在 AWS 上为银行业构建可解释的下一最佳产品推荐系统

AWS ML 博客中描述的解决方案采用了多塔深度学习架构，通过四个专门的神经网络塔处理客户数据的不同方面：产品采用历史、交易记录、人口统计特征和行为细分。这些塔通过一个可学习的注意力机制进行融合，该机制能够提供针对每位客户的解释性。技术栈包括用于 ETL（提取、转换、加载）的 AWS Glue、作为深度学习框架的 PyTorch、用于数据存储的 Amazon S3，以及用于训练和推理的 SageMaker AI。数据管道包含两个阶段：一个用于数据统一的 AWS Glue ETL 作业，以及一个用于机器学习特定特征工程的 Amazon SageMaker Processing 作业。模型架构包括一个使用双层 GRU（门控循环单元）的序列塔，以及分别使用 MLP（多层感知器）的交易塔、客户塔和行为塔，此外还有一个特征重要性模块，用于生成每位客户的重要性分数。训练过程使用 Adam 优化器，结合 ReduceLROnPlateau 学习率调度器、梯度裁剪和早停法。该解决方案旨在处理具有可解释性监管要求的银行数据。