金融产品的推荐方法及其装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，具体而言，涉及一种金融产品的推荐方法及其装置、电子设备及存储介质。


背景技术：

2.随着计算机技术的发展以及用户对金融产品消费能力的快速增长，金融机构如何充分依据客户信息大数据，并且充分利用现有客户的资产数据、信用数据、交易数据等，通过计算技术预测和挖掘客户群的金融产品消费能力，并有效指导金融产品进一步创新，是实现金融业务可持续发展的重要手段。
3.相关技术中，推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助机构为其客户购物提供完全个性化的决策支持和信息服务，推荐系统能够根据客户的信息需求、兴趣等，将客户感兴趣的信息、产品等推荐给客户。和搜索引擎相比，推荐系统通过研究客户的兴趣偏好，进行个性化计算，由系统发现客户的兴趣点，从而引导客户发现自己的产品和信息需求。
4.目前，在金融产品领域，可通过推荐系统及相关算法推测现有客户和金融产品之间的潜在关联关系，并对客户提供金融产品推荐结果。然而，推荐系统及相关算法均存在不同问题，例如，用户稀疏性问题、冷启动问题、数据建模难度大等问题，造成推荐系统的实际应用范围受到限制，仅局限于电子商务等少数行业。并且，推荐系统本身局限于现有用户和金融产品的内部匹配关系，并不具备根据金融产品自动化建模和生产的能力。当金融产品市场上存在需求的新生用户快速增加时，由于新生用户自身的金融产品消费历史数据空白，现有的推荐系统受到数据冷启动问题的影响，无法及时对这部分用户发挥作用，只能针对现有的客户群和产品体系进行匹配预测计算，并不具备通过探索性计算指导产品创新方向的能力。因此，金融机构需要更加有效的计算技术手段，对新生用户的金融产品需求进行准确测算和建模，以实现金融产品定制化快速生产。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种金融产品的推荐方法及其装置、电子设备及存储介质，以至少解决相关技术中无法为无消费历史数据的新用户推荐定制化金融产品，导致新用户体验感降低的技术问题。
7.根据本发明实施例的一个方面，提供了一种金融产品的推荐方法，包括：提取目标用户的目标特征集，其中，所述目标特征集为采用预先设置的目标特征库对所述目标用户的所有特征组成的特征集合进行筛选后得到；基于所述目标特征集中的每个特征的特征值，计算所述目标用户所属的用户聚类；在所述用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，其中，所述第一类关联矩阵是与所述预设聚类集合对应的关联矩阵，所述矩阵节点表征所述
预设聚类集合内每个所述用户聚类与金融产品的产品属性之间的关联关系，每个所述矩阵节点对应有所述相关值一；结合所述第一节点集合，确定与所述目标用户的目标特征集所对应的目标产品属性集合；提取所述目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将所述目标金融产品推荐给所述目标用户。
8.可选地，在基于所述目标特征集中的每个特征的特征值，计算所述目标用户所属的用户聚类之后，所述推荐方法还包括：在所述用户聚类不属于预设聚类集合的情况下，基于所述目标特征集中每个用户特征与所述产品属性之间的关联关系，确定第二类关联矩阵，其中，所述第二类关联矩阵中的每个矩阵节点为所述用户特征与所述产品属性表征的节点，每个所述矩阵节点所对应的节点值表征为所述用户特征与所述产品属性之间的相关值二；对第二类关联矩阵中所有所述矩阵节点的所述相关值二进行排序，得到第一排序结果；基于所述第一排序结果，选择所述相关值二大于等于第二预设阈值的矩阵节点；将所述矩阵节点所对应的产品属性组合为目标产品属性集合。
9.可选地，在提取目标用户的目标特征集之前，所述推荐方法还包括：获取历史时间段内的金融产品的历史消费数据和多个历史用户特征；将所述历史用户特征进行任意两两组合，得到多个用户特征组合；建立所述用户特征组合与所述产品属性之间的第三类关联矩阵，其中，所述第三类关联矩阵中的每个矩阵节点是指所述用户特征组合与所述产品属性之间形成的节点；基于所述历史消费数据，计算所述第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图，其中，所述矩阵节点值为矩阵节点所指示的所述用户特征组合和所述产品属性的消费交易频率。
10.可选地，在基于所述历史消费数据，计算所述第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图之后，所述推荐方法还包括：基于所述第一矩阵节点值分布图，对所述矩阵节点值进行排序，得到第二排序结果；基于所述第二排序结果，提取大于等于第三预设阈值的矩阵节点值，并组合提取得到的矩阵节点值，得到第一数值队列。
11.可选地，在得到第一数值队列之后，所述推荐方法还包括：对所述第一数值队列进行预处理，得到处理后的第一数值队列；基于处理后的所述第一数值队列中的所述矩阵节点值，计算所述用户特征组合的组合值；基于所述组合值，计算每个所述用户特征的特征总值；对所述特征总值进行排序，确定所述特征总值大于等于第四预设阈值的目标特征；将所述目标特征组成所述目标特征库。
