信息推荐方法、信息推荐装置、电子设备及可读存储介质

技术领域

本公开实施例涉及人工智能技术领域，更具体地，涉及一种信息推荐方法、信息推荐装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

随着金融产业的快速发展，目前金融机构会将一些待推广的金融信息推荐给各个用户。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，采用相关技术难以实现个性化的金融信息推荐。

发明内容

有鉴于此，本公开实施例提供了一种信息推荐方法、信息推荐装置、电子设备、计算机可读存储介质及计算机程序产品。

本公开实施例的一个方面提供了一种信息推荐方法，包括：获取目标用户的目标金融行为信息，其中，上述目标用户的目标金融行为信息包括以下至少一项：上述目标用户的用户流水信息、用户风险评估信息和金融产品信息；将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息；以及向上述目标用户推荐上述目标金融信息。

根据本公开的实施例，上述获取目标用户的目标金融行为信息，包括：获取上述目标用户的原始金融行为信息；确定上述原始金融行为信息中与用户隐私相关的用户敏感信息；利用数据脱敏方法处理上述用户敏感信息，得到处理后的用户敏感信息；以及根据上述原始金融行为信息和上述处理后的用户敏感信息，确定上述目标金融行为信息。

根据本公开的实施例，上述信息推荐模型包括点击率模型和收益模型，其中，上述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，上述收益模型是利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到的。

根据本公开的实施例，上述将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分，包括：将上述目标用户的目标金融行为信息输入上述点击率模型，输出针对上述多个候选金融信息中的每个候选金融信息的点击率；将上述目标用户的目标金融行为信息输入上述收益模型，输出针对上述多个候选金融信息中的每个候选金融信息的效益；以及根据上述多个候选金融信息中的每个候选金融信息的点击率和效益，确定针对上述候选金融信息的推荐得分。

根据本公开的实施例，上述点击率模型是利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到的，包括：获取第一训练样本，其中，上述第一训练样本包括多个正样本和多个负样本，每个上述正样本包括样本用户的目标金融行为信息和上述样本用户针对样本产品的真实点击率，每个上述负样本包括上述样本用户的目标训练金融行为信息和上述样本用户针对上述样本产品的真实展示信息，上述样本用户的目标训练金融行为信息包括上述样本用户的用户流水信息、用户风险评估信息和金融产品信息；将上述多个正样本中的每个正样本所包括的样本用户的用户流水信息输入上述第一长短期记忆神经网络模型，输出第一向量；将上述多个正样本中的每个正样本所包括的样本用户的用户风险评估信息和金融产品信息输入上述第一深度神经网络模型，输出第二向量；将上述第二向量和上述第二向量进行拼接，得到第三向量；将上述第三向量输入上述第一神经网络模型，输出上述正样本所包括的上述样本用户针对上述样本产品的预测点击率；将上述多个负样本中的每个负样本所包括的样本用户的用户流水信息输入上述第一长短期记忆神经网络模型，输出第四向量；将上述多个负样本中的每个负样本所包括的样本用户的用户风险评估信息和金融产品信息输入上述第一深度神经网络模型，输出第五向量；将上述第四向量和上述第五向量进行拼接，得到第六向量；将上述第六向量输入上述第一神经网络模型，输出上述负样本所包括的上述样本用户针对上述样本产品的预测展示信息；以及根据多个上述真实点击率、多个上述预测点击率、多个上述真实展示信息和多个上述预测展示信息训练上述第一长短期记忆神经网络模型、上述第一深度神经网络模型和上述第一神经网络模型，得到上述点击率模型。

根据本公开的实施例，上述收益模型是利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到的，包括：获取第二训练样本，其中，上述第二训练样本包括多个训练组，每个上述训练组包括上述样本用户的目标金融行为信息和上述样本用户针对样本产品的真实效益，上述样本用户的目标训练金融行为信息包括上述样本用户的用户流水信息、用户风险评估信息和金融产品信息；将上述多个训练组的每个训练组所包括的样本用户的用户流水信息输入上述第二长短期记忆神经网络模型，输出第七向量；将上述多个训练组中的每个训练组所包括的样本用户的用户风险评估信息和金融产品信息输入上述第二深度神经网络模型，输出第八向量；将上述第七向量和上述第八向量进行拼接，得到第九向量；将上述第九向量输入上述第二神经网络模型，输出上述训练组所包括的上述样本用户针对上述样本产品的预测效益；以及根据多个上述真实效益和多个上述预测效益训练上述第二长短期记忆神经网络模型、上述第二深度神经网络模型和上述第二神经网络模型，得到上述收益模型。

