本发明涉及计算机，具体涉及一种基于多源数据的银行产品个性化推荐方法。
背景技术：
1、金融科技领域中的银行产品个性化推荐方法经历了从简单的规则推荐到复杂的智能推荐的演变过程。早期的银行产品推荐系统主要依赖于预定义的规则和人工设定的业务逻辑，根据客户的一些基本信息(如年龄、职业、收入等)进行简单的产品推荐。这种方法由于缺乏对用户行为和偏好的深入分析，推荐结果往往不够精准，用户体验较差。
2、随着大数据技术和机器学习算法的发展，银行开始利用更复杂的数据分析方法来改进推荐系统。采用基于协同过滤和内容过滤的推荐算法成为主流。协同过滤利用用户行为数据(如历史交易和浏览记录)进行推荐，而内容过滤则基于用户的显式偏好和产品特征进行推荐。这些方法在一定程度上提高了推荐的准确性，但仍存在数据孤岛、模型单一、个性化不足等问题。
3、近年来，深度学习的兴起为个性化推荐系统带来了新的机遇。通过深度神经网络，可以对用户的行为数据进行更深入的挖掘和分析。然而，这些模型主要侧重于单一数据源，未能充分利用多源数据的综合优势。
技术实现思路
1、本发明的目的是针对现有技术存在的不足，提供一种基于多源数据的银行产品个性化推荐方法。
2、为实现上述目的，本发明提供了一种基于多源数据的银行产品个性化推荐方法，包括：
3、获取用户的交易数据，并将所述交易数据建模为图数据g＝(v,e,x,y)，其中，v表示交易的实体，e为交易记录，x为交易特征矩阵，定义为x＝{x1,x2,…,xd}，且d为每个交易特征向量的维度，为实数，y为交易数据特征标签，
4、获取用户的基本数据，并将所述基本数据定义为u＝[u1,u2,...,un]，ui表示用户第i个基本数据特征，n为用户的基本数据的总数；
5、获取用户的行为数据，并将所述行为数据定义为b＝[b1，b2，…，bm]，bi表示用户第i个行为数据特征，m为用户的行为数据的总数；
6、基于图卷积神经网络gcn、卷积神经网络cnn和循环神经网络rnn分别对所述图数据g、基本数据u和行为数据b进行特征提取，以分别获得交易数据特征ft、基本数据特征fu和行为数据特征fb；
7、将所述交易数据特征ft、基本数据特征fu和行为数据特征fb转换至相同的维度，具体如下：
8、f′t＝wt·ft
9、f′u＝wu·fu
10、f′b＝wb·fb
11、其中，f′t、f′u、f′b分别为转换后的交易数据特征、基本数据特征和行为数据特征，wt、wu和wb分别为交易数据特征、基本数据特征和行为数据特征转换到同一维度的权重矩阵；
12、利用注意力权重对转换后的交易数据特征、基本数据特征和行为数据特征进行加权融合，得到最终的综合特征f为：
13、f＝αt·f′t+αu·f′u+αb·f′b
14、其中，αt、αu、αb分别表示转换后的交易数据特征、用户基本数据特征和用户行为数据特征的注意力权重；
15、将所述综合特征f输入到第一全连接层中，以获得最终的产品推荐结果，具体如下：
16、y＝softmax(w·f+b)
17、其中，w和b是第一全连接层的权重矩阵和偏置向量，y表示对用户的产品推荐结果，softmax(.)为归一化指数函数。
18、进一步的，所述图卷积神经网络gcn包括一层输入层、两层隐藏层和一层第一输出层，所述输入层用以接收图数据g，所述隐藏层的输出为：
19、
20、其中，l＝0时，h0表示第一层隐藏层输入的特征，h1表示第一层隐藏层输出的特征，w0为第一层隐藏层的权重矩阵，l＝1时，h2表示第二层隐藏层输出的特征，σ为激活函数，第一层隐藏层选择relu为激活函数，第二层隐藏层选择sigmoid为激活函数，为交易特征矩阵x的邻接矩阵加上自连接，为对应的度矩阵，w1为第一层隐藏层的权重矩阵；
21、所述第一输出层输出的交易数据特征ft为：
22、
23、进一步的，所述卷积神经网络cnn包括一层卷积层、一层池化层、一层第二全连接层和一层第二输出层，所述卷积层包括2个大小为2*1的卷积核，用以对基本数据u进行特征提取，输出特征图uconv为：
