基于半高斯采样的金融产品推荐方法、系统、设备及介质

    公开(公告)号:CN119205281A

    公开(公告)日:2024-12-27

    申请号:CN202411718037.8

    申请日:2024-11-28

    Applicant: 济南大学

    Abstract: 本发明涉及时间序列预测技术领域,提供了一种基于半高斯采样的金融产品推荐方法、系统、设备及介质。基于半高斯采样的金融产品推荐方法包括,获取多种金融产品的历史属性数据和历史热度数据,并进行预处理,构建样本集,将样本集划分为训练集和测试集,将训练集中的样本序号映射到半高斯分布的x轴区间[μ‑3σ,μ]内,计算每个样本的权重,并将权重转化为概率值;多项式分布利用所述概率值进行有放回的抽取若干个样本;基于抽取的若干个样本和每个样本对应的真实值,对动态时间卷积网络进行训练,得到训练好的动态时间卷积网络,用于预测所有金融产品的排名,并加排名靠前的若干金融产品推荐给用户。本发明能够生成更加精准的推荐结果。

    基于半高斯采样的金融产品推荐方法、系统、设备及介质

    公开(公告)号:CN119205281B

    公开(公告)日:2025-04-04

    申请号:CN202411718037.8

    申请日:2024-11-28

    Applicant: 济南大学

    Abstract: 本发明涉及时间序列预测技术领域,提供了一种基于半高斯采样的金融产品推荐方法、系统、设备及介质。基于半高斯采样的金融产品推荐方法包括,获取多种金融产品的历史属性数据和历史热度数据,并进行预处理,构建样本集,将样本集划分为训练集和测试集,将训练集中的样本序号映射到半高斯分布的x轴区间[μ‑3σ,μ]内,计算每个样本的权重,并将权重转化为概率值;多项式分布利用所述概率值进行有放回的抽取若干个样本;基于抽取的若干个样本和每个样本对应的真实值,对动态时间卷积网络进行训练,得到训练好的动态时间卷积网络,用于预测所有金融产品的排名,并加排名靠前的若干金融产品推荐给用户。本发明能够生成更加精准的推荐结果。

Patent Agency Ranking