12.可选地，在将所述目标特征组成所述目标特征库之后，所述推荐方法还包括：基于所述目标特征库中的所有特征，确定与每个所述用户聚类对应的滑动窗口；基于所述滑动窗口，随机选择一个中心点，并在所述滑动窗口内滑动所述中心点，直至找到最高密度点，将所述最高密度点表征为新的中心点；对所述滑动窗口多次选取新的中心点后，若选取的中心点的位置在目标选取时间段内都位于某一固定区域内，则确定中心点选取稳定性达到预设稳定条件；确定与每个所述用户聚类对应的中心点，得到多个聚类中心点；基于多个所述聚类中心点，得到聚类集合。
13.可选地，在基于多个所述聚类中心点，得到聚类集合之后，所述推荐方法还包括：基于所述聚类集合和所述历史消费数据，得到所述聚类集合与金融产品之间的二维矩阵，其中，所述二维矩阵中的矩阵节点所对应的矩阵节点值为交易量。
14.可选地，在提取目标用户的目标特征集之前，所述推荐方法还包括：获取历史时间段内的金融产品的历史消费数据；建立历史用户特征与所述产品属性之间的第四类关联矩阵；基于所述历史消费数据，计算所述第四类关联矩阵中每个矩阵节点的矩阵节点值，得到第二矩阵节点值分布图，其中，所述矩阵节点值为矩阵节点所指示的用户特征和产品属性的消费交易频率；基于所述第二矩阵节点值分布图，对所述矩阵节点值进行排序，得到第三排序结果；基于所述第三排序结果，提取大于等于第五预设阈值的的矩阵节点值，并组合提取得到的矩阵节点值，得到第二数值队列。
15.可选地，在得到所述聚类集合与产品之间的二维矩阵之后，所述推荐方法还包括：基于聚类集合与金融产品之间的二维矩阵，将所述金融产品按照产品属性进行分解，得到用户聚类与产品属性的第一类关联矩阵；基于所述第二数值队列、所述用户聚类中的用户特征以及所述产品属性，计算所述第一类关联矩阵中各矩阵节点的矩阵节点值，其中，所述矩阵节点值表征为相关值一。
16.根据本发明实施例的另一方面，还提供了一种金融产品的推荐装置，其特征在于，包括：提取单元，用于提取目标用户的目标特征集，其中，所述目标特征集为采用预先设置的目标特征库对所述目标用户的所有特征组成的特征集合进行筛选后得到；计算单元，用于基于所述目标特征集中的每个特征的特征值，计算所述目标用户所属的用户聚类；查询单元，用于在所述用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，其中，所述第一类关联矩阵是与所述预设聚类集合对应的关联矩阵，所述矩阵节点表征所述预设聚类集合内每个所述用户聚类与金融产品的产品属性之间的关联关系，每个所述矩阵节点对应有所述相关值一；确定单元，用于结合所述第一节点集合，确定与所述目标用户的目标特征集所对应的目标产品属性集合；推荐单元，用于提取所述目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将所述目标金融产品推荐给所述目标用户。
17.可选地，所述推荐装置还包括：第一确定模块，用于在基于所述目标特征集中的每个特征的特征值，计算所述目标用户所属的用户聚类之后，在所述用户聚类不属于预设聚类集合的情况下，基于所述目标特征集中每个用户特征与所述产品属性之间的关联关系，确定第二类关联矩阵，其中，所述第二类关联矩阵中的每个矩阵节点为所述用户特征与所述产品属性表征的节点，每个所述矩阵节点所对应的节点值表征为所述用户特征与所述产品属性之间的相关值二；第一排序模块，用于对第二类关联矩阵中所有所述矩阵节点的所述相关值二进行排序，得到第一排序结果；第一选择模块，用于基于所述第一排序结果，选择所述相关值二大于等于第二预设阈值的矩阵节点；第一组合模块，用于将所述矩阵节点所对应的产品属性组合为目标产品属性集合。
18.可选地，所述推荐装置还包括：第一获取模块，用于在提取目标用户的目标特征集之前，获取历史时间段内的金融产品的历史消费数据和多个历史用户特征；第二组合模块，用于将所述历史用户特征进行任意两两组合，得到多个用户特征组合；第一建立模块，用于建立所述用户特征组合与所述产品属性之间的第三类关联矩阵，其中，所述第三类关联矩阵中的每个矩阵节点是指所述用户特征组合与所述产品属性之间形成的节点；第一计算模块，用于基于所述历史消费数据，计算所述第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图，其中，所述矩阵节点值为矩阵节点所指示的所述用户特征组
合和所述产品属性的消费交易频率。
19.可选地，所述推荐装置还包括：第二排序模块，用于在基于所述历史消费数据，计算所述第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图之后，基于所述第一矩阵节点值分布图，对所述矩阵节点值进行排序，得到第二排序结果；第一提取模块，用于基于所述第二排序结果，提取大于等于第三预设阈值的矩阵节点值，并组合提取得到的矩阵节点值，得到第一数值队列。
20.可选地，所述推荐装置还包括：第一处理模块，用于在得到第一数值队列之后，对所述第一数值队列进行预处理，得到处理后的第一数值队列；第二计算模块，用于基于处理后的所述第一数值队列中的所述矩阵节点值，计算所述用户特征组合的组合值；第三计算模块，用于基于所述组合值，计算每个所述用户特征的特征总值；第三排序模块，用于对所述特征总值进行排序，确定所述特征总值大于等于第四预设阈值的目标特征；第三组合模块，用于将所述目标特征组成所述目标特征库。
21.可选地，所述推荐装置还包括：第二确定模块，用于在将所述目标特征组成所述目标特征库之后，基于所述目标特征库中的所有特征，确定与每个所述用户聚类对应的滑动窗口；第二选择模块，用于基于所述滑动窗口，随机选择一个中心点，并在所述滑动窗口内滑动所述中心点，直至找到最高密度点，将所述最高密度点表征为新的中心点；第三确定模块，用于对所述滑动窗口多次选取新的中心点后，若选取的中心点的位置在目标选取时间段内都位于某一固定区域内，则确定中心点选取稳定性达到预设稳定条件；第四确定模块，用于确定与每个所述用户聚类对应的中心点，得到多个聚类中心点；第一输出模块，用于基于多个所述聚类中心点，得到聚类集合。
