基于人工智能的金融产品推荐方法、及其相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及基于人工智能的金融产品推荐方法、及其相关设备。


背景技术：

2.互联网金融是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。互联网金融不是互联网和金融业的简单结合，而是在实现安全、移动等网络技术水平上，被用户熟悉接受后(尤其是对电子商务的接受)，自然而然为适应新的需求而产生的新模式及新业务。是传统金融行业与互联网技术相结合的新兴领域。
3.目前，随着金融机构业务的不断发展和用户需求的不断迭代，大量的业务数据被塞进前台系统，而从这些海量的业务数据中提取出有价值的信息是至关重要的。由于各大商家提供的理财产品在消费者的日常消费中占据越来越重要的比例，因此准确的分析用户消费记录和用户行为，以此获得用户消费倾向就极其重要。但是，目前对用户消费记录和用户行为的分析主要还是停留在传统的人为数据分析层面，存在分析效率较低、人工成本较大的问题。


技术实现要素：

4.本技术实施例的目的在于提出一种基于人工智能的金融产品推荐方法、、及其相关设备，以解决现有技术中人工分析用户消费记录和用户行为而存在的分析效率较低、人工成本较大的问题。
5.为了解决上述技术问题，本技术实施例提供一种基于人工智能的金融产品推荐方法，采用了如下所述的技术方案：
6.获取至少一个用户信息，每个所述用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种；
7.从所述至少一个用户信息中获取训练集；
8.采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；及
9.获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。
10.进一步的，在所述获取至少一个用户信息的步骤之后还包括：
11.识别所述用户信息中的缺失值；
12.判断所述缺失值的类型，根据所述缺失值的类型对所述缺失值进行处理。
13.进一步的，所述识别所述用户信息中的缺失值的步骤具体包括：
14.判断所述用户信息中是否有空值；
15.在判断有所述空值时，计算所述空值在所有用户信息中的占比，且在所述占比小于预设阈值时，确定所述空值为所述缺失值。
16.进一步的，所述根据所述缺失值的类型对所述缺失值进行处理的步骤具体包括：
17.在所述缺失值为财产状况、银行流水、消费情况时，剔除含有缺失值的数据；
18.在所述缺失值为用户的个人信息时，补全所述缺失值的数据。
19.进一步的，在所述采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型的步骤之前还包括：
20.将所述至少一个用户信息的各类信息应用数据特征选择模型进行计算，获取所述各类信息的重要性值；
21.根据预设规则确定重要性值最高的至少一类信息为训练特征；
22.所述采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型的步骤具体包括：
23.采用所述训练集的所述训练特征对待训练的原始深度学习模型进行训练，获得资金管理分析模型。
24.进一步的，所述采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型的步骤具体包括：
25.采用所述训练集对待训练的原始深度学习模型进行训练，获得预资金管理分析模型；
26.获取所述至少一个用户信息中的测试集；
27.应用所述预资金管理分析模型对所述测试集进行预测；
28.在预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
29.进一步的，所述应用所述预资金管理分析模型对所述测试集进行预测的步骤之后，还包括：
30.在预测结果小于或等于预设阈值时，对所述资金管理分析模型进行数据调参，所述数据调参包括调节所述资金管理分析模型的树个数和/或树角度、调节采样比率；
31.重新采用所述训练集对调参后的所述预资金管理分析模型进行训练，直至预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
32.进一步的，在所述对所述目标用户的用户信息应用所述资金管理分析模型进行分析获得目标推荐结果的步骤之后还包括：
33.将所述目标推荐结果的数据存储至区块链中。
34.为了解决上述技术问题，本技术实施例还提供一种基于人工智能的金融产品推荐装置，采用了如下所述的技术方案：
35.第一获取模块，用于获取至少一个用户信息，每个所述用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种；
36.第二获取模块，用于从所述至少一个用户信息中获取训练集；
37.训练模块，用于采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；及
38.分析模块，用于获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。
39.进一步的，所述装置还包括：识别模块、判断模块和处理模块；
40.所述识别模块，用于识别所述用户信息中的缺失值；
41.所述判断模块，用于判断所述缺失值的类型；
42.所述处理模块，用于根据所述缺失值的类型对所述缺失值进行处理。
43.进一步的，所述识别模块包括判断单元、计算单元和确定单元；
44.所述判断单元，用于判断所述用户信息中是否有空值；
45.所述计算单元，用于在判断有所述空值时，计算所述空值在所有用户信息中的占比；
46.所述确定单元，用于在所述占比小于预设阈值时，确定所述空值为所述缺失值。
47.进一步的，所述处理模块包括剔除单元和补全单元；
48.所述剔除单元，用于在所述缺失值为财产状况、银行流水、消费情况时，剔除含有缺失值的数据；
49.所述补全单元，用于在所述缺失值为用户的个人信息时，补全所述缺失值的数据。
50.进一步的，所述装置还包括计算模块和确定模块：
51.所述计算模块，包括将所述至少一个用户信息的各类信息应用数据特征选择模型进行计算，获取所述各类信息的重要性值；
52.所述确定模块，用于根据预设规则确定重要性值最高的至少一类信息为训练特征；
53.所述训练模块，用于采用所述训练集的所述训练特征对待训练的原始深度学习模型进行训练，获得资金管理分析模型。
54.进一步的，所述训练模块具体用于采用所述训练集对待训练的原始深度学习模型进行训练；
