【技术实现步骤摘要】
本专利技术涉及数据处理，特别是涉及一种模型训练方法、风险等级预测方法及装置。
技术介绍
1、人们的投资需求越来越侧重更加稳健的理财产品，为了能够确定更加合理的理财产品，通常需要对各种理财产品的进行风险等级预测。目前常见的风险等级预测方法不能充分利用用户数据，并且在基于神经网络模型进行预测的过程中也容易出现过拟合的问题，降低了风险等级预测的准确性。
技术实现思路
1、针对于上述问题，本专利技术提供一种理财产品风险等级预测方法及装置，提升了风险等级预测的准确性。
2、为了实现上述目的，本专利技术提供了如下技术方案：
3、一种模型训练方法，包括：
4、构建用于神经网络训练的数据集，所述数据集中的每一条数据由客户基本数据和所述客户实际购买理财产品数据组成；
5、基于所述数据集对初始神经网络训练，获得训练后的所述初始神经网络的倒数第二层的特征信息；
6、基于所述初始神经网络的倒数第二层的特征信息，构建软标签矩阵，所述软标签矩阵中每一元素对应的软标签权重表征理财产品风险类别之间的相似性；
7、根据所述软标签矩阵对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型。
8、可选地，所述构建用于神经网络训练的数据集，包括：
9、采集初始数据集，所述初始数据包括客户基本数据和所述客户购买理财产品数据，所述客户购买理财产品数据包括客户购买的理财产品等风险等级分布数据；
10、对所述初始数
11、根据所述预处理后的客户数据以及所述客户购买的理财产品等风险等级分布数据，构建用于神经网络训练的数据集。
12、可选地，所述基于所述初始神经网络的倒数第二层的特征信息，构建软标签矩阵，包括：
13、基于所述初始神经网络的第二层的特征信息，获得代表特征向量；
14、计算各个风险类别的代表特征向量之间的距离以及风险类别之间的整体距离，并确定第一类别与其他类别代表向量欧式距离，所述第一类别为所述风险类别中的任一类别；
15、将所述欧式距离的倒数作为所述第一类别的相似性信息，并基于所述相似性信息构建软标签矩阵。
16、可选地，所述根据所述软标签矩阵对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型，包括：
17、基于所述软标签矩阵对所述用于神经网络训练的数据集进行优化，得到优化后的数据集；
18、基于所述优化后的数据集对所述对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型；
19、或者，基于所述软标签矩阵所述初始神经网络模型的损失函数进行调整，得到调整后的损失函数；
20、基于所述调整后的损失函数对所述对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型。
21、一种模型训练装置，包括：
22、第一构建单元，用于构建用于神经网络训练的数据集，所述数据集中的每一条数据由客户基本数据和所述客户实际购买理财产品数据组成；
23、信息获取单元，用于基于所述数据集对初始神经网络训练，获得训练后的所述初始神经网络的倒数第二层的特征信息；
24、第二构建单元，用于基于所述初始神经网络的倒数第二层的特征信息，构建软标签矩阵，所述软标签矩阵中每一元素对应的软标签权重表征理财产品风险类别之间的相似性；
25、优化单元，用于根据所述软标签矩阵对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型。
26、可选地，所述第一构建单元包括：
27、采集子单元，用于采集初始数据集，所述初始数据包括客户基本数据和所述客户购买理财产品数据，所述客户购买理财产品数据包括客户购买的理财产品等风险等级分布数据；
28、预处理子单元，用于对所述初始数据集中的客户基本数据进行预处理，得到预处理后的客户数据；
29、第一构建子单元，用于根据所述预处理后的客户数据以及所述客户购买的理财产品等风险等级分布数据，构建用于神经网络训练的数据集。
30、可选地，所述第二构建单元包括：
31、第一获取子单元，用于基于所述初始神经网络的第二层的特征信息，获得代表特征向量；
32、计算子单元，用于计算各个风险类别的代表特征向量之间的距离以及风险类别之间的整体距离，并确定第一类别与其他类别代表向量欧式距离，所述第一类别为所述风险类别中的任一类别；
33、第二构建子单元，用于将所述欧式距离的倒数作为所述第一类别的相似性信息，并基于所述相似性信息构建软标签矩阵。
34、可选地，所述优化单元包括：
35、第一优化子单元，用于基于所述软标签矩阵对所述用于神经网络训练的数据集进行优化，得到优化后的数据集；基于所述优化后的数据集对所述对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型；
36、或者，第二优化子单元，用于基于所述软标签矩阵所述初始神经网络模型的损失函数进行调整，得到调整后的损失函数；基于所述调整后的损失函数对所述对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型。
37、一种风险等级预测方法，包括：
38、获得需要购买理财产品的客户信息；
39、将所述客户信息输入至风险等级预测模型，获得理财产品的风险等级预测结果，其中，所述风险等级预测模型是经过上述中任一项所述的模型训练方法训练得到的；
40、基于所述风险等级预测结果，生成理财产品推荐信息。
41、一种风险等级预测装置，包括：
42、客户信息获取单元，用于获得需要购买理财产品的客户信息；
43、模型预测单元，用于将所述客户信息输入至风险等级预测模型，获得理财产品的风险等级预测结果，其中，所述风险等级预测模型是经过上述中任一项所述的模型训练方法训练得到的；
44、推荐信息生成单元，用于基于所述风险等级预测结果，生成理财产品推荐信息。
45、相较于现有技术，本专利技术提供了一种模型训练方法、风险等级预测方法及装置，该模型训练方法包括构建用于神经网络训练的数据集，数据集中的每一条数据由客户基本数据和客户实际购买理财产品数据组成；基于数据集对初始神经网络训练，获得训练后的初始神经网络的倒数第二层的特征信息；基于初始神经网络的倒数第二层的特征信息，构建软标签矩阵，软标签矩阵中每一元素对应的软标签权重表征理财产品风险类别之间的相似性；根据软标签矩阵对初始神经网络模型的训练过程进行优化，得到风险等级预测模型。本申请通过在网络中引入非均匀分布的软标签正则化方法，缓解了过拟合现象，并且使训练的模型更加适应预测结果可能包含多个类别的情况。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述构建用于神经网络训练的数据集，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述初始神经网络的倒数第二层的特征信息，构建软标签矩阵，包括：
4.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述软标签矩阵对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型，包括：
5.一种模型训练装置，其特征在于，包括：
6.根据权利要求5所述的模型训练装置，其特征在于，所述第一构建单元包括：
7.根据权利要求5所述的模型训练装置，其特征在于，所述第二构建单元包括：
8.根据权利要求5所述的模型训练装置，其特征在于，所述优化单元包括：
9.一种风险等级预测方法，其特征在于，包括：
10.一种风险等级预测装置，其特征在于，包括：
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述构建用于神经网络训练的数据集，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述初始神经网络的倒数第二层的特征信息，构建软标签矩阵，包括：
4.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述软标签矩阵对所述初始神经网络模型的训练过程进行优化，得到风险等级预测模型，包...
【专利技术属性】
技术研发人员：殷天宇，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。