根据本公开的实施例，上述根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息，包括：对多个上述推荐得分进行排序，得到排序结果；以及根据上述排序结果，从上述多个候选金融信息中确定上述目标金融信息。

根据本公开的实施例，上述用户流水信息包括以下至少一项：预设时间段内的交易的交易时间、交易金额和交易性质；上述金融产品信息包括以下至少一项：金融产品的风险等级、基金经理、资产规模、买入周期和赎回周期。

根据本公开的实施例，上述信息推荐模型是利用联邦学习框架进行训练得到的。

本公开实施例的另一个方面提供了一种信息推荐装置，包括获取模块、输出模块、确定模块和推荐模块。其中，获取模块，用于获取目标用户的目标金融行为信息，其中，上述目标用户的目标金融行为信息包括以下至少一项：上述目标用户的用户流水信息、用户风险评估信息和金融产品信息；输出模块，用于将上述目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；确定模块，用于根据多个上述推荐得分，从上述多个候选金融信息中确定目标金融信息；以及推荐模块，用于向上述目标用户推荐上述目标金融信息。

本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，通过利用信息推荐模型处理目标用户的目标金融行为，得到多个候选金融信息中的每个候选金融信息的推荐得分，并根据多个推荐得分确定向目标用户推荐的目标金融信息。由于目标用户的目标金融行为信息可以反映用户的个性化金融信息，因此，利用信息推荐模型处理目标用户的目标金融行为信息，得到多个候选金融信息中的每个候选金融信息的推荐得分，根据多个推荐得分，确定向目标用户推荐的目标金融信息，实现了个性化推荐，并且利用信息推荐模型处理目标金融行为信息，提高了推荐的准确性，进而满足了用户需求。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用信息推荐方法的示例性系统架构100；

图2示意性示出了根据本公开实施例的信息推荐方法200的流程图；

图3示意性示出了根据本公开实施例的信息推荐模型训练过程的示意图；

图4示意性示出了根据本公开的实施例的信息推荐装置400的框图；以及

图5示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备500的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在实现本公开构思的过程中发明人发现，相关技术中大多采用人工的方式进行金融信息的推荐，并且对不同的目标用户推荐相同的金融信息，难以实现个性化推荐。此外，相关技术中利用模型实现金融信息推荐的方法往往基于静态的用户信息来实现的，忽略了用户对于金融信息的需求变化，影响了用户推荐的准确性，从而难以满足用户的需求。

为了解决相关技术中存在的问题，发明人提出了一种利用信息推荐模型处理目标用户的目标金融行为信息，目标用户的目标金融行为信息包括目标用户的用户流水信息、用户风险评估信息和金融产品信息中的至少一种，确定待推荐的目标金融信息的方案。由于目标用户的目标金融行为信息可以反映用户的个性化金融信息，因此，利用信息推荐模型处理目标用户的目标金融行为信息，确定向目标用户推荐的目标金融信息，实现了个性化推荐，并且利用信息推荐模型处理目标金融行为信息，提高了推荐的准确性，进而满足了用户需求。

具体地，本公开的实施例提供了一种信息推荐方法、信息推荐装置、电子设备及可读存储介质。该方法包括获取流程、输出流程、确定流程和推荐流程。在获取流程中，获取目标用户的目标金融行为信息，目标用户的目标金融行为信息包括以下至少一项：目标用户的用户流水信息、用户风险评估信息和金融产品信息；在输出流程中，将目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分；在确定流程中，根据多个推荐得分，从多个候选金融信息中确定目标金融信息；在推荐流程中，向目标用户推荐目标金融信息。

