[发明专利]一种基于时间序列的金融服务个性化推荐装置和方法

权利要求书

1.一种基于时间序列的金融服务个性化推荐方法，其特征在于,包括以下步骤：

S1：接收并存储用户对金融服务历史评分数据；

接收的用户对金融服务历史评分数据以三维张量S的形式进行存储，S表示金融服务历史评分数据的张量，S中包含的用户集合为I，金融服务产品集合为J，历史评分数据时间集合K，即有S_ijk∈|I×J×K|，其中|I|表示用户集合中包含的用户个数，|J|表示金融服务产品个数，|K|表示时间集合中时间段个数，S_ijk表示张量S中的一个元素，即第i个用户对第j个金融服务产品在第k个时间的评分；用Φ表示张量S中已知存在的元素的集合；

S2：根据存储的用户对金融服务历史评分数据，计算存在的隐特征数据；

S2-1：初始化推荐服务计算过程中所需参数和临时变量；

所述参数和临时变量包括：

金融服务产品数据隐特征矩阵U、P、T；隐特征维数F；最大训练迭代轮数R；训练过程中迭代轮数控制变量r；收敛终止阈值τ；隐特征控制因子λ_u、λ_p、λ_t和α，β，γ；其中，

隐特征维数F决定了计算获得的金融服务产品数据隐特征矩阵U、P、T隐特征空间维数即隐特征矩阵U、P、T的列数，其初始化为正整数；

隐特征矩阵U、P、T的大小由对应的金融服务评分数据张量S的每个维度值和隐特征维数F确定，即U为|I|行F列的隐特征矩阵、P为|J|行F列的隐特征矩阵、T为|K|行F列的隐特征矩阵；

最大训练迭代轮数R确定迭代训练过程中最大的训练迭代次数，用0初始化迭代轮数控制变量r；

用正数初始化收敛终止阈值τ，用于判断迭代过程是否已达到收敛条件；

隐特征控制因子λ_u、λ_p、λ_t和α，β，γ，用于控制训练迭代过程中对应隐特征矩阵U、P、T相关元素的参数；

S2-2：计算评分数据中隐含的能用于服务推荐的隐特征数据；

S2-2-1：在集合Φ上构造目标损失函数ε；

所述目标损失函数ε表达式为：

公式(1)中，(i,j,k)∈Φ表示在张量S中包含的已知元素的下标；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；限制条件表示隐特征矩阵U，P，T中的每个值在计算过程中要满足非负条件；e表示欧拉数，为常数；

S2-2-2：使用乘法更新规则对ε进行迭代优化，以保证隐特征矩阵元素的非负性；

所述迭代优化的公式如下：

公式(2)中，表示根据计算得到的隐特征值计算的金融服务数据张量中数值的估计值，j,k:(i,j,k)∈Φ表示张量S中第i个维度的切片矩阵中包含元素的所有下标；i,k:(i,j,k)∈Φ表示张量S中第j个维度的切片矩阵中包含元素的所有下标；i,j:(i,j,k)∈Φ表示张量S中第k个维度的切片矩阵中包含元素的所有下标；|Φ(i)|，|Φ(j)|，|Φ(k)|分别表示在张量S中每个维度的切片矩阵中包含的元素个数；

S2-2-3：判断损失函数ε在Φ上迭代训练过程是否达收敛；

S3：根据隐特征数据计算预测评分，并将预测评分排在前N位的金融服务产品推荐给用户。

2.如权利要求1所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,所述收敛条件为训练迭代轮数控制变量r达到最大训练迭代轮数R，或者本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ。

3.如权利要求1所述的一种基于时间序列的金融服务个性化推荐方法，其特征在于,

公式(3)中，h_ij表示第i个用户对第j个金融服务产品在第|K|+1时间段的预测评分；|K|表示时间集合中时间段个数；u_if表示隐特征矩阵U中第i行第f列的值；p_jf表示隐特征矩阵P中第j行第f列的值；t_kf表示隐特征矩阵T中第k行第f列的值；F表示隐特征矩阵U、P、T的列数。