基于計(jì)算機(jī)技術(shù)的金融服務(wù)系統(tǒng)及用戶行為預(yù)測(cè)研究

摘要：為加快金融企業(yè)數(shù)字化轉(zhuǎn)型實(shí)現(xiàn)進(jìn)程，文章探討了基于計(jì)算機(jī)技術(shù)的數(shù)字化金融服務(wù)系統(tǒng)設(shè)計(jì)方案，明確系統(tǒng)分層開發(fā)架構(gòu)；從基礎(chǔ)設(shè)施、行為監(jiān)控、任務(wù)管理、智能服務(wù)4個(gè)方面設(shè)計(jì)金融服務(wù)系統(tǒng)全流程；圍繞智能服務(wù)層構(gòu)建用戶金融行為預(yù)測(cè)模型；通過(guò)交叉特征提取、分解因子機(jī)與高階特征提取實(shí)現(xiàn)用戶金融行為預(yù)測(cè)。實(shí)驗(yàn)結(jié)果顯示，該系統(tǒng)預(yù)測(cè)性能良好，可實(shí)現(xiàn)智能化金融服務(wù)。

關(guān)鍵詞：數(shù)字化專項(xiàng)；計(jì)算機(jī)技術(shù)；金融服務(wù)系統(tǒng)

中圖分類號(hào)：TP39" 文獻(xiàn)標(biāo)志碼：A

作者簡(jiǎn)介：張祖赫（2004— ），男，本科生；研究方向：能源與動(dòng)力工程，電子信息工程。

0" 引言

近年來(lái)，計(jì)算機(jī)技術(shù)高速發(fā)展，大數(shù)據(jù)的產(chǎn)生及應(yīng)用已成為當(dāng)今時(shí)代主流。在此背景下，各類信息的產(chǎn)生速度與規(guī)模均呈現(xiàn)爆炸式增長(zhǎng)趨勢(shì)，數(shù)據(jù)儼然已經(jīng)發(fā)展為各行各業(yè)的核心資源，為其競(jìng)爭(zhēng)優(yōu)勢(shì)的培育提供重要支持。基于此，金融領(lǐng)域應(yīng)持續(xù)探索自身數(shù)字化轉(zhuǎn)型路徑，以計(jì)算機(jī)技術(shù)為依托，構(gòu)建金融服務(wù)系統(tǒng)，持續(xù)積累技術(shù)經(jīng)驗(yàn)，健全組織機(jī)構(gòu)，加快部門發(fā)展進(jìn)程，通過(guò)全面與有效提升數(shù)字金融發(fā)展水平，持續(xù)改進(jìn)與優(yōu)化自身業(yè)務(wù)鏈條，提供更加優(yōu)質(zhì)的金融服務(wù)［1］。而另一方面，在互聯(lián)網(wǎng)金融日益普及的背景下，人們?cè)诮鹑陬I(lǐng)域的行為同樣發(fā)生極大變化，復(fù)雜程度日益增加，金融消費(fèi)已然擺脫時(shí)間與空間的束縛，對(duì)用戶金融行為進(jìn)行預(yù)測(cè)已經(jīng)發(fā)展為當(dāng)前研究熱點(diǎn)。在傳統(tǒng)用戶金融行為預(yù)測(cè)方面，以規(guī)則與統(tǒng)計(jì)為支撐的預(yù)測(cè)方法已經(jīng)無(wú)法滿足預(yù)測(cè)準(zhǔn)確度以及預(yù)測(cè)實(shí)時(shí)性的要求。對(duì)此，文章構(gòu)建數(shù)字化金融服務(wù)系統(tǒng)，思考利用系統(tǒng)對(duì)用戶金融行為進(jìn)行預(yù)測(cè)的實(shí)現(xiàn)方案，以期為更好與更快地實(shí)現(xiàn)金融數(shù)字化轉(zhuǎn)型目標(biāo)提供重要參考及借鑒。