需要注意的是，本公开实施例提供的信息推荐方法和装置可应用于金融领域，例如，用于银行工作人员向客户进行理财产品的推荐；此外，本公开实施例提供的信息推荐方法和装置还可应用于金融领域之外的其他领域，如在互联网技术领域中，信息提供方可以根据用户的行为进行适宜的内容推送，以提高信息提供方的用户留存率。本公开实施例提供的信息推荐方法和装置的应用领域并不受限。

图1示意性示出了根据本公开实施例的可以应用信息推荐方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

账户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对账户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的账户请求等数据进行分析等处理，并将处理结果(例如根据账户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的信息推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的信息推荐装置一般可以设置于服务器105中。本公开实施例所提供的信息推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的信息推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的信息推荐方法电可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的信息推荐装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，目标用户的目标金融行为信息可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的信息推荐方法，或者将目标金融行为信息发送到其他终端设备、服务器、或服务器集群，并由接收该目标金融行为信息的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的信息推荐方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的信息推荐方法200的流程图。

如图2所示，该方法200包括操作S210～S240。

在操作S210，获取目标用户的目标金融行为信息。

根据本公开的实施例，目标用户的目标金融行为信息可以是指目标用户在日常的交易行为中产生的、并且被数据库所记录的信息，可以包括用户流水信息、用户风险评估信息和金融产品信息中的一项或者多项的组合。

根据本公开的实施例，可以通过与目标用户签订隐私信息使用协议，并在征求目标用户同意后，从数据库中提取得到目标金融行为信息。

需要注意的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

在操作S220，将目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分。

根据本公开的实施例，信息推荐模型可以是基于已有的模型架构、使用多位用户的历史金融行为信息作为训练样本、使用多位用户的实际金融信息选择作为标签训练得到的。该信息推荐模型的输出层的神经元的数量大于候选金融信息的数量，以实现信息推荐模型的可拓展性。

根据本公开的实施例，金融信息可以是指具体的金融产品，例如基金发行方委托银行发售的基金产品等；另一方面，金融信息也可以是指金融服务，例如对于信贷、股票等的投资服务建议；此外，金融信息还可以包括与金融相关的新闻、科普文章、产品介绍类文章、视频等。

根据本公开的实施例，候选金融信息的推荐得分可以表示目标用户与该候选金融信息基于金融行为信息分析得到的匹配程度，推荐得分越高，表示目标用户选择该候选金融信息的概率越大。

在操作S230，根据多个推荐得分，从多个候选金融信息中确定目标金融信息。

在操作S240，向目标用户推荐目标金融信息。

根据本公开的实施例，通过利用信息推荐模型处理目标用户的目标金融行为，得到多个候选金融信息中的每个候选金融信息的推荐得分，并根据多个推荐得分确定向目标用户推荐的目标金融信息。由于目标用户的目标金融行为信息可以反映用户的个性化金融信息，因此，利用信息推荐模型处理目标用户的目标金融行为信息，得到多个候选金融信息中的每个候选金融信息的推荐得分，根据多个推荐得分，确定向目标用户推荐的目标金融信息，实现了个性化推荐，并且利用信息推荐模型处理目标金融行为信息，提高了推荐的准确性，进而满足了用户需求。

下面参考图3，结合具体实施例对图2所示的方法做进一步说明。

根据本公开的实施例，用户流水信息包括目标用户在预设时间范围内，通过各种渠道进行金融行为而产生的信息。具体地，用户流水信息中可以包括交易时间、交易金额、交易性质等信息。例如，用户流水信息可以包括用户在180天内进行股票交易的时间及金额的信息。

根据本公开的实施例，用户风险评估信息可以是产品提供方基于目标用户的历史金融行为信息进行确定的，例如，银行通过查询目标用户的征信信息，可以确定目标用户的抗风险能力，从而确定目标用户的风险评估信息。此外，用户风险评估信息也可以是用户通过自测手段得到的，例如，目标用户通过根据性格倾向完成问卷测试，从而得出投资倾向，从而确定目标用户的风险评估信息。

根据本公开的实施例，金融产品信息可以包括金融产品的风险等级、基金经理、资产规模、买入周期和赎回周期等。

根据本公开的实施例，获取的目标用户的金融行为信息中可能包括涉及目标用户隐私或者机密的敏感信息，例如，用户流水信息中的交易金额信息等。由于直接使用敏感信息用于金融信息推荐或者信息推荐模型的训练可能带来信息安全风险，因此，本公开的实施例中在金融行为信息的获取过程中采用了数据脱敏方法。