22.可选地，所述推荐装置还包括：第二输出模块，用于在基于多个所述聚类中心点，得到聚类集合之后，基于所述聚类集合和所述历史消费数据，得到所述聚类集合与金融产品之间的二维矩阵，其中，所述二维矩阵中的矩阵节点所对应的矩阵节点值为交易量。
23.可选地，所述推荐装置还包括：第二获取模块，用于在提取目标用户的目标特征集之前，获取历史时间段内的金融产品的历史消费数据；第二建立模块，用于建立历史用户特征与所述产品属性之间的第四类关联矩阵；第四计算模块，用于基于所述历史消费数据，计算所述第四类关联矩阵中每个矩阵节点的矩阵节点值，得到第二矩阵节点值分布图，其中，所述矩阵节点值为矩阵节点所指示的用户特征和产品属性的消费交易频率；第四排序模块，用于基于所述第二矩阵节点值分布图，对所述矩阵节点值进行排序，得到第三排序结果；第二提取模块，用于基于所述第三排序结果，提取大于等于第五预设阈值的的矩阵节点值，并组合提取得到的矩阵节点值，得到第二数值队列。
24.可选地，所述推荐装置还包括：第一分解模块，用于在得到所述聚类集合与产品之间的二维矩阵之后，基于聚类集合与金融产品之间的二维矩阵，将所述金融产品按照产品属性进行分解，得到用户聚类与产品属性的第一类关联矩阵；第五计算模块，用于基于所述第二数值队列、所述用户聚类中的用户特征以及所述产品属性，计算所述第一类关联矩阵中各矩阵节点的矩阵节点值，其中，所述矩阵节点值表征为相关值一。
25.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述所述的金融产品的推荐方法。
26.根据本发明实施例的另一方面，还提供了一种电子设备，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上述所述的金融产品的推荐方法。
27.在本公开中，提取目标用户的目标特征集，基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类，在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合，提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。在本技术中，可通过用户聚类与金融产品的产品属性之间的关联关系(即第一类关联矩阵)，计算用户所属的用户聚类与产品属性之间的相关值，从而得到用户的强关联产品属性集合(即目标产品属性集合)，任意选取产品属性集合中的产品属性进行产品定制，能够实现为用户定制个性化金融产品，以满足用户的金融产品需求，进而解决了相关技术中无法为无消费历史数据的新用户推荐定制化金融产品，导致新用户体验感降低的技术问题。
附图说明
28.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
29.图1是根据本发明实施例的一种可选的金融产品的推荐方法的流程图；
30.图2是根据本发明实施例的一种可选的金融产品定制化生产的流程图；
31.图3是根据本发明实施例的一种可选的金融产品的推荐装置的示意图；
32.图4是根据本发明实施例的一种用于金融产品的推荐方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
33.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
34.需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
35.为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或名词做出解释：
36.均值漂移聚类算法：是一种基于滑动窗口的算法，用于找到数据点的密集区域。
37.需要说明的是，本公开中的金融产品的推荐方法及其装置可用于人工智能领域在推荐金融产品的情况下，也可用于除人工智能领域之外的任意领域在推荐金融产品的情况下，本公开中对金融产品的推荐方法及其装置的应用领域不做限定。
38.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。
39.本发明下述各实施例可应用于各种推荐金融产品的系统/应用/设备中，根据新用户的特征推荐适配的金融产品，涉及的金融产品包括但不限于：贷款类产品、基金类产品等。由于金融产品具备产品属性可量化、维度集合相对固定的特点，具备实现产品自动化、定制化生产的条件，因此，本发明能够依托和建立用户大数据模型及金融产品模型，对用户行为数据和金融产品属性进行深度抽取，建立特征值模型库，通过机器学习手段实现金融产品的自动化、定制化生产，能够实现满足新生用户的金融产品需求的功能，并可在机器学习过程中反复强化和提升该功能。
40.下面结合各个实施例来详细说明本发明。
41.实施例一
42.根据本发明实施例，提供了一种金融产品的推荐方法实施例，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。
43.图1是根据本发明实施例的一种可选的金融产品的推荐方法的流程图，如图1所示，该方法包括如下步骤：
44.步骤s101，提取目标用户的目标特征集，其中，目标特征集为采用预先设置的目标特征库对目标用户的所有特征组成的特征集合进行筛选后得到。
