集中的类别行为数据进行词嵌入处理，形成用户类别特征向量；根据所述类别行为数据集对应的类别行为特征向量，构建所述用户类别特征矩阵。...

【专利技术属性】
技术研发人员：刘桂梅，叶建锋，徐丽娜，李振林，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：