根据本公开的实施例，获取目标用户的目标金融行为信息可以包括如下操作。

获取目标用户的原始金融行为信息；确定原始金融行为信息中与用户隐私相关的用户敏感信息；利用数据脱敏方法处理用户敏感信息，得到处理后的用户敏感信息；以及根据原始金融行为信息和处理后的用户敏感信息，确定目标金融行为信息。

例如，对于原始金融行为信息中的交易金额，可以对交易金额作取对数以及取整的操作，如公式(1)所示：

Y′＝[log Y] (1)

在式中，Y表示原始交易金额，Y′表示脱敏后的交易金额，[·]表示向下取整。

需要注意的是，公式(1)所示的脱敏方法仅是示范性的实施例，在保证脱敏后的交易金额依然能保持与原始交易金额一致的偏序关系的基础上，可以使用任意数学方法进行数据脱敏，例如，在对原始交易金额进行对数操作前，还可以对原始交易金额作线性变换。

根据本公开的实施例，通过使用数据脱敏方法，一方面，脱敏后的交易金额无法直接准确地被还原为原始交易金额，有效保障了用户的信息安全，有效避免了信息推荐模型使用过程中可能发生的信息泄露问题。另一方面，由于原始交易金额和交易量之间的分布通常是幂指数分布，不利于模型学习，因此，通过对原始交易金额使用数据脱敏方法，还能使脱敏后的交易金额和交易量之间的分布接近正态分布，有利于提高信息推荐模型的准确度。

图3示意性示出了根据本公开实施例的信息推荐模型训练过程的示意图。

如图3所示，信息推荐模型可以是基于tensorflow等开源框架进行模型训练代码的编写，并利用脱敏后的样本用户的目标金融行为信息310和标签信息320，在部署好该开源框架的训练集群上运行训练任务得到的，其中，训练集群可以部署在私有云或者保密计算机上，以避免用户信息的泄露。

根据本公开的实施例，脱敏后的样本用户的目标金融行为信息310包括样本用户的用户流水信息311、用户风险评估信息312和金融产品信息313；标签信息320包括真实点击率321、真实展示信息322和真实效益323。

此外，本公开实施例的信息推荐模型还可以通过联邦学习的框架，与其他机构联合建模，通过联邦迁移学习方法，可以在不泄露隐私的情况下，充分利用用户在各个机构的分散数据，为用户提高更精确的信息推荐服务。

根据本公开的实施例，信息推荐模型包括点击率模型330和收益模型340。

根据本公开的实施例，点击率模型330可以是利用第一长短期记忆神经网络模型331、第一深度神经网络模型332和第一神经网络模型333联合训练得到的。

根据本公开的实施例，训练点击率模型330时使用的第一训练样本可以包括多个正样本和多个负样本。其中，每个正样本中可以包括目标金融行为信息310，并使用样本用户针对样本产品的真实点击率321作为标签；每个负样本中可以包括目标金融行为信息310，并使用样本用户针对样本产品的真实展示信息322作为标签。

根据本公开的实施例，训练点击率模型330的每一次迭代过程如下：

首先，将第一训练样本中的多个正样本输入点击率模型330中，得到预测点击率。

根据本公开的实施例，可以将多个正样本中的每个正样本所包括的样本用户的用户流水信息311输入第一长短期记忆神经网络模型331，将多个正样本中的每个正样本所包括的样本用户的用户风险评估信息312和金融产品信息313输入第一深度神经网络模型332。

根据本公开的实施例，将第一长短期记忆神经网络模型331输出的第一向量和第一深度神经网络模型332输出的第二向量进行拼接，可以得到第三向量。

根据本公开的实施例，将第三向量输入第一神经网络模型333中，可以得到输出的正样本所包括的样本用户针对样本产品的预测点击率。

然后，将第一训练样本中的多个负样本输入点击率模型330中，得到预测展示信息。

根据本公开的实施例，可以将多个负样本中的每个负样本所包括的样本用户的用户流水信息311输入第一长短期记忆神经网络模型331，将多个负样本中的每个负样本所包括的样本用户的用户风险评估信息312和金融产品信息313输入第一深度神经网络模型332。