45.步骤s102，基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类。
46.步骤s103，在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，其中，第一类关联矩阵是与预设聚类集合对应的关联矩阵，矩阵节点表征预设聚类集合内每个用户聚类与金融产品的产品属性之间的关联关系，每个矩阵节点对应有相关值一。
47.步骤s104，结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合。
48.步骤s105，提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。
49.通过上述步骤，可以提取目标用户的目标特征集，基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类，在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合，提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品
推荐给目标用户。在本发明实施例中，可通过用户聚类与金融产品的产品属性之间的关联关系(即第一类关联矩阵)，计算用户所属的用户聚类与产品属性之间的相关值，从而得到用户的强关联产品属性集合(即目标产品属性集合)，任意选取产品属性集合中的产品属性进行产品定制，能够实现为用户定制个性化金融产品，以满足用户的金融产品需求，进而解决了相关技术中无法为无消费历史数据的新用户推荐定制化金融产品，导致新用户体验感降低的技术问题。
50.下面结合上述各步骤对本发明实施例进行详细说明。
51.在本发明实施例中，可以抽取并整合用户信息大数据平台、人行、外部公司等多个来源的用户基础数据，通过对用户基础数据进行解析，得到用户特征，对用户特征进行细化分解，可以形成用户特征的二维矩阵，例如，用户特征可以包括：普通属性(年龄、职业、学历等)、金融属性(资产总额、贷款总额、日均资产余额、月均收入、月均透支等)、信用属性(信用评分、反欺诈评分、风险等级等)等。用户特征可以根据实际情况调整，业务人员可在用户特征库中维护。由于金融机构的用户数量数以亿计，对这种数量级别的用户特征建模可以由分布式计算平台进行处理，用户数据通过特定维度(例如，户籍地区)划分到区隔分布的不同计算节点和数据存储，然后可以由单独的数据分析集群负责抽取数据并整合处理，从而得到用户特征的二维矩阵。
52.在本实施例中，可以预先整合金融机构已有的金融产品数据，通过对金融产品数据进行解析，得到产品属性，对产品属性进行细化分解，形成产品属性的二维矩阵，例如，可以对金融产品按照特定维度抽取产品属性，产品属性可以包括：贷款载体(借记卡、信用卡、网络贷等)、贷款形式(现金贷、消费贷、汽车专项贷等)、贷款利率(例如，3％、10％、15％等)、还款周期(月、半年、年等)、还款方式(等额本金、等额本息、不定额等)、贷款期数(6、12、24、48等)等。产品属性可以根据实际情况灵活拓展，业务人员可在产品属性专库维护。
53.在本实施例中，用户特征建模(即为了得到用户特征的二维矩阵)、金融产品属性建模(即为了得到产品属性的二维矩阵)可以通过机器学习反复优化和迭代，最终金融产品建模及生产的有效性得到市场回馈度越高，用户特征、金融产品属性筛选的有效性也越高，因此，为了提升建模的有效性，可以不断调整用户特征和金融产品属性集合，直至达到最优目标。
54.可选的，在提取目标用户的目标特征集之前，推荐方法还包括：获取历史时间段内的金融产品的历史消费数据和多个历史用户特征；将历史用户特征进行任意两两组合，得到多个用户特征组合；建立用户特征组合与产品属性之间的第三类关联矩阵，其中，第三类关联矩阵中的每个矩阵节点是指用户特征组合与产品属性之间形成的节点；基于历史消费数据，计算第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图，其中，矩阵节点值为矩阵节点所指示的用户特征组合和产品属性的消费交易频率。
55.在本发明实施例中，在引入用户特征的同时，可以统计用户在历史时间段内(例如，上一年)的金融产品的历史消费数据(即获取历史时间段内的金融产品的历史消费数据和多个历史用户特征)，在此基础上，能够计算用户特征和产品属性之间的数据相关关系，提取出具备有效关联度的(用户特征-产品属性)组合，具体可以：
56.将用户特征进行随机组合(即将历史用户特征进行任意两两组合，得到多个用户特征组合)，再与产品属性计算形成用户特征组合-产品属性的关联矩阵{z1(x1,x2,
y1),...,zn(xm,xn,yn)}(即建立用户特征组合与产品属性之间的第三类关联矩阵，其中，第三类关联矩阵中的每个矩阵节点是指用户特征组合与产品属性之间形成的节点),其中，z1,...,zn为关联矩阵的名称，x1,x2,...,xm,xn表示用户特征，y1,...,yn表示产品属性，之后，可以基于历史消费数据，计算第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图，其中，矩阵节点可以用o(xm,xn,yn)表示，矩阵节点值为用户特征xm,xn和产品属性yn锚定的消费交易频率(即矩阵节点值为矩阵节点所指示的用户特征组合和产品属性的消费交易频)。
