程鹏超，杜军平，薛哲

（北京邮电大学 智能通信软件与多媒体北京市重点实验室，北京 100876）

随着人们生活水平的提高，人们更加关注对 生活质量的追求，在闲余的时间买卖基金、股票等以获取更多地利润。随着人们金融行为和意识的提升，金融领域的用户行为挖掘可以探究用户的行为规律，通过挖掘用户金融行为的规律与变化，为用户推荐或提供更好的服务。金融大数据中包括结构化文本数据、非结构化文本数据、数值数据等。挖掘金融大数据中用户的金融行为来改进金融领域服务模式，提高金融领域服务质量，已经成为了一个重要的研究方向[1]。

为了有效挖掘金融大数据中用户潜在的金融行为特征，提高金融领域的服务模式和服务质量，本文提出了一种基于多路交叉特征的用户金融行为预测算法(user financial behavior prediction algorithm based on multi-way crossing, MCUP)。首先，根据数据包含的属性构建训练的特征，利用因子分解机模型[2](factorization machines, FM)模型借助下游行为预测任务对金融数据的特征进行预训练，可以获取到数据中特征的隐含向量。对于文本特征而言，利用预训练模型对文本特征进行表示以获得语义丰富的特征向量。然后，引入特征交叉层来对金融数据的较高阶特征进行提取，解决FM线性模型只能提取低阶特征的缺点。同时，利用残差网络结构对金融数据的高阶特征进行提取，解决深度神经网络在提取金融数据高阶特征时会因为网络层数过深而导致梯度消失的问题。最后，利用将FM、特征交叉网络和残差网络结合在一起的多塔模型进行用户金融行为的预测，融合低阶特征与高阶特征进行实验。……