基于元宇宙的金融服务提供方法、装置和存储介质与流程

1.本技术涉及人工智能领域，具体而言，涉及一种基于元宇宙的金融服务提供方法、装置和存储介质。


背景技术：

2.随着互联网技术的快速发展，在元宇宙(metaverse)中发展企业已逐渐成为一种趋势，通过元宇宙的虚拟世界和现实世界的交融为各个行业带来了新的商业模式和发展机遇。元宇宙是一种将现实世界与虚拟世界紧密连接的数字生态系统，通过提供沉浸式的交互体验，使用户能够在虚拟环境中进行各种活动，如社交、娱乐、购物等。然而，元宇宙在金融行业的应用仍处于初级阶段，需要进一步探索和发展。
3.然而，相关技术中，在元宇宙中提供的金融服务灵活性较差，无法基于用户数据向用户提供个性化的服务，导致向用户提供的金融服务准确性较低。随着大数据、人工智能等技术的发展，传统的业务模式和服务方式已经难以满足客户的需求。
4.针对相关技术中在元宇宙中提供的金融服务准确性较低的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术的主要目的在于提供一种基于元宇宙的金融服务提供方法、装置和存储介质，以解决相关技术中在元宇宙中提供的金融服务准确性较低的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种基于元宇宙的金融服务提供方法。该方法包括：获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务。
7.可选地，目标模型由以下方式得到：从金融机构的所有分支机构中确定需要提供金融服务的多个分支机构；基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数，得到一组模型参数，其中，每个分支机构的本地模型对应一个模型参数；通过联邦平均算法对一组模型参数进行处理，得到处理后的目标模型参数；基于预设模型框架和目标模型参数确定目标模型。
8.可选地，目标模型为风险控制模型，基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数包括：确定分支机构的本
地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史风险评估值；通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；从一组待定模型的损失函数中确定最小损失函数；基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
9.可选地，目标模型为产品推荐模型，基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数包括：确定分支机构的本地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史推荐产品；通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；从一组待定模型的损失函数中确定最小损失函数；基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
10.可选地，通过联邦平均算法对一组模型参数进行处理，得到处理后的目标模型参数包括：计算多个分支机构的所有本地数据集的总数据量，并计算每个分支机构的本地数据集的数据量与总数据量的比值，得到分支机构的目标权重；对多个分支机构的本地模型的目标损失函数和目标权重进行加权求和，得到目标模型的损失函数；将目标模型的损失函数确定为目标模型参数。
11.可选地，获取金融机构的客户的第一身份信息、第一交易行为信息包括：从数据库中获取客户的所有类型的身份信息和交易行为信息，其中，身份信息的类型至少包括以下之一：年龄、职位、资产和兴趣，交易行为信息的类型至少包括以下之一：交易频次、交易额度、交易周期和交易方式；计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益；将第一信息增益大于等于信息增益阈值的身份信息确定为第一身份信息，并将第二信息增益大于等于信息增益阈值的交易行为信息确定为第一交易行为信息。
12.可选地，计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益包括：确定数据库中所有客户在预设周期内与金融机构进行交易的第一信息熵；确定数据库中具有目标类型的身份信息的客户在预设周期内与金融机构进行交易的第二信息熵；确定数据库中具有目标类型的交易行为信息的客户在预设周期内与金融机构进行交易的第三信息熵；计算第一信息熵和第二信息熵的差值，得到目标类型的身份信息的第一信息增益；计算第一信息熵和第三信息熵的差值，得到目标类型的交易行为信息的第二信息增益。
13.为了实现上述目的，根据本技术的另一方面，提供了一种基于元宇宙的金融服务提供装置。该装置包括：第一获取单元，用于获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；第二获取单元，用于获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在
金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；输入单元，用于将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；服务单元，用于基于模型输出结果向客户提供预设金融服务。