57.可选的，在基于历史消费数据，计算第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图之后，推荐方法还包括：基于第一矩阵节点值分布图，对矩阵节点值进行排序，得到第二排序结果；基于第二排序结果，提取大于等于第三预设阈值的矩阵节点值，并组合提取得到的矩阵节点值，得到第一数值队列。
58.在本发明实施例中，可以根据o(xm,xn,yn)分布(即第一矩阵节点值分布图)，计算用户特征xm,xn和产品属性yn之间的数据散布相关度p
′
(xm,xn,yn)(例如，通过线性回归计算两者之间的相关度)，然后对p
′
值排序(即对矩阵节点值进行排序，得到第二排序结果)，产生数值队列q
′
(p
′
)＝[p1',p2',p3'...](即第一数值队列)，其中，p1'＞p2'＞...＞pn'，pn'为预设的有效域值(即第三预设阈值，例如30％)(即基于第二排序结果，提取大于等于第三预设阈值的矩阵节点值，并组合提取得到的矩阵节点值，得到第一数值队列)。
[0059]
可选的，在得到第一数值队列之后，推荐方法还包括：对第一数值队列进行预处理，得到处理后的第一数值队列；基于处理后的第一数值队列中的矩阵节点值，计算用户特征组合的组合值；基于组合值，计算每个用户特征的特征总值；对特征总值进行排序，确定特征总值大于等于第四预设阈值的目标特征；将目标特征组成目标特征库。
[0060]
在本发明实施例中，可以对第一数值队列q'进行预处理(例如，进行二次数据降噪处理)，将与产品属性存在有效关联度的用户特征抽取入库，得到可用特征库(即目标特征库)，具体如下：
[0061]
抽取第一数值队列q'中的全部矩阵节点值p
′
，对全部用户特征库进行过滤，按照如下公式计算用户特征组合的组合值(例如，f(x1,x2)、f(x1,xn))，并基于组合值，计算每个用户特征的特征总值(例如，∑f(x1)、∑f(xn))：
[0062]
f(x1,x2)＝p
′
(x1,x2,y1) p
′
(x1,x2,y2) ... p
′
(x1,x2,yn)；
[0063]
f(x1,x3)＝p
′
(x1,x3,y1) p
′
(x1,x3,y2) ... p
′
(x1,x3,yn)；
[0064]
......
[0065]
f(x1,xn)＝p
′
(x1,xn,y1) p
′
(x1,xn,y2) ... p
′
(x1,xn,yn)；
[0066]
......
[0067]
∑f(x1)＝f(x1,x2) f(x1,x3) ... f(x1,xn)；
[0068]
f(x2,x1)＝p
′
(x2,x1,y1) p
′
(x2,x1,y2) ... p
′
(x2,x1,yn)；
[0069]
f(x2,x3)＝p
′
(x2,x3,y1) p
′
(x2,x3,y2) ... p
′
(x2,x3,yn)；
[0070]
......
[0071]
f(x2,xn)＝p
′
(x2,xn,y1) p
′
(x2,xn,y2) ... p
′
(x2,xn,yn)；
[0072]
∑f(x2)＝f(x2,x1) f(x2,x3) ... f(x2,xn)；
[0073]
......
[0074]
∑f(xn)＝f(xn,x1) f(xn,x2) ... f(xn,xm)。
[0075]
对特征总值∑f(xn)进行排序，预设用户特征可用性域值μ(即第四预设阈值)，剔除∑f(xn)＜μ的用户特征x，保留剩余的用户特征x，得到集合s(x)＝{x1,...,xn)为可用特征库(即确定特征总值大于等于第四预设阈值的目标特征，并将目标特征组成目标特征库)。
[0076]
可选的，在将目标特征组成目标特征库之后，推荐方法还包括：基于目标特征库中的所有特征，确定与每个用户聚类对应的滑动窗口；基于滑动窗口，随机选择一个中心点，并在滑动窗口内滑动中心点，直至找到最高密度点，将最高密度点表征为新的中心点；对滑动窗口多次选取新的中心点后，若选取的中心点的位置在目标选取时间段内都位于某一固定区域内，则确定中心点选取稳定性达到预设稳定条件；确定与每个用户聚类对应的中心点，得到多个聚类中心点；基于多个聚类中心点，得到聚类集合。
[0077]
在本发明实施例中，在得到目标特征库之后，可以使用均值漂移聚类算法得到聚类集合，具体为：
[0078]
根据s(x)中的用户特征,确定一个滑动窗口(即基于目标特征库中的所有特征，确定与每个用户聚类对应的滑动窗口)，其中，滑动窗口的半径随机选择中心点c，在s(x)限定空间内向更高密度空间逐步滑动，直至找到最高密度窗口作为一个新中心点(即在滑动窗口内滑动中心点，直至找到最高密度点，将最高密度点表征为新的中心点)，具体可以在每次迭代中，滑动窗口通过将中心点移向窗口内点的均值(即滑动窗口内各点到中心点平均距离)来移向更高密度区域，滑动窗口内的密度与其内部点的数量成正比，因此，通过向窗口内点的均值移动，它会逐渐移向点密度更高的区域。
[0079]
重复上述过程多次后，中心点保持稳定(即若选取的中心点的位置在目标选取时间段内都位于某一固定区域内，则确定中心点选取稳定性达到预设稳定条件)，得到多个新中心点c'(确定与每个用户聚类对应的中心点，得到多个聚类中心点)，即完成对用户群的聚类分析，得到用户聚类集合s(c)(基于多个聚类中心点，得到聚类集合)。
[0080]
可选的，在基于多个聚类中心点，得到聚类集合之后，推荐方法还包括：基于聚类集合和历史消费数据，得到聚类集合与金融产品之间的二维矩阵，其中，二维矩阵中的矩阵节点所对应的矩阵节点值为交易量。
[0081]
