智能推荐系统在金融领域的应用

随着客户的金融需求逐渐多元化,如何为千万级的零售客户提供个性化的金融服务成为了金融领域的新课题。针对传统推荐算法难以解决银行产品推荐结构趋向同质化、泛化性差等问题,文章提出一种面向金融领域的智能推荐算法框架。对比基线,该项目的推荐效果显著提高,召回率recall@1从22.2%提升至41.1%,线上产品销量提升56%。     

多模态数据在金融风控领域的应用

随着金融科技的不断进步,人工智能算法在金融风控领域的应用也逐渐深化。信用评分模型作为一种应用最广泛的风险评估模型,主要使用个人信息、征信等结构化数据进行模型构建,对图像、文本、语音等非结构化数据的利用存在局限性。为了有效利用各种形态的数据,文章研究提出一种利用多模态数据的框架,融合结构化数据和非结构化数据中的有效信息,进而提升模型的风险识别能力。该算法可应用于其他涉及非结构化数据的领域中,算法组件可以根据实际业务数据进行任意替换。实验证明,与只使用结构化数据的基线模型对比,非结构化数据特征能够有效提升模型的风险识别能力,其中AUC提升4%,KS提升6%,模型稳定性指标PSI稳定在0.01。