14.通过本技术，采用以下步骤：获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务，解决了相关技术中在元宇宙中提供的金融服务准确性较低的问题。通过将元宇宙中的虚拟金融机构和现实世界中各个分支机构搭建联邦学习平台，基于联邦学习的方式训练提供金融服务的目标模型，进而达到了提高在元宇宙中提供的金融服务的准确性的效果。
附图说明
15.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
16.图1是根据本技术实施例提供的基于元宇宙的金融服务提供方法的流程图；
17.图2是根据本技术实施例提供的可选的基于元宇宙的金融服务提供方法的流程图；
18.图3是根据本技术实施例提供的基于元宇宙的金融服务提供装置的示意图；
19.图4是根据本技术实施例提供的电子设备的示意图。
具体实施方式
20.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
21.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
22.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的
过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
24.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
25.元宇宙(metaverse)：元宇宙是一个虚拟的世界，它是由虚拟现实技术、区块链技术、人工智能技术等多种技术共同构成的，是一个数字化、虚拟化的环境。在元宇宙中，人们可以进行虚拟交互、数字资产交易、虚拟财产管理、数字身份验证等活动。
26.联邦学习(federated learning)：联邦学习是一种保护数据隐私的分布式机器学习方法，通过在各个节点上本地训练模型并共享模型参数，实现在不泄露原始数据的情况下对整个数据集进行学习。它允许在不共享原始数据的情况下，协同训练一个全局模型。在联邦学习中，每个参与者持有自己的本地数据，然后使用联邦算法将本地模型更新后，将模型参数汇总到全局模型中。在金融行业，尤其是银行业，数据安全和隐私保护至关重要，因此联邦学习在风险控制、反欺诈等方面发挥着重要作用。
27.安全多方计算(secure multi-party computation，smpc)：安全多方计算是一种保护数据隐私的计算技术。在安全多方计算中，多个参与者通过加密和分布式计算等技术，实现在不暴露数据的情况下，进行计算和决策。
28.信息增益(information gain)：信息增益是一种用于特征选择的指标。它通过比较原始数据集和基于某个特征划分后的数据集的信息熵，计算出划分该特征的信息增益，从而确定哪些特征对于分类任务最为重要。
29.矩阵分解(matrix factorization，mf)：矩阵分解是一种用于处理矩阵数据的技术。它通过将矩阵分解为多个低维矩阵的乘积，来构建模拟矩阵数据中的关系。
30.孤立森林(isolation forest，iforest)：孤立森林是一种用于异常检测的算法。它通过构建多个孤立树，评估数据点在孤立树中的平均路径长度，来判断数据点是否为异常点。
31.下面结合优选的实施步骤对本发明进行说明，图1是根据本技术实施例提供的基于元宇宙的金融服务提供方法的流程图，如图1所示，该方法包括如下步骤：
32.步骤s101，获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的。
33.具体地，金融服务可以为贷款服务、风险评估服务和产品推荐服务等，待提供的金融服务可以为元宇宙中的虚拟金融机构需要提供的服务，目标模型包括但不限于风险控制模型和产品推荐模型等向客户提供金融服务的模型，根据待提供的金融服务确定目标模型，例如，若需要提供的是产品推荐服务，则确定目标模型为产品推荐模型。目标模型可以为通过联邦学习的方式基于金融机构的各个分支机构的样本数据集训练得到的。通过在元宇宙中构建金融机构的虚拟分支机构，并利用联邦学习训练的目标模型为客户提供个性化服务，实现更好的客户体验和数据安全保障。
34.例如，通过搭建跨行联邦学习平台，各分支机构在保护客户数据隐私的前提下，基
于联邦学习平台共享风险控制和反欺诈模型的参数。各分支机构根据自身业务需求，选取合适的机器学习模型，并通过联邦学习进行目标模型的训练与优化。利用元宇宙中的虚拟身份信息，可以为目标模型提供更丰富的数据特征，提高目标模型的预测准确性。通过定期对目标模型进行更新，以应对不断变化的金融环境。
35.步骤s102，获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构。
36.具体地，客户可以为在金融机构中存在交易记录并且在元宇宙中创建了虚拟角色的客户，在元宇宙中构建金融机构的虚拟分支机构，为客户提供虚拟现实场景下的金融服务，如开户、转账、贷款等。虚拟分支机构采用区块链技术保证数据安全和交易透明，提高客户体验。第一身份信息例如客户的姓名、年龄、职业和兴趣爱好等，第二身份信息例如客户在元宇宙中创建的虚拟角色的外观信息、虚拟职业信息等，第一交易行为信息例如客户在现实世界中的金融机构中的交易记录，第二交易行为信息例如客户在元宇宙中的虚拟金融机构中的交易记录。