根据本公开的实施例，将第一长短期记忆神经网络模型331输出的第四向量和第一深度神经网络模型332输出的第五向量进行拼接，可以得到第六向量。

根据本公开的实施例，将第六向量输入第一神经网络模型333中，可以得到输出的负样本所包括的样本用户针对样本产品的预测展示信息。

最后，利用损失函数完成点击率模型330的模型参数的更迭。

根据本公开的实施例，可以使用第一损失函数334依次对多个真实点击率321和多个预测点击率、对多个真实展示信息322和多个预测展示信息进行处理，得到损失值用于完成模型参数的更迭。

根据本公开的实施例，可以采用将正样本和负样本交替输入第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型的方式，对上述网络模型进行训练，以得到点击率模型330。

根据本公开的实施例，由于采用将正样本和负样本输入第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型，以对上述网络模型进行训练，因此，使得上述网络模型可以对比学习到正样本和负样本的特征。由于可以对比学习正样本和负样本的特征，因此，实现了对正样本的有效识别，进而保证了点击率模型的预测精度。此外，采用将正样本和负样本交替输入到上述网络模型中，对上述网络模型进行训练，也加快了模型训练速度。

根据本公开的实施例，收益模型340可以是利用第二长短期记忆神经网络模型341、第二深度神经网络模型342和第二神经网络模型343联合训练得到的。

根据本公开的实施例，训练收益模型340时使用的第二训练样本包括多个训练组。其中，每个训练组中包括目标金融行为信息310，使用样本用户针对样本产品的真实效益323作为标签。

根据本公开的实施例，训练收益模型340的每一次迭代过程如下：

首先，将第二训练样本中的多个训练组输入收益模型340，得到预测效益。

根据本公开的实施例，可以将第二训练样本中的每一个训练组中包括的样本用户的用户流水信息311输入第二长短期记忆神经网络模型341中，得到输出的第七向量。

根据本公开的实施例，可以将第二训练样本中的每一个训练组中包括的样本用户的用户风险评估信息312和金融产品信息313输入第一深度神经网络模型342中，得到输出的第八向量。

根据本公开的实施例，将第七向量和第八向量进行拼接得到的第九向量输入到第二神经网络模型343中，可以得到输出的训练组所包括的样本用户针对样本产品的预测效益。

之后，利用损失函数完成收益模型340的模型参数的更迭。

根据本公开的实施例，可以使用第二损失函数344对多个真实效益323和多个预测效益进行处理，得到损失值用于完成模型参数的更迭。

根据本公开的实施例，第一损失函数334和第二损失函数344例如可以是log损失函数、square损失函数、hubor损失函数等。第一损失函数334和第二损失函数344可以采用相同的损失函数，也可以采用不同的损失函数。

根据本公开的实施例，在点击率模型330和收益模型340的训练过程中，可以使用梯度下降法、随机梯度下降法等方法用于模型参数的更迭。

根据本公开的实施例，在训练点击率模型330和收益模型340的过程中可以预先设置模型训练的结束条件。例如，可以在每一次迭代中损失函数的损失值小于预设值时停止训练，或者，可以在每一次迭代中损失函数的梯度小于预设值时停止训练，再或者，可以在训练次数达到预设值后停止训练。

根据本公开的实施例，在完成点击率模型330和收益模型340的训练后，可以分别将目标用户的目标金融行为信息310输入到点击率模型330和收益模型340中，得到输出的针对多个候选金融信息中的每个候选金融信息的点击率351和效益352。根据每个候选金融信息的点击率351和效益352，可以确定该候选金融信息的推荐得分353，例如，可以根据公式(2)的方法进行推荐得分的计算：

score＝ctr×value (2)

在式中，score表示该候选金融信息的推荐得分，ctr表示该候选金融信息的点击率，value表示该候选金融信息的效益。

根据本公开的实施例，候选金融信息的点击率表示用户在接收到该候选金融信息后的使用概率，候选金融信息的效益表示信息提供方基于此次金融信息推荐的收益。根据金融信息的具体形式不同，金融信息的点击率和效益的形式也有所不同。例如，候选金融信息表示具体的金融产品，则该候选金融信息的点击率表示用户在接收到该金融产品的推荐后，用户选择该金融产品的概率；该候选金融信息的效益表示用户在接收到该金融产品的推荐后的入金金额。