24、uconv＝relu((u*w′)+b′)
25、其中，relu表示激活函数，*表示卷积操作，w′是大小为2*1*2的卷积核权重张量，b′是大小为1*2的偏置张量；
26、经过所述池化层池化后的特征图xpool表示为：
27、xpool＝maxpool(uconv)
28、其中，maxpool表示池化操作；
29、所述第二全连接层用以将池化后的特征图xpool展平成一个向量xfc，具体表示为：
30、xfc＝relu(xpool·wfc+bfc)
31、其中，wfc、bfc分别为第二全连接层的权重矩阵和偏置向量；
32、所述第二输出层用以输出基本数据特征fu为：
33、fu＝sigmoid(xfc·woutput+boutput)
34、woutput是第二输出层的权重矩阵，大小为2*1，boutput是第二输出层的偏执向量，大小为1*2。
35、进一步的，所述循环神经网络rnn接收t时刻的用户行为数据bt，则t时刻的隐藏状态ht表示为：
36、ht＝tanh(wh·bt+uh·ht-1+bh)
37、其中，ht-1表示前一时间步的隐藏状态，wh和uh分别表示输入到隐藏状态和隐藏状态到隐藏状态的权重矩阵，bh为偏置向量，tanh为激活函数；
38、所述循环神经网络rnn将t时间间隔输出的隐藏状态作为行为数据特征fb输出。
39、进一步的，所述交易特征包括交易的时间、地点、设备和金额。
40、进一步的，所述基本数据包括用户的年龄、性别、职业、收入、婚姻状况和受教育程度。
41、进一步的，所述行为数据包括用户的浏览习惯、点击行为、停留时间、搜索记录、账户使用频率和客户咨询记录。
42、有益效果：1、本发明通过整合来自交易数据、用户基本数据和用户行为数据等多源信息，本方案有效打破数据孤岛，实现了数据的统一管理和集成，确保能够全面获取用户的多维信息，提高了对用户偏好的理解深度；
43、2、本发明针对不同类型的数据，分别采用最适合的特征提取模型，这种差异化的特征提取方法确保了对不同数据类型的最优处理，充分挖掘各类数据的潜在价值；
44、3、本发明基于注意力机制的特征融合技术，根据每种特征的重要性动态分配权重，有效融合不同数据源的特征。注意力机制能够识别和放大重要特征，同时抑制不相关或冗余信息，从而提高推荐系统的准确性和鲁棒性。
1.一种基于多源数据的银行产品个性化推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述图卷积神经网络gcn包括一层输入层、两层隐藏层和一层第一输出层，所述输入层用以接收图数据g，所述隐藏层的输出为：
3.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述卷积神经网络cnn包括一层卷积层、一层池化层、一层第二全连接层和一层第二输出层，所述卷积层包括2个大小为2*1的卷积核，用以对基本数据u进行特征提取，输出特征图uconv为：
4.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述循环神经网络rnn接收t时刻的用户行为数据bt，则t时刻的隐藏状态ht表示为：
5.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述交易特征包括交易的时间、地点、设备和金额。
6.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述基本数据包括用户的年龄、性别、职业、收入、婚姻状况和受教育程度。
7.根据权利要求1所述的一种基于多源数据的银行产品个性化推荐方法，其特征在于，所述行为数据包括用户的浏览习惯、点击行为、停留时间、搜索记录、账户使用频率和客户咨询记录。