37.需要说明的是，在元宇宙中设立的虚拟分支机构包括网点、柜台、自助设备等，模拟现实世界的金融机构的环境。为虚拟分支机构设计直观、易用的交互界面，方便客户进行金融操作。虚拟分支机构的金融服务模块向客户提供开户、转账、贷款、理财等功能，虚拟分支机构采用区块链技术实现金融交易的安全、透明与可追溯。
38.步骤s103，将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果。
39.具体地，通过将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，可以得到与客户相对应的模型输出结果，从而基于模型输出结果向客户提供个性化的服务，例如，目标模型为产品推荐模型，基于客户输入的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息可以得到待推荐产品作为模型输出结果，若目标模型为风险控制模型，基于客户输入的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息可以得到风险评估值作为模型输出结果。
40.步骤s104，基于模型输出结果向客户提供预设金融服务。
41.具体地，若模型输出结果为待推荐产品，则通过虚拟金融机构向客户的虚拟角色推送待推荐产品来提供金融服务，若模型输出结果为风险评估值，则通过虚拟金融机构向客户的虚拟角色提供风险评估值对应的贷款额度来提供金融服务。
42.例如，通过在元宇宙中设计并搭建虚拟金融机构，在虚拟金融机构中设立智能客服系统，利用联邦学习训练的目标模型为客户提供个性化服务，如贷款推荐、投资建议等。同时，智能客服还可以根据目标模型预测交易风险，对可能存在风险的交易进行实时监控和预警。智能客服系统中设计并开发智能客服机器人，提供文字、语音、视频等多种与客户的交流方式。根据联邦学习训练的目标模型为客户提供个性化服务，如贷款推荐、投资建议等。智能客服根据模型预测，对可能存在风险的交易进行实时监控和预警。
43.本技术实施例提供的基于元宇宙的金融服务提供方法，通过获取金融机构的待提
供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务，解决了相关技术中在元宇宙中提供的金融服务准确性较低的问题。通过将元宇宙中的虚拟金融机构和现实世界中各个分支机构搭建联邦学习平台，基于联邦学习的方式训练提供金融服务的目标模型，进而达到了提高在元宇宙中提供的金融服务的准确性的效果。
44.通过联邦平均算法和各个分支机构的本地模型的模型参数训练目标模型，可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，目标模型由以下方式得到：从金融机构的所有分支机构中确定需要提供金融服务的多个分支机构；基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数，得到一组模型参数，其中，每个分支机构的本地模型对应一个模型参数；通过联邦平均算法对一组模型参数进行处理，得到处理后的目标模型参数；基于预设模型框架和目标模型参数确定目标模型。
45.具体地，金融机构的部分分支机构在未获得许可的情况下无法提供本地数据集进行训练本地模型，因此从所有分支机构中确定出需要提供金融服务可以提供本地数据集训练本地模型的多个分支机构。每个分支机构根据其本地存储的客户信息的本地数据集训练本地模型，本地模型可以为神经网络模型，将本地模型中的损失函数作为本地模型的模型参数。将多个分支机构的一组模型参数基于联邦平均算法进行处理，作为目标模型参数，并根据目标模型参数和预设模型框架构建目标模型。通过将元宇宙与联邦学习领域相结合，构建目标模型为金融机构提供全新的金融服务模式，增强了客户的体验，通过联邦学习保护客户数据隐私，降低数据泄露的风险，提升金融机构的安全性能。
46.可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，目标模型为风险控制模型，基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数包括：确定分支机构的本地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史风险评估值；通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；从一组待定模型的损失函数中确定最小损失函数；基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
47.具体地，在目标模型为风险控制模型的情况下，通过分支机构的本地数据集中提取训练本地模型的训练样本，例如，将本地数据集中存储的客户的第一身份信息和在分支机构进行交易的第一历史交易行为信息，以及虚拟金融机构中存储的客户的第二身份信
息，在虚拟金融机构进行交易的第二历史交易行为信息，和客户的历史风险评估值作为训练样本。每次迭代训练从本地数据集中随机挑选一批训练样本训练神经网络模型，得到一个待定模型，多次迭代训练得到一组待定模型，从一组待定模型中确定最小损失函数对应的待定模型，最小损失函数是指每个待定模型的损失函数中可取的函数值最小的损失函数。目标损失函数由下述公式确定：
[0048][0049]