根据本公开的实施例，根据多个候选金融信息的推荐得分353，便可确定目标金融信息，并将目标金融信息推荐给目标用户。例如，可以将多个推荐得分进行排序，从排序结果中选择得分最高的候选金融信息作为目标金融信息。此外，也可以是使用一个分类器进行目标金融信息的确定，例如，使用softmax分类器确定目标金融信息。

根据本公开的实施例，基于深度学习处理金融行为信息的金融信息推荐方法，由于金融行为信息包括目标用户的用户流水信息、用户风险评估信息和金融产品信息，上述信息可以体现用户风险承担能力、现金流状态和投资理财习惯的变化，因此，该方法能自动学习到用户风险承担能力、现金流状态和投资理财习惯的变化，由此，可以为用户提供更个性化、更高阶、更适合其现状的金融信息的推荐服务，降低了不同用户获取合适的金融信息的成本，从而满足了用户的需求，提高了用户的使用体验。

图4示意性示出了根据本公开的实施例的信息推荐装置400的框图。

如图4所示，信息推荐装置400包括获取模块410、输出模块420、确定模块430和推荐模块440。

获取模块410，用于获取目标用户的目标金融行为信息，其中，目标用户的目标金融行为信息包括以下至少一项：目标用户的用户流水信息、用户风险评估信息和金融产品信息。

输出模块420，用于将目标用户的目标金融行为信息输入信息推荐模型，输出针对多个候选金融信息中的每个候选金融信息的推荐得分。

确定模块430，用于根据多个推荐得分，从多个候选金融信息中确定目标金融信息。

推荐模块440，用于向目标用户推荐目标金融信息。

根据本公开的实施例，通过利用信息推荐模型处理目标用户的目标金融行为，得到多个候选金融信息中的每个候选金融信息的推荐得分，并根据多个推荐得分确定向目标用户推荐的目标金融信息。由于目标用户的目标金融行为信息可以反映用户的个性化金融信息，因此，利用信息推荐模型处理目标用户的目标金融行为信息，得到多个候选金融信息中的每个候选金融信息的推荐得分，根据多个推荐得分，确定向目标用户推荐的目标金融信息，实现了个性化推荐，并且利用信息推荐模型处理目标金融行为信息，提高了推荐的准确性，进而满足了用户需求。

根据本公开的实施例，获取模块410包括第一获取单元、第二获取单元、第三获取单元和第四获取单元。其中：

第一获取单元，用于获取用户的原始金融行为信息；

第二获取单元，用于确定原始金融行为信息中与用户隐私相关的用户敏感信息；

第三获取单元，用于利用数据脱敏方法处理用户敏感信息，得到处理后的用户敏感信息；以及

第四获取单元，用于根据原始金融行为信息和处理后的用户敏感信息，确定目标金融行为信息。

根据本公开的实施例，信息推荐模型包括点击率模型和收益模型，信息推荐装置还包括第一训练模块和第二训练模块，其中：

第一训练模块，用于利用第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型联合训练得到点击率模型；

第一训练模块，用于利用第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型联合训练得到收益模型。

根据本公开的实施例，输出模块420包括第一输出单元、第二输出单元和第三输出单元。其中：

第一输出单元，用于将目标用户的目标金融行为信息输入点击率模型，输出针对多个候选金融信息中的每个候选金融信息的点击率；

第二输出单元，用于将目标用户的目标金融行为信息输入收益模型，输出针对多个候选金融信息中的每个候选金融信息的效益；以及

第三输出单元，用于根据多个候选金融信息中的每个候选金融信息的点击率和效益，确定针对候选金融信息的推荐得分。

根据本公开的实施例，第一训练模块包括第一训练单元、第二训练单元、第三训练单元、第四训练单元、第五训练单元、第六训练单元、第七训练单元、第八训练单元、第九训练单元和第十训练单元。