1" 金融服務(wù)與用戶行為預(yù)測(cè)現(xiàn)狀

在當(dāng)前金融服務(wù)領(lǐng)域，用戶金融行為大多基于深度學(xué)習(xí)方法進(jìn)行預(yù)測(cè)，現(xiàn)有研究利用卷積神經(jīng)網(wǎng)絡(luò)長(zhǎng)短期記憶（Convolutional Neural Network Long Short Term Memory，CNN-LSTM）模型對(duì)用戶購(gòu)買行為進(jìn)行預(yù)測(cè)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）抽取特征并借助長(zhǎng)短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)構(gòu)建時(shí)間序列，達(dá)到自動(dòng)抽取特征并預(yù)測(cè)用戶購(gòu)買行為的目的。但是所提方法未對(duì)低階特征在用戶購(gòu)買行為上的干擾給予足夠的重視。對(duì)此，深度因子分解模型（Deep Factorization Machines，DeepFM）通過(guò)雙塔模型執(zhí)行數(shù)據(jù)低階與高階特征的提取任務(wù)，能夠?qū)崿F(xiàn)端到端用戶購(gòu)買行為預(yù)測(cè)，然而模型輸入在連續(xù)性方面有所欠缺，須要利用文本特征對(duì)用戶行為進(jìn)行預(yù)測(cè)，在多數(shù)狀態(tài)下借助低維稠密向量表示。

為了解決深度神經(jīng)方法在提取金融數(shù)據(jù)特征的過(guò)程中的不足，本文通過(guò)對(duì)用戶金融行為的精準(zhǔn)挖掘，實(shí)現(xiàn)金融服務(wù)模式及質(zhì)量的優(yōu)化；在數(shù)字化金融服務(wù)系統(tǒng)的基礎(chǔ)上，提出一種基于多路交叉特征的用戶金融行為預(yù)測(cè)算法；以數(shù)據(jù)屬性為參考執(zhí)行訓(xùn)練特征構(gòu)建任務(wù)，在數(shù)據(jù)特征隱含相連的基礎(chǔ)上，經(jīng)由特征交叉層提取金融數(shù)據(jù)特征，解決了LSTM忽視低階特征重要性的不足；通過(guò)殘差網(wǎng)絡(luò)執(zhí)行金融數(shù)據(jù)特征提取任務(wù)，解決了網(wǎng)絡(luò)層數(shù)過(guò)深導(dǎo)致的連續(xù)性缺失問(wèn)題。

2" 數(shù)字化金融服務(wù)系統(tǒng)設(shè)計(jì)及用戶行為預(yù)測(cè)

2.1" 系統(tǒng)架構(gòu)

數(shù)字化金融服務(wù)系統(tǒng)的構(gòu)建以計(jì)算機(jī)技術(shù)為依托，系統(tǒng)分層開發(fā)架構(gòu)如圖1所示。

文章遵循前后端分離［2］的開發(fā)理念，利用計(jì)算機(jī)技術(shù)對(duì)金融服務(wù)系統(tǒng)進(jìn)行設(shè)計(jì)與開發(fā)。系統(tǒng)前端數(shù)據(jù)交互通過(guò)Spring的Web模塊來(lái)實(shí)現(xiàn)；系統(tǒng)后端運(yùn)用由下至上的MVC（Model-View-Controller）分層設(shè)計(jì)［3］模式，劃分模型、視圖與控制器3大模塊。在HTTP協(xié)議的支持下，前后端實(shí)現(xiàn)數(shù)據(jù)交互并向業(yè)務(wù)邏輯層傳輸數(shù)據(jù)，由業(yè)務(wù)邏輯層完成具體的業(yè)務(wù)，基于ORM數(shù)據(jù)持久化層實(shí)現(xiàn)后端對(duì)數(shù)據(jù)庫(kù)的訪問(wèn)。

2.2" 系統(tǒng)金融服務(wù)全流程

數(shù)字化金融服務(wù)系統(tǒng)可分為4個(gè)子環(huán)節(jié)，分別為基礎(chǔ)設(shè)施、金融行為監(jiān)控、任務(wù)管理與智能服務(wù)。在4個(gè)子環(huán)節(jié)的共同作用下，系統(tǒng)可以實(shí)現(xiàn)用戶金融行為預(yù)測(cè)功能，為用戶提供針對(duì)性的金融服務(wù)。

（1）基礎(chǔ)設(shè)施。該環(huán)節(jié)主要為數(shù)據(jù)基礎(chǔ)設(shè)施提供有力支撐，不僅涉及MySQL等數(shù)據(jù)服務(wù)，還涵蓋Docker等云服務(wù)設(shè)施。

（2）行為監(jiān)控。該環(huán)節(jié)主要根據(jù)特定要求或基于相關(guān)程序的驅(qū)動(dòng)對(duì)產(chǎn)生于不同方式下的金融數(shù)據(jù)進(jìn)行集成式處理，以此為基礎(chǔ)確定用戶的行為屬性。

（3）任務(wù)管理。該環(huán)節(jié)的主要功能體現(xiàn)在數(shù)據(jù)抓取方面，即抓取用戶金融行為數(shù)據(jù)并將實(shí)時(shí)生成的金融服務(wù)子任務(wù)分配給服務(wù)人員。