其中，t表示迭代次数，对于每一轮迭代t＝1,2,...，k表示第k个分支机构，dk为第k个分支机构的本地数据集，w
kt
表示第t次迭代后第k个分支机构的目标损失函数，l(w；xi，yi)表示损失函数，argmin表示取最小值，λ是正则化系数。‖w‖表示初始化全局模型参数。通过确定本地模型的模型参数来为联邦学习的目标模型提供参数。
[0050]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，目标模型为产品推荐模型，基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数包括：确定分支机构的本地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史推荐产品；通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；从一组待定模型的损失函数中确定最小损失函数；基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
[0051]
具体地，在目标模型为产品推荐模型的情况下，通过分支机构的本地数据集中提取训练本地模型的训练样本，例如，将本地数据集中存储的客户的第一身份信息和在分支机构进行交易的第一历史交易行为信息，以及虚拟金融机构中存储的客户的第二身份信息，在虚拟金融机构进行交易的第二历史交易行为信息，和向客户推荐的历史推荐产品作为训练样本。每次迭代训练从本地数据集中随机挑选一批训练样本训练神经网络模型，得到一个待定模型，多次迭代训练得到一组待定模型，从一组待定模型中确定最小损失函数对应的待定模型，最小损失函数是指每个待定模型的损失函数中可取的函数值最小的损失函数。
[0052]
目标模型的损失函数由本地模型的模型参数和联邦平均算法确定，可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，通过联邦平均算法对一组模型参数进行处理，得到处理后的目标模型参数包括：计算多个分支机构的所有本地数据集的总数据量，并计算每个分支机构的本地数据集的数据量与总数据量的比值，得到分支机构的目标权重；对多个分支机构的本地模型的目标损失函数和目标权重进行加权求和，得到目标模型的损失函数；将目标模型的损失函数确定为目标模型参数。
[0053]
具体地，假设存在k个分支机构，每个分支机构k拥有自己的本地数据集dk，nk表示第k个分支机构的数据量，所有分支机构的数据量的和表示总数据量n，联邦学习的目标是在不共享原始数据的情况下，训练一个全局模型w，也即目标模型。目标模型参数由下式确定：
[0054][0055]
其中，w
t+1
表示目标模型参数，表示对多个分支机构的本地模型的目标损失函数和目标权重进行加权求和。
[0056]
需要说明的是，确定目标模型后还需要对目标模型进行优化，例如，目标模型为一种基于产品的评分向客户进行推荐产品的模型，确定目标模型的评分算法后，基于推荐系统算法对目标模型的评分算法进行优化：以矩阵分解(matrix factorization，mf)为例。假设评分算法为评分矩阵p∈rm×n，其中m表示用户数量，n表示产品数量，r
ij
表示用户i对产品j的评分。矩阵分解的目标是将评分矩阵r分解为两个低秩矩阵p∈rm×k和q∈rn×k，使得r≈pq
t
。矩阵分解的优化目标可以表示为：
[0057][0058]
其中，ω表示评分矩阵r中已知评分的索引集合，λ是正则化系数。通过梯度下降等优化方法对目标模型的评分算法进行优化。
[0059]
通过计算信息增益的方式筛选第一身份信息和第一交易行为信息，可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，获取金融机构的客户的第一身份信息、第一交易行为信息包括：从数据库中获取客户的所有类型的身份信息和交易行为信息，其中，身份信息的类型至少包括以下之一：年龄、职位、资产和兴趣，交易行为信息的类型至少包括以下之一：交易频次、交易额度、交易周期和交易方式；计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益；将第一信息增益大于等于信息增益阈值的身份信息确定为第一身份信息，并将第二信息增益大于等于信息增益阈值的交易行为信息确定为第一交易行为信息。
[0060]
具体地，训练目标模型的数据特征通过计算信息增益的方式确定，数据特征也即本技术实施例中的第一身份信息和第一交易行为信息。确定训练目标模型的数据特征时，通过每种类型的数据特征对目标模型输出结果的影响程度来确定训练目标模型的数据特征，通过信息增益确定哪些数据特征对于目标模型最为重要。例如，第一身份信息和第一交易行为信息作为训练目标模型的数据特征，身份信息的类型包括：年龄、职位、资产和兴趣，交易行为信息的类型包括：交易频次、交易额度、交易周期和交易方式。通过计算每种类型的身份信息和交易行为信息对客户与金融机构进行交易的信息增益，来确定每种类型的身份信息和交易行为信息对目标模型的输出结果的影响程度。若目标模型为产品推荐模型，年龄的信息增益大于等于信息增益阈值，交易频次的信息增益大于等于信息增益阈值，兴趣的信息增益小于信息增益阈值，交易额度的信息增益小于信息增益阈值，说明客户的年龄和交易频次对产品推荐结果有影响，兴趣和交易额度对产品推荐结果没有影响，将年龄作为第一身份信息，交易频次作为第一交易行为信息。通过信息增益的方式筛选第一身份信息和第一交易行为信息保障训练目标模型的数据特征关联性强，提高目标模型的准确性。
