[发明专利]一种银行用户行为数据的高效精准分析方法

说明书

一种银行用户行为数据的高效精准分析方法，涉及银行用户行为数据处理技术领域，解决现有银行系统中的用户行为分析方法存在数据处理效率低，误差大，可靠性不佳等技术不足，步骤为：步骤1，数据清洗；步骤2，构建输入矩阵；步骤3，深度因子分解机建模，基于模型设置构建模型；步骤4，进行个性化推荐，将用户行为数据与模型拟合以得到各个用户对应的兴趣产品排名；模型拟合完成后预测用户对不同产品点击率，然后根据点击率进行排序，选出点击率较高的前n个产品以得到不同用户对不同产品的偏好信息。能获得用户与产品之间的二维交互关系，还可以获得其他信息之间的多维交互关系，点击率的预测准确度比现有技术得到了极大的增强。

技术领域

本申请涉及银行用户行为数据处理技术领域，特别涉及一种银行用户行为数据的高效精准分析方法改进方面。

背景技术

随着大数据时代的到来，个性化推荐在当今社会显得越来越重要，其在银行金融行业有着巨大的作用以及发展潜力。而个性化推荐的关键在于可以对银行用户数据实现高效精准的分析。

然而银行现有的用户行为分析方法存在数据处理效率低，误差大，可靠性不佳等技术不足，造成该问题的根本原因在于银行现用于用户行为分析的方法较为简单，因而无法很好地挖掘用户与产品之间的交互关系，进而给出合适的分析结果。

银行现有的用户行为分析方法包括协同过滤，因子分解机，深度学习等方法，这些方法都存在一定的问题，例如协同过滤方法只能通过相似性确定推荐需求，因子分解机方法无法抓取高维交互作用，深度学习方法则对低维交互抓取效果不佳。

发明内容

综上所述，本发明的目的在于解决现有银行系统中的用户行为分析方法存在数据处理效率低，误差大，可靠性不佳等技术不足，而提出一种银行用户行为数据的高效精准分析方法。

为解决本发明所提出的技术不足，采用的技术方案为：

一种银行用户行为数据的高效精准分析方法，其特征在于所述方法步骤为：

步骤1，数据清洗，对原始数据中的重复数据、异常数据和无效数据进行清除，纠正错误数据，根据分析数据分布情况，使用中位数或者平均值填补缺失值；

步骤2，构建输入矩阵，将原数据按照域分割转化为新的输入向量；

步骤3，深度因子分解机建模，基于模型设置构建模型；

步骤4，进行个性化推荐，将用户行为数据与模型拟合以得到各个用户对应的兴趣产品排名；模型拟合完成后预测用户对不同产品点击率，然后根据点击率进行排序，选出点击率较高的前n个产品以得到不同用户对不同产品的偏好信息。

作为对本发明技术方案进一步限定的技术方案包括有：

步骤2中将原数据按照域分割转化为新的输入向量的方法步骤包括：对数据特征以域为单位，将每个分类变量转化为独热编码的向量，连续变量用自身数值表示；将每个实例转化为(x,y)的形式；

其中x表示为：

其中x是一个向量，表示原数据中的第j个域；

其中y表示为：用于评估一个用户对特定产品点击的概率。

步骤3中的基于模型设置构建模型的模型包括：构建一个深度因子分解机模型，其包含3个部分，分别是：嵌入层部分、因子分解机部分以及深度网络部分。

所述的深度因子分解机模型的构成为：

其中是预测的点击率，y_FM是因子分解机部分的输出，y_DNN是深度网络部分的输出。

所述的嵌入层部分的构成为：

嵌入层连接输入向量，其表示如下：