（4）智能服務(wù)。該環(huán)節(jié)主要應(yīng)用計(jì)算機(jī)技術(shù)中的多路交叉特征分析算法對(duì)用戶行為進(jìn)行精準(zhǔn)預(yù)測(cè)，確定高價(jià)值用戶，為其提供智能化的金融服務(wù)，保證服務(wù)安全性、高效性與便捷性。

2.3" 用戶金融行為預(yù)測(cè)

數(shù)字化金融服務(wù)系統(tǒng)的智能服務(wù)層利用多路交叉特征分析算法［4］，構(gòu)建圖2所示的用戶金融行為預(yù)測(cè)模型。

面向金融服務(wù)系統(tǒng)智能服務(wù)層的用戶金融行為預(yù)測(cè)模型主要包括3個(gè)部分：左側(cè)通過(guò)預(yù)訓(xùn)練模型確定稠密向量，將用戶數(shù)據(jù)信息連特征及連續(xù)特征表示出來(lái)；中間借助交叉層對(duì)輸入特征進(jìn)行交叉處理，明確高階特征向量；右側(cè)利用殘差網(wǎng)絡(luò)模塊提取高階特征，明確高階組合。智能服務(wù)層通過(guò)連接各模塊的輸出特征向量，將這些特征向量用于網(wǎng)絡(luò)輸入數(shù)據(jù)，以便完成用戶金融行為的預(yù)測(cè)任務(wù)。

2.3.1" 交叉特征提取

用戶金融行為預(yù)測(cè)模型通過(guò)x0xTl執(zhí)行特征交叉任務(wù)，用原始特征和交叉特征層完成乘法運(yùn)算，借助rank-one數(shù)字將特征交叉表示出來(lái)，如式（1）所示。

el+1=e0eTlwl+bl+el（1）

其中，el+1為l+1層特征向量，e0與el分別為模型原始、l層特征向量，wl與bl分別為l層模型參數(shù)及其偏移量。

各層均由上層特征實(shí)施交叉組合且重新疊加上層原始特征。交叉層在不斷增加的過(guò)程中能夠生成任意高階交叉組合特征，由于不會(huì)引入其余參數(shù)，可對(duì)模型復(fù)雜度進(jìn)行合理控制。

2.3.2" 分解因子機(jī)

用戶金融行為預(yù)測(cè)模型通過(guò)對(duì)下游任務(wù)的運(yùn)用進(jìn)行訓(xùn)練，借助多路交叉特征分析算法實(shí)施初始化處理，以此加快模型訓(xùn)練及收斂速度。通常，模型僅適用于式（2）所示二階特征組合。

y=θ0+∑ni=1θixi+∑n-1i=1∑nj=i+1θijxixj（2）

其中，θ0、θi與θij分別為偏置、一階特征、二階組合特征參數(shù)，xi與xj分別為第i個(gè)與第j個(gè)特征。

進(jìn)一步地，有：

y=θ0+∑ni=1θixi+∑n-1i=1∑nj=i+1lt;vi，vjgt;xixj（3）

其中，vi、vj分別為對(duì)應(yīng)于特征i、 j的隱向量。

本文利用多路交叉特征分析算法對(duì)模型數(shù)據(jù)特征進(jìn)行預(yù)訓(xùn)練，能夠得到數(shù)據(jù)特征的隱向量表達(dá)。通過(guò)初始化多路交叉特征分析算法，可以借助數(shù)據(jù)集執(zhí)行對(duì)特征隱向量的微調(diào)處理，進(jìn)而實(shí)現(xiàn)對(duì)用戶金融行為進(jìn)行更加精準(zhǔn)的預(yù)測(cè)。

2.3.3" 高階特征提取

本文運(yùn)用基于殘差網(wǎng)絡(luò)的高階特征提取方法，結(jié)合用戶ID信息特征及連續(xù)型特征，將其作為模型輸入；通過(guò)基于深度神經(jīng)網(wǎng)絡(luò)的殘差概念深化網(wǎng)絡(luò)，在網(wǎng)絡(luò)深度持續(xù)增加的過(guò)程中，持續(xù)交叉并組合各項(xiàng)特征，以此得到彰顯泛化特性的高階特征。殘差網(wǎng)絡(luò)算法如式（4）所示。

