基于半高斯采样的金融产品推荐方法、系统、设备及介质技术方案

本发明专利技术涉及时间序列预测技术领域，提供了一种基于半高斯采样的金融产品推荐方法、系统、设备及介质。基于半高斯采样的金融产品推荐方法包括，获取多种金融产品的历史属性数据和历史热度数据，并进行预处理，构建样本集，将样本集划分为训练集和测试集，将训练集中的样本序号映射到半高斯分布的x轴区间[μ‑3σ，μ]内，计算每个样本的权重，并将权重转化为概率值；多项式分布利用所述概率值进行有放回的抽取若干个样本；基于抽取的若干个样本和每个样本对应的真实值，对动态时间卷积网络进行训练，得到训练好的动态时间卷积网络，用于预测所有金融产品的排名，并加排名靠前的若干金融产品推荐给用户。本发明专利技术能够生成更加精准的推荐结果。

【技术实现步骤摘要】

本专利技术涉及数据挖掘，尤其涉及一种基于半高斯采样的金融产品推荐方法、系统、设备及介质。

技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。

2、随着科学技术的迅猛发展和金融领域的持续创新，金融产品的种类和数量不断增加。用户在选择金融产品时需要面对海量信息，而推荐系统则能有效降低用户的搜索成本，提高产品选择的效率。金融行业在长期运营中积累了大量关于金融产品热度及其历史变化趋势的时间序列数据。这些数据包含了产品在市场中的受关注程度及其过往表现，是优化推荐系统的核心依据。然而，目前的推荐系统在利用这些数据时仍存在诸多不足。

3、现有的推荐方法大多采用等权重训练策略，即对所有时间序列样本赋予相同权重。这种方法未能充分考虑金融产品热度和趋势的动态变化特性。金融市场环境变化迅速，近期的热度和趋势数据通常更能反映当前市场状况，而久远的数据影响力较弱。等权重策略可能导致模型在推荐时过于依赖历史数据，忽视近期的重要信息，从而影响推荐结果的时效性和准确性。

4、此外，传统的一维卷积神经网络（cnn）本文档来自技高网...

【技术保护点】

1.基于半高斯采样的金融产品推荐方法，其特征在于，包括：

2.根据权利要求1所述的基于半高斯采样的金融产品推荐方法，其特征在于，所述动态时间卷积网络包括若干时间步依赖模块和时间卷积模块的组合、以及全连接模块，所述时间步依赖模块用于对权重和输入数据进行点乘操作，其中，输入数据包括训练阶段中的抽取的若干个样本，或预测阶段中的金融产品标准化后的当前属性数据和当前热度数据。

3.根据权利要求2所述的基于半高斯采样的金融产品推荐方法，其特征在于，所述时间卷积模块包括：一维卷积层、批归一化层、激活层和随机失活层；所述全连接模块包括全连接层、批归一化层、激活层和归一化指数函数。...

【技术特征摘要】

1.基于半高斯采样的金融产品推荐方法，其特征在于，包括：

2.根据权利要求1所述的基于半高斯采样的金融产品推荐方法，其特征在于，所述动态时间卷积网络包括若干时间步依赖模块和时间卷积模块的组合、以及全连接模块，所述时间步依赖模块用于对权重和输入数据进行点乘操作，其中，输入数据包括训练阶段中的抽取的若干个样本，或预测阶段中的金融产品标准化后的当前属性数据和当前热度数据。

3.根据权利要求2所述的基于半高斯采样的金融产品推荐方法，其特征在于，所述时间卷积模块包括：一维卷积层、批归一化层、激活层和随机失活层；所述全连接模块包括全连接层、批归一化层、激活层和归一化指数函数。

4.根据权利要求1所述的基于半高斯采样的金融产品推荐方法，其特征在于，在训练过程中，采用斯皮尔曼秩相关系数损失优化动态时间卷积网络的超参数。

5.根据权利要求1所述的基于半高斯采样的金融产品推荐方法，其特征在于，所述每个样本对应的真实值为每个样本对应的热度值排名。<...

【专利技术属性】
技术研发人员：王琳，彭伟，张亮亮，杨波，韩亚敏，刘双荣，
申请(专利权)人：济南大学，
类型：发明
国别省市：