[0061]
需要说明的是，筛选出第一身份信息和第一交易行为信息作为数据特征后，可以
通过异常检测算法来剔除数据特征对应的训练数据集中的异常样本，异常检测算法例如孤立森林(isolation forest，iforest)，孤立森林是一种基于树结构的异常检测算法，构建多个孤立树(isolation tree)组成的森林，通过评估数据点在孤立树中的平均路径长度来判断其是否为异常点。对于一个孤立树，路径长度h(x)表示从根节点到叶节点的边数，孤立森林的异常评分s(x)定义如下：
[0062][0063]
其中，e(h(x))是数据点x在所有孤立树中路径长度的平均值，c(n)是平衡二叉树中从根节点到叶节点的平均路径长度，n表示训练样本数量。异常评分s(x)的范围在[0，1]之间，值越接近1表示数据点越可能是异常点。
[0064]
通过计算信息熵的差来得到信息增益，可选地，在本技术实施例提供的基于元宇宙的金融服务提供方法中，计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益包括：确定数据库中所有客户在预设周期内与金融机构进行交易的第一信息熵；确定数据库中具有目标类型的身份信息的客户在预设周期内与金融机构进行交易的第二信息熵；确定数据库中具有目标类型的交易行为信息的客户在预设周期内与金融机构进行交易的第三信息熵；计算第一信息熵和第二信息熵的差值，得到目标类型的身份信息的第一信息增益；计算第一信息熵和第三信息熵的差值，得到目标类型的交易行为信息的第二信息增益。
[0065]
具体地，假设我们有一个特征集f＝f1，f2，...，fm和一个分类任务目标变量y。信息增益表示在给定特征fi的条件下，目标变量y的信息熵减少量。计算信息增益的公式如下：
[0066]
ig(y，fi)＝h(y)-h(y|fi)
[0067]
其中，h(y)是目标变量y的信息熵，也即第一信息熵，h(y|fi)表示在给定特征fi的条件下，目标变量y的条件熵，也即第二信息熵或第三信息熵。ig(y，fi)表示信息增益，也即第一信息增益或第二信息增益。通过计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益来从多种类型的身份信息中筛选第一身份信息，从多种类型的交易行为信息筛选第一交易行为信息。
[0068]
根据本技术的另一实施例，还提供了一种可选的基于元宇宙的金融服务提供方法，图2是根据本技术实施例提供的可选的基于元宇宙的金融服务提供方法的流程图。如图2所示，该方法包括：
[0069]
步骤s201，在元宇宙中设计并搭建虚拟银行分行，为虚拟银行分行设计交互界面。
[0070]
具体地，虚拟银行分行具备开户、转账、贷款、理财等功能的金融服务模块，客户可以通过虚拟现实设备登录元宇宙中的虚拟银行分行，体验沉浸式金融服务。
[0071]
步骤s202，设立跨行联邦学习平台，各银行分行在保护客户数据隐私的前提下，共享风险控制和反欺诈模型的参数。
[0072]
具体地，各银行分行根据自身业务需求，选取合适的机器学习模型，并通过联邦学习进行训练。同时，利用元宇宙中的虚拟身份信息为模型提供更丰富的数据特征，提高预测准确性。
[0073]
步骤s203，定期对风险控制和反欺诈模型进行更新，以应对不断变化的金融环境。
[0074]
步骤s204，在元宇宙中设立智能客服机器人，提供文字、语音、视频等多种交流方
式。
[0075]
具体地，智能客服机器人利用联邦学习训练的模型为客户提供个性化服务，如贷款推荐、投资建议等。同时，智能客服还可以根据模型预测，对可能存在风险的交易进行实时监控和预警。
[0076]
步骤s205，采用区块链技术保证元宇宙中的金融交易安全和透明，增强客户信任度。
[0077]
通过本技术实施例提供的可选的基于元宇宙的金融服务提供方法，将元宇宙与联邦学习领域相结合，为银行业提供全新的金融服务模式，增强了客户的体验。通过联邦学习保护客户数据隐私，降低数据泄露的风险，提升银行业的安全性能。充分利用元宇宙中的虚拟身份信息，为风险控制和反欺诈模型提供更丰富的数据特征，提高模型的预测准确性。智能客服系统结合联邦学习训练的模型，提供个性化金融服务和实时风险监控，提升服务质量和安全性。利用区块链技术保证元宇宙中的金融交易安全和透明，增强客户信任度。
[0078]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0079]
本技术实施例还提供了一种基于元宇宙的金融服务提供装置，需要说明的是，本技术实施例的基于元宇宙的金融服务提供装置可以用于执行本技术实施例所提供的用于基于元宇宙的金融服务提供方法。以下对本技术实施例提供的基于元宇宙的金融服务提供装置进行介绍。
[0080]
图3是根据本技术实施例提供的基于元宇宙的金融服务提供装置的示意图。如图3所示，该装置包括：
[0081]
第一获取单元10，用于获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；
[0082]
第二获取单元20，用于获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；
[0083]
输入单元30，用于将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；
[0084]
服务单元40，用于基于模型输出结果向客户提供预设金融服务。
