理解消费行为：循环神经网络的可解释性与解释

金融领域客户的微细分是一项不平凡的任务，并且在近期的科学文献中一直是一种不典型的缺失。传统细分基于人口统计等粗粒度特征对客户分类，而微细分刻画个体之间更细微的差异，带来若干优势，包括金融服务中个性化改进的潜力。AI与表示学习为解决微细分问题提供了独特机遇。尽管在许多行业无处不在，AI在金融等敏感行业的扩散已取决于深度模型的可解释性。我们此前通过从循环神经网络（RNN）的状态空间提取时间特征解决了微细分问题。然而，由于RNN固有的不透明性，我们的解决方案缺乏解释。在本研究中，我们通过为模型提取符号解释并提供对时间特征的解释来解决此问题。对于解释，我们使用线性回归模型以高保真度重建状态空间中的特征。我们表明，我们的线性回归系数不仅学到了用于重建特征的规则，还学到了原始数据中不直接显现的关系。最后，我们提出一种新方法，利用逆回归和动力系统的原理来定位并标记一组吸引子，从而解释状态空间的动力学。