CN116523602B 一种多方半监督学习的金融产品潜在用户推荐方法 （重庆邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116523602B(45)授权公告日2025.07.01

(21)申请号202310508313.7

(22)申请日2023.05.08

(65)同一申请的已公布的文献号申请公布号CN116523602A

(43)申请公布日2023.08.01

(73)专利权人重庆邮电大学

地址400065重庆市南岸区黄桷垭崇文路2

号

(72)发明人陈奉何杭轩钱鹰陈雪

吕九峦韦庆杰熊炜

(74)专利代理机构北京同恒源知识产权代理有限公司11275

专利代理师廖曦

(51)Int.CI.

GO6Q30/0601(2023.01)

G06Q40/00(2023.01)

GO6F21/62(2013.01)

GO6N3/0895(2023.01)

GO6N3/098(2023.01)

GO6N20/00(2019.01)

(56)对比文件

XinLiu等.Multi-PartyFederated

RecommendationBasedonSemi-SupervisedLearning.《356IEEETRANSACTIONSONBIGDATA》.2023,356-370.

审查员王咏冬

权利要求书5页说明书11页附图3页

(54)发明名称

一种多方半监督学习的金融产品潜在用户推荐方法

(57)摘要

CN116523602B本发明涉及一种多方半监督学习的金融产品潜在用户推荐方法，属于大数据推荐领域，针对金融产品提供方只拥有正样本的己方数据而无法进行推荐的问题，在保护多方数据安全隐私的情况下，联合多方未标记数据进行多次随机采样，构建正负样本均衡的二分类数据集，训练基于基学习器的纵向联邦学习模型，根据其预测结果，从未标记样本数据中选出可靠正样本，多次迭代数据集重构采样、模型训练预测过程，选出批量可靠正样本。本方法有效地解决了只有少量正样本和大量未标记样本的批量推荐，提高了推荐的可靠性，实现了金融产品潜在用户的精准与批量推

CN116523602B

建立产品推荐多方数据集，对其进行预处理、样本对齐，构建正样本数据集和末标记样本数据集。

建立产品推荐多方数据集，对其进行预处理、样本对齐，构建正样本数据集和末标记样本数据集。

在未标记样本数据集中进行随机有放回采样，建立负样本数据集，与正样本数据集构建训练集，而

采样之后未标记样本数据集为预则集。

构建基于基学习器的纵向联邦学习模里，在调练集和预测集上分别进行训练、预测，得到预测集中

每个样本的预测分数。

否

完成深样、调练与预通过程M次?

根据未标记样本数据集中每个样本预测分数总和及其出现在陵期集中次数总和，计算该样本预施为正样本的概率，并进行排序，选出排名靠前的样本作为可靠正样本，加入正样本数据集，同时将它

否

达朝最大选代次数?

是

对选出的所有可靠正样本作为潜在用户进行金融产品精准批量推荐

CN116523602B权利要求书1/5页

2

1.一种多方半监督学习的金融产品潜在用户推荐方法，其特征在于：包括以下步骤：

S1:建立包含购买金融产品用户信息和其他多方用户信息的金融产品潜在用户推荐多方数据集，并对所述金融产品潜在用户推荐多方数据集进行预处理、样本对齐，构建正样本数据集和未标记样本数据集；

S2:在未标记样本数据集中进行随机有放回采样，建立负样本数据集；利用所述负样本数据集与正样本数据集构建训练集，利用未标记样本数据集中未被采样到的样本构建预测集；构建基于基学习器的纵向联邦学习模型，在训练集上进行训练，在预测集上进行预测，得到预测集中每个样本的预测分数；

S3:多次重复步骤S2的采样、训练与预测过程；根据所述未标记样本数据集中每个样本预测分数总和及其出现在预测集中的次数，计算该样本预测为正样本的概率；按照正样本的概率从大到小对所述未标记样本数据集中所有样本进行排序，根据先验知识选出排名靠前的样本作为可靠正样本，并将它们加入到所述正样本数据集中，同时将它们从所述未标记样本数据集中删除；

S4:重复步骤S2-S3,直到达到预设的最大迭代次数；由此，将从所述未标记样本数据集中选出的所有可靠正样本作为潜