55.获取所述至少一个用户信息中的测试集；
56.应用所述预资金管理分析模型对所述测试集进行预测；
57.在预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
58.进一步的，所述训练模块还用于在预测结果小于或等于预设阈值时，对所述资金管理分析模型进行数据调参，重新采用所述训练集对调参后的所述预资金管理分析模型进行训练，直至预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型，所述数据调参包括调节所述资金管理分析模型的树个数和/或树角度、调节采样比率。
59.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
60.提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于人工智能的金融产品推荐方法。
61.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
62.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于人工智能的金融产品推荐方法。
63.与现有技术相比，本技术实施例主要有以下有益效果：
64.本技术通过以上步骤，获取至少一个用户信息，每个用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种，以实现基础用户信息的获取；从至少一个用户信息中获取训练集，以实现深度学习中训练集的获取；采用训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。本技术在历史存量的数据中找出其中规律，预判用户未来风险，进而评估用户的消费需求，为用户推荐适合的金融产品。相对于现有技术中传统的人为数据分析，本技术大幅度降低了人工成本，分析效率较高。
附图说明
65.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
66.图1是本技术可以应用于其中的示例性系统架构图；
67.图2根据本技术的基于人工智能的金融产品推荐方法的一个实施例的流程图；
68.图3是根据本技术的基于人工智能的金融产品推荐装置的一个实施例的结构示意图；
69.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
70.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
71.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
72.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
73.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
74.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
75.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包
括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
76.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
77.需要说明的是，本技术实施例所提供的基于人工智能的金融产品推荐方法一般由服务器/终端设备执行，相应地，基于人工智能的金融产品推荐装置一般设置于服务器/终端设备中。
78.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
79.继续参考图2，示出了根据本技术的基于人工智能的金融产品推荐方法的一个实施例的流程图。所述的基于人工智能的金融产品推荐方法，包括以下步骤：
80.步骤s201，获取至少一个用户信息，每个所述用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种。
81.实际使用中，国内金融公司很早前就使用了数据库技术，所以用户信息及经营情况均有落库。本实施例中，可以将数据库中关于用户的个人信息(性别、区域)，个人财产状况(月收入，月投资)、用户的银行流水(交易类型，交易金额，收入来源)、用户的消费账单的分期、利息、分期付款情况等数据进行采集处理。
82.步骤s202，从所述至少一个用户信息中获取训练集。
83.在本实施例中，从获取的至少一个用户信息中随机抽取一部分数据作为训练集数据，剩余额数据可以作为测试集数据。
84.步骤s203，采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型。
85.在本实施例中，待训练的原始深度学习模型可以为xgboost模型。具体的，采用训练集对xgboost模型进行训练后，可以获得资金管理分析模型，可以应用于用户的贷款倾向分析，也可以应用于对用户的理财产品分析推荐方面。
86.步骤s204，获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。
87.在本实施例中，通过获取目标用户的用户信息，并将该信息输入资金管理分析模型，即可获得目标推荐结果，大幅度降低了人工成本，分析效率较高。
88.本技术通过以上步骤，获取至少一个用户信息，每个用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种，以实现基础用户信息的获取；从至少一个用户信息中获取训练集，以实现深度学习中训练集的获取；采用训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。本技术在历史存量的数据中找出其中规律，预判用户未来风险，进而评估用户的消费需求，为用户推荐适合的金融产品。相对于现有技术中传统的人为数据分析，本技术大幅度降低了人工成本，分析效率较高。
89.在本实施例的一些可选的实现方式中，在步骤201获取至少一个用户信息之后，步
骤202从所述至少一个用户信息中获取训练集之前，上述电子设备还可以执行以下步骤：
90.识别所述用户信息中的缺失值；
91.判断所述缺失值的类型，根据所述缺失值的类型对所述缺失值进行处理。