在本发明实施例中，可以根据用户聚类集合s(c)和历史消费数据进行关联，得到聚类集合与金融产品之间的二维矩阵z(c，d)，其中，二维矩阵中的矩阵节点所对应的矩阵节点值为交易量t，c表示用户聚类，d表示金融产品。
[0082]
如表1所示，为本实施例一种可选的用户聚类和金融产品的关联分析表，本实施例可以通过分布式计算平台，根据大数据聚类算法对全部用户进行聚类分析，然后对于用户特征和金融产品之间的关联度(如交易笔数)进行排序，提取出关联强度较高的匹配关系。
[0083]
表1
[0084] 金融产品1金融产品2金融产品3金融产品4用户聚类1100笔65笔
………………
用户聚类20笔150笔
………………
用户聚类330笔5笔
………………
用户聚类4200笔300笔
………………………………………………………
[0085]
可选的，在提取目标用户的目标特征集之前，推荐方法还包括：获取历史时间段内的金融产品的历史消费数据；建立历史用户特征与产品属性之间的第四类关联矩阵；基于历史消费数据，计算第四类关联矩阵中每个矩阵节点的矩阵节点值，得到第二矩阵节点值分布图，其中，矩阵节点值为矩阵节点所指示的用户特征和产品属性的消费交易频率；基于第二矩阵节点值分布图，对矩阵节点值进行排序，得到第三排序结果；基于第三排序结果，提取大于等于第五预设阈值的的矩阵节点值，并组合提取得到的矩阵节点值，得到第二数值队列。
[0086]
在本发明实施例中，在引入用户特征的同时，可以统计用户在历史时间段内(例如，上一年)的金融产品的历史消费数据(即获取历史时间段内的金融产品的历史消费数据)，在此基础上，能够计算用户特征和产品属性之间的数据相关关系，提取出具备有效关联度的(用户特征-产品属性)组合，具体可以：
[0087]
将用户特征、金融产品按属性按照维度进行拆分，形成用户特征-产品属性的多个关联矩阵{z1(x1,y1),...,zn(xn,yn)}(即建立历史用户特征与产品属性之间的第四类关联矩阵),其中，z1,...,zn为关联矩阵的名称，x1,...,xn表示用户特征，y1,...,yn表示产品属性，之后，可以基于历史消费数据，计算第四类关联矩阵中每个矩阵节点的矩阵节点值，得到第二矩阵节点值分布图，其中，矩阵节点可以用o(xn,yn)表示，矩阵节点值为用户特征xn和产品属性yn锚定的消费交易频率(即矩阵节点值为矩阵节点所指示的用户特征和产品属性的消费交易频率)。可以根据o(xn,yn)分布(即第二矩阵节点值分布图)，计算用户特征xn和产品属性yn之间的数据散布相关度p(xn,yn)(例如，通过线性回归计算两者之间的相关度)，然后对p值排序(即对矩阵节点值进行排序，得到第三排序结果)，产生数值队列q(p)＝[p1,p2,p3...](即第二数值队列)，其中，p1＞p2＞...＞pn，pn为预设的有效域值(即第五预设阈值，例如30％)(即基于第三排序结果，提取大于等于第五预设阈值的的矩阵节点值，并组合提取得到的矩阵节点值，得到第二数值队列)。
[0088]
可选的，在得到聚类集合与产品之间的二维矩阵之后，推荐方法还包括：基于聚类集合与金融产品之间的二维矩阵，将金融产品按照产品属性进行分解，得到用户聚类与产品属性的第一类关联矩阵；基于第二数值队列、用户聚类中的用户特征以及产品属性，计算第一类关联矩阵中各矩阵节点的矩阵节点值，其中，矩阵节点值表征为相关值一。
[0089]
在本发明实施例中，根据聚类集合与金融产品之间的二维矩阵z(c，d)，将金融产品按照产品属性进行分解，计算出用户聚类与产品属性的关联矩阵z(c，y)(即第一类关联矩阵)，根据用户聚类c中的用户特征{x1,x2,...,xn}与产品属性y，查找第二数值队列中的p值，计算得出第一类关联矩阵中各矩阵节点的矩阵节点值(该矩阵节点值表征为相关值一)p(c,yn)＝p(x1,yn) ... p(xn,yn)。
[0090]
如表2所示，为本实施例另一种可选的用户聚类和产品属性的关联分析表，可以对用户聚类和产品属性之间的相关度进行排序，提取出相关度高于预设域值的匹配关系。
[0091]
表2
[0092] 产品属性1产品属性2产品属性3产品属性4用户聚类1相关度40％相关度95％
………………
用户聚类2相关度0％相关度60％
………………
用户聚类3相关度55％相关度5％
………………
用户聚类4相关度35％相关度65％
………………………………………………………
[0093]
步骤s101，提取目标用户的目标特征集，其中，目标特征集为采用预先设置的目标特征库对目标用户的所有特征组成的特征集合进行筛选后得到。
[0094]
在本发明实施例中，可以根据目标用户可获取的全部数据，提取该用户的特征队列{x1,x2,...,xm},根据可用特征库s(x)(即目标特征库)过滤出该用户的可用特征集s(x)(即目标特征集，该目标特征集为采用预先设置的目标特征库对目标用户的所有特征组成的特征集合进行筛选后得到)，如果该用户的可用数据并不完整，则s(x)为s(x)的一个子集。
[0095]
步骤s102，基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类。
[0096]
在本发明实施例中，可以根据用户可用特征集s(x)中各元素的数据落点区间(即目标特征集中的每个特征的特征值)，计算该用户归属的用户聚类c。
[0097]
步骤s103，在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，其中，第一类关联矩阵是与预设聚类集合对应的关联矩阵，矩阵节点表征预设聚类集合内每个用户聚类与金融产品的产品属性之间的关联关系，每个矩阵节点对应有相关值一。