[0085]
本技术实施例提供的基于元宇宙的金融服务提供装置，通过第一获取单元10，获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；第二获取单元20，获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息
和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；输入单元30，将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；服务单元40，基于模型输出结果向客户提供预设金融服务，解决了相关技术中在元宇宙中提供的金融服务准确性较低的问题，通过将元宇宙中的虚拟金融机构和现实世界中各个分支机构搭建联邦学习平台，基于联邦学习的方式训练提供金融服务的目标模型，进而达到了提高在元宇宙中提供的金融服务的准确性的效果。
[0086]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，目标模型由以下方式得到：第一确定模块，用于从金融机构的所有分支机构中确定需要提供金融服务的多个分支机构；训练模块，用于基于分支机构的本地数据集对每个分支机构进行训练，得到分支机构的本地模型，并确定本地模型的模型参数，得到一组模型参数，其中，每个分支机构的本地模型对应一个模型参数；处理模块，用于通过联邦平均算法对一组模型参数进行处理，得到处理后的目标模型参数；第二确定模块，用于基于预设模型框架和目标模型参数确定目标模型。
[0087]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，目标模型为风险控制模型，训练模块包括：第一确定子模块，用于确定分支机构的本地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史风险评估值；第一训练子模块，用于通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；第二确定子模块，用于从一组待定模型的损失函数中确定最小损失函数；第一处理子模块，用于基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
[0088]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，目标模型为产品推荐模型，训练模块包括：第三确定子模块，用于确定分支机构的本地数据集，并从本地数据集中提取多组训练样本，其中，每组训练样本包括本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史推荐产品；第二训练子模块，用于通过多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从本地数据集中随机提取多组训练样本训练神经网络模型；第四确定子模块，用于从一组待定模型的损失函数中确定最小损失函数；第二处理子模块，用于基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将目标损失函数确定为本地模型的模型参数。
[0089]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，处理模块包括：第一计算子模块，用于计算多个分支机构的所有本地数据集的总数据量，并计算每个分支机构的本地数据集的数据量与总数据量的比值，得到分支机构的目标权重；求和子模块，用于对多个分支机构的本地模型的目标损失函数和目标权重进行加权求和，得到目标模型的损失函数；第五确定子模块，用于将目标模型的损失函数确定为目标模型参数。
[0090]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，第二获取单元20包括：获取模块，用于从数据库中获取客户的所有类型的身份信息和交易行为信息，其
中，身份信息的类型至少包括以下之一：年龄、职位、资产和兴趣，交易行为信息的类型至少包括以下之一：交易频次、交易额度、交易周期和交易方式；计算模块，用于计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益；第三确定模块，用于将第一信息增益大于等于信息增益阈值的身份信息确定为第一身份信息，并将第二信息增益大于等于信息增益阈值的交易行为信息确定为第一交易行为信息。
[0091]
可选地，在本技术实施例提供的基于元宇宙的金融服务提供装置中，计算模块包括：第六确定子模块，用于确定数据库中所有客户在预设周期内与金融机构进行交易的第一信息熵；第七确定子模块，用于确定数据库中具有目标类型的身份信息的客户在预设周期内与金融机构进行交易的第二信息熵；第八确定子模块，用于确定数据库中具有目标类型的交易行为信息的客户在预设周期内与金融机构进行交易的第三信息熵；第二计算子模块，用于计算第一信息熵和第二信息熵的差值，得到目标类型的身份信息的第一信息增益；第三计算子模块，用于计算第一信息熵和第三信息熵的差值，得到目标类型的交易行为信息的第二信息增益。
[0092]
基于元宇宙的金融服务提供装置包括处理器和存储器，上述第一获取单元10、第二获取单元20、输入单元30和服务单元40等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0093]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高在元宇宙中提供的金融服务的准确性。