92.本技术通过对用户信息中的缺失值进行识别、判断和处理，能够获得较为完整的历史数据，有利于后续训练获得较为准确的模型。
93.在一些可选的实现方式中，如果上述步骤为识别所述用户信息中的缺失值，上述电子设备可以执行以下步骤：
94.判断所述用户信息中是否有空值；
95.在判断有所述空值时，计算所述空值在所有用户信息中的占比，且在所述占比小于预设阈值时，确定所述空值为所述缺失值。
96.本技术通过对用户信息中的各种数据进行判断，当出现空值，且空值的比例小于预设阈值时，确定该空值为缺失值；当空值的比例大于或等于预设阈值时，则确定该用户信息的数据不可用，需要重新获取用户数据，避免了大量数据不完整，造成的模型训练准确性低的问题。
97.在一些可选的实现方式中，如果上述步骤为根据所述缺失值的类型对所述缺失值进行处理，上述电子设备可以执行以下步骤：
98.在所述缺失值为财产状况、银行流水、消费情况时，剔除含有缺失值的数据；
99.在所述缺失值为用户的个人信息时，补全所述缺失值的数据。
100.实际使用中，因为是涉及到贷款的预测，对于风险的把控较为重要，固对于金额缺失的数据，比如财产状况、银行流水、消费情况等信息在此标记为异常数据，需要进行剔除，剔除掉含有缺失值的数据行。对于用户的个人信息，比如性别、用户所在区域值等信息，这种对实际预测情况的影响远小于和用户密切相关的金额，若是缺失的情况，则进行自动补全相应值，比如性别补充可以为“0”，区域补充可以为“未知”等。
101.在一些可选的实现方式中，在步骤203采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型之前，上述电子设备还可以执行以下步骤：
102.将所述至少一个用户信息的各类信息应用数据特征选择模型进行计算，获取所述各类信息的重要性值；
103.根据预设规则确定重要性值最高的至少一类信息为训练特征；
104.步骤203采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型，上述电子设备还可以执行以下步骤：
105.采用所述训练集的所述训练特征对待训练的原始深度学习模型进行训练，获得资金管理分析模型。
106.本实施例中，用户信息包括性别、月花费、分期、贷款金额、投资、分期付款、利息、收入等多类信息，应用数据特征选择模型计算出各类信息的重要性值后就可以选择特征了，一般来说，与精度关联性越高的信息，重要性值越高。数据特征选择模型可以计算出各类信息与精度的关联性，一般选择特征个数越多，精度越高，这样运算也更加复杂。实际应用中，选择特征重要性值最高的几个特征进行训练。本实施例中，n＝4对应着76.12％的精度，n＝8对应着78.05％的精度，可见n＝4并不比n＝8低很多，所以从精度和模型复杂度之前权衡之后，选择n＝4。
107.具体的：
108.n＝8,精度:78.05％
109.n＝7,精度:76.48％
110.n＝6,精度:77.61％
111.n＝5,精度:76.11％
112.n＝4,精度:76.12％
113.n＝3,精度:75.85％
114.n＝2,精度:66.66％
115.n＝1,精度:56.56％
116.在一些可选的实现方式中，如果上述步骤为203采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型，上述电子设备还可以执行以下步骤：
117.采用所述训练集对待训练的原始深度学习模型进行训练，获得预资金管理分析模型；
118.获取所述至少一个用户信息中的测试集；
119.应用所述预资金管理分析模型对所述测试集进行预测；
120.在预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
121.实际使用中，可以将至少一个用户信息中除去训练集的数据作为测试集，应用xgboost模型深度学习获得的预资金管理分析模型对该测试集进行预测，将预测结果与实际结果进行比较，在预测结果的准确率大于预设阈值时，输出该资金管理分析模型。
122.在一些可选的实现方式中，在步骤应用所述预资金管理分析模型对所述测试集进行预测的步骤之后，上述电子设备还可以执行以下步骤：
123.在预测结果小于或等于预设阈值时，对所述资金管理分析模型进行数据调参，所述数据调参包括调节所述资金管理分析模型的树个数和/或树角度、调节采样比率；
124.重新采用所述训练集对调参后的所述预资金管理分析模型进行训练，直至预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
125.在本实施例中，可以通过只调节树的个数，只调节树的深度、同时调节树的个数和深度；调节学习率，同时调节树的个数和学习率；调节采样比率等多种方式进行数据调参，以使模型获得更好的准确度。
126.需要强调的是，为进一步保证上述目标推荐结果的私密和安全性，上述目标推荐结果的数据还可以存储于一区块链的节点中。
127.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
128.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、
延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
129.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
130.本技术属于智慧金融领域，通过本方案能够推动智慧城市的建设。
131.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
132.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
133.进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种基于人工智能的金融产品推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
134.如图3所示，本实施例所述的基于人工智能的金融产品推荐装置300包括：第一获取模块301、第二获取模块302、训练模块303以及分析模块304。
135.其中：
136.第一获取模块301，用于获取至少一个用户信息，每个所述用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种；
137.第二获取模块302，用于从所述至少一个用户信息中获取训练集；
