隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)金融對于傳統(tǒng)金融市場的沖擊也越來越猛烈,傳統(tǒng)金融機構(gòu)在產(chǎn)品營銷方面面臨的壓力也是與日俱增,如何進行個性化營銷成了亟需解決的問題。目前針對個性化推薦,金融機構(gòu)使用的模型方法還較為簡單,較傳統(tǒng)營銷方式效果提升不明顯,故本文基于金融業(yè)務,提出了一套推薦方法,該方法能夠很好地捕捉到用戶的真實喜好,從而做到個性化推薦。它通過利用用戶的歷史購買記錄,生成金融理財產(chǎn)品的向量表示與用戶的向量表示,然后利用產(chǎn)品向量與用戶向量的余弦相似度進行k近鄰搜索完成快速召回,之后對召回的產(chǎn)品進行打分排序,將得分最高的N個產(chǎn)品推薦給用戶。該方法由兩個模型組成:召回模型與排序模型。召回階段,基于業(yè)務場景,將用戶的購買記錄轉(zhuǎn)化為拓撲圖,創(chuàng)造性地設置風險因子捕捉產(chǎn)品之間的關(guān)系,同時基于SR-GNN模型引入產(chǎn)品的輔助信息,對圖上節(jié)點學習其向量表達形式,使得向量表達可以包含更多的內(nèi)容,之后將用戶的歷史購買情況的向量表達視為用戶的向量表示,完成快速召回,將召回的產(chǎn)品輸入至排序模型。排序階段,引入自注意力機制,捕捉用戶的購買偏好,同時利用用戶畫像以及目標產(chǎn)品畫像的信息,來預測用戶會不會購買目標產(chǎn)品,...

【文章頁數(shù)】：50 頁

【學位級別】：碩士

【部分圖文】：

圖2.1CBOW

CBOW使用窗口中的上下文單詞來預測中心詞,模型結(jié)構(gòu)如下:其中,C表示窗口大小,V表示單詞的總個數(shù),N是學習后的單詞向量的維度,W表示輸入層的參數(shù)矩陣,其維度為V*N,W’表示輸出層的參數(shù)矩陣,其維度為N*V。

圖2.2Skip-gram

Skip-gram和CBOW在模型構(gòu)建上?分相似,都是相關(guān)詞來預測其他詞,只是變成了由中心詞來預測上下文詞,具體模型結(jié)構(gòu)如下:其損失函數(shù)為

圖2.3GNN的種類

根據(jù)不同的聚合函數(shù)的定義,GNN也分為不同的模型種類,如圖所示:其中,比較出名的有圖卷積神經(jīng)網(wǎng)絡(GCN)、圖注意力神經(jīng)網(wǎng)絡(GAN)、門控圖神經(jīng)網(wǎng)絡(GGNN)等等。由于本文所使用的模型包含門控圖神經(jīng)網(wǎng)絡,所以在此對門控圖神經(jīng)網(wǎng)絡進行介紹。

圖2.4連接矩陣

按照第一個公式,節(jié)點v首先從其鄰接節(jié)點匯集信息,其中,A是由出度矩陣和入度矩陣按行拼接得到的連接矩陣,以下圖為例:依據(jù)圖中每個節(jié)點的入度和出度,得到連接矩陣,該矩陣描述了節(jié)點與鄰接節(jié)點之間的關(guān)系,考慮了信息的雙向傳遞。然后就是類似GRU節(jié)點更新方法,結(jié)合節(jié)點前一個時刻與該節(jié)點的鄰....

本文編號：3953830