(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211124896.5 (22)申请日 2022.09.15 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 武晨艳　杨文琦　赵志超　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 贾磊　陶海萍 (51)Int.Cl. G06Q 40/06(2012.01) G06F 16/9535(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种金融投资产品的推荐方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及金融科技领域， 尤其涉及一种金 融投资产品的推荐方法、 装置、 设备及存储介质。 包括， 将用户的多个历史操作行为输入到深度学 习网络中进行训练， 得到最终训练结果， 历史操 作行为包括所述用户对一个产品的操作行为； 根 据最终训练结果计算用户的推荐产品。 通过本发 明实施例的方法， 实现了通过对用户的多个历史 操作行为进行分析， 得到最佳推荐产品， 能够更 好地满足用户的需求， 从而为用户提供更精准的 智能服务， 能够满足更好的用户体验， 解决了现 有技术中金融投资产品的推荐不够人性化和智 能化， 用户仍需要根据自身的经济情况对推荐的 金融投资产品进行分析后方能选择出最适合的 金融投资产品， 导致金融投资产品的推荐体验差 的问题。 权利要求书2页 说明书9页 附图3页 CN 115439259 A 2022.12.06 CN 115439259 A 1.一种金融投资产品的推荐方法， 其特 征在于， 所述方法包括， 将用户的多个历史操作行为输入到深度学习 网络中进行训练， 得到最终训练结果， 所 述历史操作行为包括所述用户对一个产品的操作行为； 根据所述 最终训练结果计算所述用户的推荐产品。 2.根据权利要求1所述的方法， 其特征在于， 将用户的多个历史操作 行为输入到深度 学 习网络中进行训练， 得到最终训练结果进一 步包括， 利用嵌入向量表示所述用户， 所述嵌入向量为eua∈Rd， 其中， d表示嵌入的大小， R表示 所述用户的多个历史操作行为构成的集 合； 将所述嵌入向量输入到包括多个嵌入传播层的所述深度 学习网络 中进行训练， 得到最 终训练结果。 3.根据权利要求2所述的方法， 其特征在于， 将所述嵌入向量输入到包括多个嵌入传播 层的所述深度学习网络中进行训练进一 步包括， 将所述嵌入向量输入到第 一个嵌入传播层进行训练， 得到第 一个嵌入传播层的训练结 果； 将上一个嵌入传播层的训练结果输入到下一个嵌入传播层中进行训练， 直到训练完最 后一个嵌入传播层。 4.根据权利要求3所述的方法， 其特征在于， 将上一个嵌入传播层的训练结果输入到下 一个嵌入传播层中进行训练的公式为， 其中， eua(n)表示所述下一个嵌入传播层的训练结果， eua(n‑1)表示所述上一个嵌入传播 层的训练结果， σ 表示非线性激活函数， 每一层嵌入传播层又由两层网络组成w1表示上一个 嵌入传播层的网络参 数， w2表示上一个嵌入传播层的注意力网络 参数， w3表示下一个嵌入传 播层的网络参数， w4表示下一个嵌入传播层的注意力网络参数， 表示两个向量的串联操 作， ha的公式为， 其中， w表示所述深度学习网络的权重， C(a)表示与所述用户存在交互的产品集合， xas表示用户与产品关系的嵌入表示， b表示所述深度学习网络的偏置 。 5.根据权利要求3所述的方法， 其特征在于， 将上一个嵌入传播层的训练结果输入到下 一个嵌入传播层中进行训练还 包括， 利用公式 对上一个嵌入传播层的训练结果进行时间衰减， 以便于将时间 衰减后的训练结果输入 到下一个嵌入传播层中进行训练， 其中， 表示时间衰减后的训练 结果， 表示上一个嵌入传播层的训练结果， α表示指数衰减常数， t表示上一个嵌入传播 层的训练时间。权　利　要　求　书 1/2 页 2 CN 115439259 A 26.根据权利要求3所述的方法， 其特征在于， 根据 所述最终训练结果计算所述用户的推 荐产品进一 步包括， 利用公式 将每个嵌入传播层的训练结果进行连接， 得到所述用户的最 终嵌入表达， 其中， 表示所述最终嵌入表达， 表示第一个嵌入传播层的训练结果， 表示第L个嵌入传播层的训练结果， | |表示连接操作； 将所述最终嵌入表达输入到多层感知机制进行评分预测， 其中， 所述多层感知机制的 公式为， 其中， rab表示所述用户对所述产品的预测评分， W1表示多层感知机制的第一层感知机 制的参数， WL表示第L层感知机制的网络参数， b1表示第一层感知机制的偏置， bL表示第L层 感知机制的偏置， w表示所述深度学习网络的权 重； 将所述预测评分最高的所述产品作为所述推荐产品。 7.一种金融投资产品的推荐装置， 其特 征在于， 包括： 训练单元， 用于将用户的多个历史操作行为输入到深度学习 网络中进行训练， 得到最 终训练结果， 所述历史操作行为包括所述用户对一个产品的操作行为； 产品推荐单 元， 用于根据所述 最终训练结果计算所述用户的推荐产品。 8.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至6任一所述方 法。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现权利要求1至 6任一所述方法。 10.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序， 所述计 算机程序被处 理器执行时实现权利要求1至 6任一所述方法。权　利　要　求　书 2/2 页 3 CN 115439259 A 3