[0098]
在本发明实施例中，如果该用户归属于用户聚类集合s(c)(即在用户聚类属于预设聚类集合的情况下)，根据用户聚类与产品属性的关联矩阵z(c，y)(即第一类关联矩阵)的矩阵节点p值，过滤排序前n％的产品特征y值，得到该用户的强关联产品属性集s{y1,y2,...,yn}(即基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，该第一节点集合中每个矩阵节点对应的产品属性即组成强关联产品属性集)，其中，第一类关联矩阵是与预设聚类集合s(c)对应的关联矩阵，矩阵节点表征预设聚类集合内每个用户聚类与金融产品的产品属性之间的关联关系，每个矩阵节点对应有相关值一(即p值)。
[0099]
可选的，在基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类之后，推荐方法还包括：在用户聚类不属于预设聚类集合的情况下，基于目标特征集中每个用户特征与产品属性之间的关联关系，确定第二类关联矩阵，其中，第二类关联矩阵中的每个矩阵节点为用户特征与产品属性表征的节点，每个矩阵节点所对应的节点值表征为用户特征与产品属性之间的相关值二；对第二类关联矩阵中所有矩阵节点的相关值二进行排序，得到第一排序结果；基于第一排序结果，选择相关值二大于等于第二预设阈值的矩阵节点；将矩阵节点所对应的产品属性组合为目标产品属性集合。
[0100]
在本发明实施例中，如果该用户不归属于用户聚类集合s(c)(即在用户聚类不属于预设聚类集合的情况下)，则根据该用户特征集s(x)(即目标特征集)，计算用户特征与产品属性之间的关联矩阵z(x，y)(即基于目标特征集中每个用户特征与产品属性之间的关联
关系，确定第二类关联矩阵)，其中，zэz(x，y)表示关联矩阵z(x，y)属于用户特征-产品属性的多个关联矩阵z的某一个，第二类关联矩阵(即关联矩阵z(x，y))中的每个矩阵节点为用户特征与产品属性表征的节点，每个矩阵节点所对应的节点值表征为用户特征与产品属性之间的相关值二(即用户特征与产品属性的数据散布相关度p(o))，根据p(o)值进行排序(即对第二类关联矩阵中所有矩阵节点的相关值二进行排序，得到第一排序结果)，选取p(o)》＝有效域值(例如50％)的全部节点(即基于第一排序结果，选择相关值二大于等于第二预设阈值的矩阵节点)，获取节点对应的产品属性，在此基础上得到该用户的强关联产品属性集s{y1,y2,...,yn}(即将矩阵节点所对应的产品属性组合为目标产品属性集合，该目标产品属性集合即为强关联产品属性集)。
[0101]
步骤s104，结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合。
[0102]
在本发明实施例中，第一节点集合中每个矩阵节点对应的产品属性组成强关联产品属性集(即可以确定与目标用户的目标特征集所对应的目标产品属性集合)
[0103]
步骤s105，提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。
[0104]
在本发明实施例中，提取目标产品属性集合中的产品属性，对这些产品属性使用随机组合算法，产生多种产品属性组合(ym ... yn)，即为定制产品模型，之后，业务人员可以从定制产品模型池中随机选择n％的产品模型，在此基础上产生定制金融产品(即基于提取出的产品属性定制目标金融产品)，将定制金融产品(即目标金融产品)推荐给目标用户。
[0105]
如表3所示，为本实施例一种可选的金融产品模型表，本实施例在提取出的有效用户特征库、产品属性库的基础上，进行数据组合分析，计算潜在的更优组合关系，根据有效度对产品模型集合排序，自动生成新的产品模型，并能计算出其面向的客户群特征，并且本实施例支持输入外部约束条件，比如利率限制、信用评分限制，对新产品模型进行边界约束。
[0106]
表3
[0107][0108][0109]
本发明实施例中，通过结合大数据分析、分布式计算、数据建模、机器学习算法等多种技术手段，能够实现金融产品自动化、定制化生产，可以解决快速增长的金融产品需求和金融产品供给能力之间的矛盾，给金融机构提供了快速生产的定制化金融产品的能力，能够达到如下有益效果：
[0110]
(1)基于用户信息大数据平台，并可灵活引入人行、外部公司大数据，用户数据立体化、多维化、全息化，且可通过机器学习手段不断优化可用的用户特征库，本实施例依托
分布式计算平台，具备较强的大数据分析能力，充分保证了用户特征建模的实时性、准确度和饱满程度。
[0111]
(2)可满足金融机构用户的金融产品快速定制需求，依托用户数据的快速建模和聚类分析能力，精准定位用户与产品属性之间的强关联关系，通过机器学习算法快速构建定制化金融产品模型，实现金融产品的自动化生产。
[0112]
(3)本实施例在实现自动化的金融产品定制的同时，提供推荐功能，对于现有的推荐系统中存在的用户数据冷启动、数据稀疏性等问题，本实施例能够很好地解决这些问题，并对无消费历史数据的新用户进行金融产品需求测算以及为新用户推荐定制化金融产品。
[0113]
实施例二
[0114]
图2是根据本发明实施例的一种可选的金融产品定制化生产的流程图，如图2所示，包括如下步骤：
[0115]
(1)抽取和整合客户信息大数据平台、人行、外部公司等多个来源的用户基础数据，进行用户特征建模；
[0116]
(2)整合金融机构已有的金融产品数据，并按照特定维度抽取产品属性，进行产品属性建模；