138.训练模块303，用于采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；及
139.分析模块304，用于获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。
140.在本实施例中，第一获取模块301获取至少一个用户信息，每个用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种，以实现基础用户信息的获取；第二获取模块302从至少一个用户信息中获取训练集，以实现深度学习中训练集的获取；训练模块303采用所述训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；分析模块304获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。本技术在历史存量的数据中找出其中规律，预判用户未来风险，进而评估用户的消费需求，为用户推荐适合的金融产品。相对于现有技术中传统的人为数据分析，本技术大幅度降低了人工成本，分析效率较高。
141.在本实施例的一些可选的实现方式中，所述装置300还包括：识别模块、判断模块和处理模块；
142.所述识别模块，用于识别所述用户信息中的缺失值；
143.所述判断模块，用于判断所述缺失值的类型；
144.所述处理模块，用于根据所述缺失值的类型对所述缺失值进行处理。
145.在本实施例的一些可选的实现方式中，识别模块进一步包括判断单元、计算单元和确定单元；
146.所述判断单元，用于判断所述用户信息中是否有空值；
147.所述计算单元，用于在判断有所述空值时，计算所述空值在所有用户信息中的占比；
148.所述确定单元，用于在所述占比小于预设阈值时，确定所述空值为所述缺失值。
149.在本实施例的一些可选的实现方式中，处理模块进一步包括剔除单元和补全单元；
150.所述剔除单元，用于在所述缺失值为财产状况、银行流水、消费情况时，剔除含有缺失值的数据；
151.所述补全单元，用于在所述缺失值为用户的个人信息时，补全所述缺失值的数据。
152.在本实施例的一些可选的实现方式中，上述装置300还包括计算模块和确定模块：
153.所述计算模块，包括将所述至少一个用户信息的各类信息应用数据特征选择模型进行计算，获取所述各类信息的重要性值；
154.所述确定模块，用于根据预设规则确定重要性值最高的至少一类信息为训练特征；
155.所述训练模块，用于采用所述训练集的所述训练特征对待训练的原始深度学习模型进行训练，获得资金管理分析模型。
156.在本实施例的一些可选的实现方式中，训练模块具体用于采用所述训练集对待训练的原始深度学习模型进行训练；
157.获取所述至少一个用户信息中的测试集；
158.应用所述预资金管理分析模型对所述测试集进行预测；
159.在预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型。
160.在本实施例的一些可选的实现方式中，训练模块还用于在预测结果小于或等于预设阈值时，对所述资金管理分析模型进行数据调参，重新采用所述训练集对调参后的所述预资金管理分析模型进行训练，直至预测结果大于预设阈值时，确认所述预资金管理分析模型为资金管理分析模型，输出所述资金管理分析模型，所述数据调参包括调节所述资金管理分析模型的树个数和/或树角度、调节采样比率。
161.需要强调的是，为进一步保证上述目标推荐结果的私密和安全性，上述目标推荐结果的数据还可以存储于一区块链的节点中。
162.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
163.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口
43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
164.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
165.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的金融产品推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
166.所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器62用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的金融产品推荐方法的计算机可读指令。
167.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
168.本技术计算机设备通过获取至少一个用户信息，每个用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种，以实现基础用户信息的获取；从至少一个用户信息中获取训练集，以实现深度学习中训练集的获取；采用训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。本技术在历史存量的数据中找出其中规律，预判用户未来风险，进而评估用户的消费需求，为用户推荐适合的金融产品。相对于现有技术中传统的人为数据分析，本技术大幅度降低了人工成本，分析效率较高。
169.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的金融产品推荐方法的步骤。
170.本技术计算机可读存储介质通过获取至少一个用户信息，每个用户信息至少包括用户的个人信息、财产状况、银行流水、消费情况中的至少一种，以实现基础用户信息的获
取；从至少一个用户信息中获取训练集，以实现深度学习中训练集的获取；采用训练集对待训练的原始深度学习模型进行训练，获得资金管理分析模型；获取目标用户的用户信息，输入所述资金管理分析模型获得目标推荐结果。本技术在历史存量的数据中找出其中规律，预判用户未来风险，进而评估用户的消费需求，为用户推荐适合的金融产品。相对于现有技术中传统的人为数据分析，本技术大幅度降低了人工成本，分析效率较高。
171.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
172.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。