el=el-1+f（el-1，wl）（4）

其中，el與el-1分別為l層的輸出與輸入特征，wl為l層的參數(shù)。

3" 數(shù)字化金融服務(wù)系統(tǒng)測(cè)試

為了驗(yàn)證數(shù)字化金融服務(wù)系統(tǒng)智能服務(wù)層應(yīng)用多路交叉特征分析算法預(yù)測(cè)用戶金融行為的有效性，本文進(jìn)行實(shí)驗(yàn)分析，利用系統(tǒng)在天弘基金數(shù)據(jù)集上針對(duì)用戶點(diǎn)擊行為實(shí)施預(yù)測(cè)，通過(guò)mAP測(cè)評(píng)算法性能。在對(duì)mAP進(jìn)行計(jì)算的過(guò)程中，本文將第2、4、6、8、10個(gè)結(jié)果作為所選指標(biāo)進(jìn)行統(tǒng)計(jì)，驗(yàn)證多路交叉特征分析算法對(duì)用戶金融行為預(yù)測(cè)的效果。mAP計(jì)算如下：

mAP=1q∑qi=1APi（5）

其中，q為查詢集合中的數(shù)據(jù)量，APi為查詢i的準(zhǔn)確度。

經(jīng)測(cè)試，mAP第2、4、6、8、10個(gè)指標(biāo)分別為0.765、0770、0.775、0.778、0.783。系統(tǒng)通過(guò)預(yù)訓(xùn)練模型執(zhí)行特征隱向量的初始化任務(wù)，在收斂速度、預(yù)測(cè)效果方面均有優(yōu)異表現(xiàn)。考慮數(shù)據(jù)的低階特征，系統(tǒng)運(yùn)用殘差網(wǎng)絡(luò)增加了高階交叉特征數(shù)量。因而，本文設(shè)計(jì)系統(tǒng)的性能良好，對(duì)用戶金融行為的預(yù)測(cè)結(jié)果有較高精度。

4" 結(jié)語(yǔ)

為了實(shí)現(xiàn)金融數(shù)字化管理，對(duì)用戶金融行為進(jìn)行精準(zhǔn)預(yù)測(cè)，本文提出一種數(shù)字化金融服務(wù)系統(tǒng)，利用多路交叉特征分析算法執(zhí)行用戶金融行為的預(yù)測(cè)內(nèi)容，通過(guò)mAP測(cè)評(píng)系統(tǒng)性能。結(jié)果表明，本文設(shè)計(jì)系統(tǒng)在用戶金融行為預(yù)測(cè)結(jié)果方面具有較高的精度，對(duì)企業(yè)數(shù)字化轉(zhuǎn)型具有強(qiáng)大的推動(dòng)作用，是實(shí)現(xiàn)金融企業(yè)數(shù)字化轉(zhuǎn)型的一個(gè)重要手段。今后，在計(jì)算機(jī)技術(shù)的快速發(fā)展與廣泛應(yīng)用背景下，金融服務(wù)系統(tǒng)將進(jìn)一步實(shí)現(xiàn)去中心化、防篡改以及交易可追溯等功能，以保證合規(guī)性為基礎(chǔ)，進(jìn)一步實(shí)現(xiàn)系統(tǒng)安全性及運(yùn)行效率的大幅提升。

參考文獻(xiàn)

［1］張超，劉學(xué)軍，王國(guó)環(huán)，等.基于云化架構(gòu)金融服務(wù)系統(tǒng)業(yè)務(wù)不間斷升級(jí)改造實(shí)踐［J］.中國(guó)信息化，2023（7）：44-46.

［2］黃彬系.面向消費(fèi)金融的數(shù)據(jù)服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2020.

［3］黃靖.金融服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.南京：南京大學(xué)，2018.

［4］鞠彥輝，牟冬梅，韓文琪.基于語(yǔ)義云的線上物流金融服務(wù)系統(tǒng)研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2016（8）：156-160，165.

（編輯" 王雪芬）

Research on financial service system and user behavior prediction

based on computer technology

ZHANG" Zuhe1， JIA" Jianan2

（1.University of Shanghai for Science and Technology， Shanghai 200082， China；2.Tangshan Polytechnic College， Tangshan 063000， China）

Abstract： In order to accelerate the realization of the digital transformation of financial enterprises， this paper discusses the design scheme of digital financial service system based on computer technology， defines the hierarchical development framework of the system， designs the whole process of financial service system from four aspects， such as， fundamental infrastructure，behavior monitoring， task management and intelligent service. A prediction model of user financial behavior around the intelligent service layer is built. The cross-feature extraction， factorization machine and high-order feature extraction are used to predict user financial behavior. The experimental results show that the system has good predictive performance and can realize intelligent financial services.

Key words： digital special project; computer technology; financial service system