基于图嵌入的理财产品推荐

发布时间：2024-04-14 00:13

　　随着互联网技术的飞速发展,互联网金融对于传统金融市场的冲击也越来越猛烈,传统金融机构在产品营销方面面临的压力也是与日俱增,如何进行个性化营销成了亟需解决的问题。目前针对个性化推荐,金融机构使用的模型方法还较为简单,较传统营销方式效果提升不明显,故本文基于金融业务,提出了一套推荐方法,该方法能够很好地捕捉到用户的真实喜好,从而做到个性化推荐。它通过利用用户的历史购买记录,生成金融理财产品的向量表示与用户的向量表示,然后利用产品向量与用户向量的余弦相似度进行k近邻搜索完成快速召回,之后对召回的产品进行打分排序,将得分最高的N个产品推荐给用户。该方法由两个模型组成:召回模型与排序模型。召回阶段,基于业务场景,将用户的购买记录转化为拓扑图,创造性地设置风险因子捕捉产品之间的关系,同时基于SR-GNN模型引入产品的辅助信息,对图上节点学习其向量表达形式,使得向量表达可以包含更多的内容,之后将用户的历史购买情况的向量表达视为用户的向量表示,完成快速召回,将召回的产品输入至排序模型。排序阶段,引入自注意力机制,捕捉用户的购买偏好,同时利用用户画像以及目标产品画像的信息,来预测用户会不会购买目标产品,...

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

图2.1CBOW

CBOW使用窗口中的上下文单词来预测中心词,模型结构如下:其中,C表示窗口大小,V表示单词的总个数,N是学习后的单词向量的维度,W表示输入层的参数矩阵,其维度为V*N,W’表示输出层的参数矩阵,其维度为N*V。

图2.2Skip-gram

Skip-gram和CBOW在模型构建上?分相似,都是相关词来预测其他词,只是变成了由中心词来预测上下文词,具体模型结构如下:其损失函数为

图2.3GNN的种类

根据不同的聚合函数的定义,GNN也分为不同的模型种类,如图所示:其中,比较出名的有图卷积神经网络(GCN)、图注意力神经网络(GAN)、门控图神经网络(GGNN)等等。由于本文所使用的模型包含门控图神经网络,所以在此对门控图神经网络进行介绍。

图2.4连接矩阵

按照第一个公式,节点v首先从其邻接节点汇集信息,其中,A是由出度矩阵和入度矩阵按行拼接得到的连接矩阵,以下图为例:依据图中每个节点的入度和出度,得到连接矩阵,该矩阵描述了节点与邻接节点之间的关系,考虑了信息的双向传递。然后就是类似GRU节点更新方法,结合节点前一个时刻与该节点的邻....

本文编号：3953830