[0094]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0095]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现基于元宇宙的金融服务提供方法。
[0096]
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行基于元宇宙的金融服务提供方法。
[0097]
图4是根据本技术实施例提供的电子设备的示意图。如图4所示，电子设备401包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务。本文中的设备可以是服务器、pc、pad、手机等。
[0098]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取金融机构的待提供的金融服务，基于待提供的金融服务
确定目标模型，其中，目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，目标模型是基于金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，虚拟角色是客户在元宇宙中创建的角色，虚拟金融机构是金融机构在元宇宙中创建的分支机构；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务。
[0099]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0100]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0101]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0102]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0103]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0104]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0105]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算
机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0106]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0107]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0108]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种基于元宇宙的金融服务提供方法，其特征在于，包括：获取金融机构的待提供的金融服务，基于所述待提供的金融服务确定目标模型，其中，所述目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，所述目标模型是基于所述金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；获取所述金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，所述第一身份信息和所述第一交易行为信息是所述客户在所述金融机构的数据库中存储的信息，所述第二身份信息和所述第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，所述虚拟角色是所述客户在所述元宇宙中创建的角色，所述虚拟金融机构是所述金融机构在所述元宇宙中创建的分支机构；将所述第一身份信息、所述第一交易行为信息、所述第二身份信息和所述第二交易行为信息输入所述目标模型，得到模型输出结果；基于所述模型输出结果向所述客户提供预设金融服务。2.根据权利要求1所述的方法，其特征在于，所述目标模型由以下方式得到：从所述金融机构的所有分支机构中确定需要提供所述金融服务的所述多个分支机构；基于所述分支机构的本地数据集对每个分支机构进行训练，得到所述分支机构的本地模型，并确定所述本地模型的模型参数，得到一组模型参数，其中，每个分支机构的本地模型对应一个模型参数；通过联邦平均算法对所述一组模型参数进行处理，得到处理后的目标模型参数；基于预设模型框架和所述目标模型参数确定所述目标模型。3.根据权利要求2所述的方法，其特征在于，所述目标模型为风险控制模型，基于所述分支机构的本地数据集对每个分支机构进行训练，得到所述分支机构的本地模型，并确定所述本地模型的模型参数包括：确定所述分支机构的本地数据集，并从所述本地数据集中提取多组训练样本，其中，每组训练样本包括所述本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史风险评估值；通过所述多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从所述本地数据集中随机提取多组训练样本训练所述神经网络模型；从所述一组待定模型的损失函数中确定最小损失函数；基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将所述目标损失函数确定为所述本地模型的模型参数。