其中：

第一训练单元，用于获取第一训练样本，其中，第一训练样本包括多个正样本和多个负样本，每个正样本包括样本用户的目标金融行为信息和样本用户针对样本产品的真实点击率，每个负样本包括样本用户的目标训练金融行为信息和样本用户针对样本产品的真实展示信息，样本用户的目标训练金融行为信息包括样本用户的用户流水信息、用户风险评估信息和金融产品信息；

第二训练单元，用于将多个正样本中的每个正样本所包括的样本用户的用户流水信息输入第一长短期记忆神经网络模型，输出第一向量；

第三训练单元，用于将多个正样本中的每个正样本所包括的样本用户的用户风险评估信息和金融产品信息输入第一深度神经网络模型，输出第二向量；

第四训练单元，用于将第二向量和第二向量进行拼接，得到第三向量；

第五训练单元，用于将第三向量输入第一神经网络模型，输出正样本所包括的样本用户针对样本产品的预测点击率；

第六训练单元，将多个负样本中的每个负样本所包括的样本用户的用户流水信息输入第一长短期记忆神经网络模型，输出第四向量；

第七训练单元，将多个负样本中的每个负样本所包括的样本用户的用户风险评估信息和金融产品信息输入第一深度神经网络模型，输出第五向量；

第八训练单元，将第四向量和第五向量进行拼接，得到第六向量；

第九训练单元，将第六向量输入第一神经网络模型，输出负样本所包括的样本用户针对样本产品的预测展示信息；以及

第十训练单元，根据多个真实点击率、多个预测点击率、多个真实展示信息和多个预测展示信息训练第一长短期记忆神经网络模型、第一深度神经网络模型和第一神经网络模型，得到点击率模型。

根据本公开的实施例，第二训练模块包括第十一训练单元、第十二训练单元、第十三训练单元、第十四训练单元、第十五训练单元和第十六训练单元。其中：

第十一训练单元，用于获取第二训练样本，其中，第二训练样本包括多个训练组，每个训练组包括样本用户的目标金融行为信息和样本用户针对样本产品的真实效益，样本用户的目标训练金融行为信息包括样本用户的用户流水信息、用户风险评估信息和金融产品信息；

第十二训练单元，用于将多个训练组的每个训练组所包括的样本用户的用户流水信息输入第二长短期记忆神经网络模型，输出第七向量；

第十三训练单元，用于将多个训练组中的每个训练组所包括的样本用户的用户风险评估信息和金融产品信息输入第二深度神经网络模型，输出第八向量；

第十四训练单元，用于将第七向量和第八向量进行拼接，得到第九向量；

第十五训练单元，用于将第九向量输入第二神经网络模型，输出训练组所包括的样本用户针对样本产品的预测效益；以及

第十六训练单元，用于根据多个真实效益和多个预测效益训练第二长短期记忆神经网络模型、第二深度神经网络模型和第二神经网络模型，得到收益模型。

根据本公开的实施例，确定模块430包括第一确定单元和第二确定单元。其中：

第一确定单元，用于对多个推荐得分进行排序，得到排序结果；以及

第二确定单元，用于根据排序结果，从多个候选金融信息中确定目标金融信息。

根据本公开的实施例，用户流水信息包括以下至少一项：预设时间段内的交易的交易时间、交易金额和交易性质；金融产品信息包括以下至少一项：金融产品的风险等级、基金经理、资产规模、买入周期和赎回周期。

根据本公开的实施例，第一训练模块和第二训练模块在训练信息推荐模型时利用了联邦学习框架。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块410、输出模块420、确定模块430、以及推荐模块440中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块410、输出模块420、确定模块430、以及推荐模块440中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、输出模块420、确定模块430、以及推荐模块440中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

根据本公开的实施例，本公开的实施例中信息推荐装置部分与本公开的实施例中信息推荐方法部分是相对应的，信息推荐装置部分的描述具体参考信息推荐方法部分，在此不再赘述。

图5示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备500的框图。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，根据本公开实施例的电子设备500包括处理器501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从存储部分508加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器((Erasable Programmable Read Only Memory，EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的信息推荐方法。

在该计算机程序被处理器501执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分509被下载和安装，和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在账户计算设备上执行、部分地在账户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(Local Area Network，LAN)或广域网(Wide Area Networks，WAN)，连接到账户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时电可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。