4.根据权利要求2所述的方法，其特征在于，所述目标模型为产品推荐模型，基于所述分支机构的本地数据集对每个分支机构进行训练，得到所述分支机构的本地模型，并确定所述本地模型的模型参数包括：确定所述分支机构的本地数据集，并从所述本地数据集中提取多组训练样本，其中，每组训练样本包括所述本地数据集中的客户的第一身份信息、第二身份信息、第一历史交易行为信息、第二历史交易行为信息和历史推荐产品；通过所述多组训练样本对神经网络模型进行迭代训练，得到一组待定模型，其中，每一次迭代训练通过从所述本地数据集中随机提取多组训练样本训练所述神经网络模型；从所述一组待定模型的损失函数中确定最小损失函数；
基于预设参数与正则化系数对最小损失函数进行处理，得到处理后的目标损失函数，将所述目标损失函数确定为所述本地模型的模型参数。5.根据权利要求2所述的方法，其特征在于，通过联邦平均算法对所述一组模型参数进行处理，得到处理后的目标模型参数包括：计算所述多个分支机构的所有本地数据集的总数据量，并计算每个分支机构的本地数据集的数据量与所述总数据量的比值，得到所述分支机构的目标权重；对所述多个分支机构的本地模型的目标损失函数和目标权重进行加权求和，得到所述目标模型的损失函数；将所述目标模型的损失函数确定为所述目标模型参数。6.根据权利要求1所述的方法，其特征在于，获取所述金融机构的客户的第一身份信息、第一交易行为信息包括：从所述数据库中获取所述客户的所有类型的身份信息和交易行为信息，其中，所述身份信息的类型至少包括以下之一：年龄、职位、资产和兴趣，所述交易行为信息的类型至少包括以下之一：交易频次、交易额度、交易周期和交易方式；计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益；将所述第一信息增益大于等于信息增益阈值的身份信息确定为所述第一身份信息，并将所述第二信息增益大于等于所述信息增益阈值的交易行为信息确定为所述第一交易行为信息。7.根据权利要求6所述的方法，其特征在于，计算每种类型的身份信息的第一信息增益，并计算每种类型的交易行为信息的第二信息增益包括：确定所述数据库中所有客户在预设周期内与所述金融机构进行交易的第一信息熵；确定所述数据库中具有目标类型的身份信息的客户在所述预设周期内与所述金融机构进行交易的第二信息熵；确定所述数据库中具有目标类型的交易行为信息的客户在所述预设周期内与所述金融机构进行交易的第三信息熵；计算所述第一信息熵和所述第二信息熵的差值，得到所述目标类型的身份信息的第一信息增益；计算所述第一信息熵和所述第三信息熵的差值，得到所述目标类型的交易行为信息的第二信息增益。8.一种基于元宇宙的金融服务提供装置，其特征在于，包括：第一获取单元，用于获取金融机构的待提供的金融服务，基于所述待提供的金融服务确定目标模型，其中，所述目标模型的类型至少包括以下之一：风险控制模型和产品推荐模型，所述目标模型是基于所述金融机构的多个分支机构的样本数据以联邦学习的方式共同训练得到的；第二获取单元，用于获取所述金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，所述第一身份信息和所述第一交易行为信息是所述客户在所述金融机构的数据库中存储的信息，所述第二身份信息和所述第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息，所述虚拟角色是所述客户在所述元
宇宙中创建的角色，所述虚拟金融机构是所述金融机构在所述元宇宙中创建的分支机构；输入单元，用于将所述第一身份信息、所述第一交易行为信息、所述第二身份信息和所述第二交易行为信息输入所述目标模型，得到模型输出结果；服务单元，用于基于所述模型输出结果向所述客户提供预设金融服务。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制所述非易失性存储介质所在的设备执行权利要求1至7中任意一项所述的基于元宇宙的金融服务提供方法。10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于元宇宙的金融服务提供方法。

技术总结
本申请公开了一种基于元宇宙的金融服务提供方法、装置和存储介质。涉及人工智能领域，该方法包括：获取金融机构的待提供的金融服务，基于待提供的金融服务确定目标模型；获取金融机构的客户的第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息，其中，第一身份信息和第一交易行为信息是客户在金融机构的数据库中存储的信息，第二身份信息和第二交易行为信息是元宇宙中的虚拟角色在虚拟金融机构存储的信息；将第一身份信息、第一交易行为信息、第二身份信息和第二交易行为信息输入目标模型，得到模型输出结果；基于模型输出结果向客户提供预设金融服务。通过本申请，解决了相关技术中在元宇宙中提供的金融服务准确性较低的问题。务准确性较低的问题。务准确性较低的问题。


技术研发人员：陈玉棋 李硕蕾 张春雨 宋育全
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.06.29
技术公布日：2023/8/13