[0117]
(3)获取金融产品消费历史数据，对用户特征和金融产品属性之间的关联关系进行分析，提取出具备有效关联度的用户特征和金融产品属性组合；
[0118]
(4)基于用户特征和金融产品属性之间的关联关系，将与金融产品属性存在有效关联度的用户特征抽取入库，然后将有效用户特征库作为测算因子，通过聚类算法得到具备显著区分性的用户聚类集合；
[0119]
(5)通过用户聚类集合和金融产品消费历史数据进行关联分析，计算出用户聚类和金融产品的二维矩阵；
[0120]
(5)根据用户聚类和金融产品的二维矩阵，将金融产品按照产品属性进行分解，计算出用户聚类和金融产品属性的关联矩阵；
[0121]
(6)根据新用户以及部分存量用户的用户特征数据，以及用户聚类和金融产品属性的关联矩阵，进行产品属性组合运算，进行金融产品定制建模；
[0122]
(7)将定制的新金融产品进行推荐及消费，并将消费产生的金融产品消费数据在下一次对用户特征和金融产品属性之间的关联关系进行分析时使用。
[0123]
本发明实施例中，能够实现金融产品自动化、定制化生产，可以解决快速增长的金融产品需求和金融产品供给能力之间的矛盾，给金融机构提供了快速生产的定制化金融产品的能力，从而实现满足新生用户的金融产品需求的功能，对新用户进行金融产品需求测算以及为新用户推荐定制化金融产品。
[0124]
实施例三
[0125]
本实施例中提供的一种金融产品的推荐装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。
[0126]
图3是根据本发明实施例的一种可选的金融产品的推荐装置的示意图，如图3所示，该推荐装置可以包括：提取单元30，计算单元31，查询单元32，确定单元33，推荐单元34，其中，
[0127]
提取单元30，用于提取目标用户的目标特征集，其中，目标特征集为采用预先设置
的目标特征库对目标用户的所有特征组成的特征集合进行筛选后得到；
[0128]
计算单元31，用于基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类；
[0129]
查询单元32，用于在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，其中，第一类关联矩阵是与预设聚类集合对应的关联矩阵，矩阵节点表征预设聚类集合内每个用户聚类与金融产品的产品属性之间的关联关系，每个矩阵节点对应有相关值一；
[0130]
确定单元33，用于结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合；
[0131]
推荐单元34，用于提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。
[0132]
上述推荐装置，可以通过提取单元30提取目标用户的目标特征集，通过计算单元31基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类，通过查询单元32在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，通过确定单元33结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合，通过推荐单元34提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。在本发明实施例中，可通过用户聚类与金融产品的产品属性之间的关联关系(即第一类关联矩阵)，计算用户所属的用户聚类与产品属性之间的相关值，从而得到用户的强关联产品属性集合(即目标产品属性集合)，任意选取产品属性集合中的产品属性进行产品定制，能够实现为用户定制个性化金融产品，以满足用户的金融产品需求，进而解决了相关技术中无法为无消费历史数据的新用户推荐定制化金融产品，导致新用户体验感降低的技术问题。
[0133]
可选的，推荐装置还包括：第一确定模块，用于在基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类之后，在用户聚类不属于预设聚类集合的情况下，基于目标特征集中每个用户特征与产品属性之间的关联关系，确定第二类关联矩阵，其中，第二类关联矩阵中的每个矩阵节点为用户特征与产品属性表征的节点，每个矩阵节点所对应的节点值表征为用户特征与产品属性之间的相关值二；第一排序模块，用于对第二类关联矩阵中所有矩阵节点的相关值二进行排序，得到第一排序结果；第一选择模块，用于基于第一排序结果，选择相关值二大于等于第二预设阈值的矩阵节点；第一组合模块，用于将矩阵节点所对应的产品属性组合为目标产品属性集合。
[0134]
可选的，推荐装置还包括：第一获取模块，用于在提取目标用户的目标特征集之前，获取历史时间段内的金融产品的历史消费数据和多个历史用户特征；第二组合模块，用于将历史用户特征进行任意两两组合，得到多个用户特征组合；第一建立模块，用于建立用户特征组合与产品属性之间的第三类关联矩阵，其中，第三类关联矩阵中的每个矩阵节点是指用户特征组合与产品属性之间形成的节点；第一计算模块，用于基于历史消费数据，计算第三类关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图，其中，矩阵节点值为矩阵节点所指示的用户特征组合和产品属性的消费交易频率。
[0135]
可选的，推荐装置还包括：第二排序模块，用于在基于历史消费数据，计算第三类
关联矩阵中每个矩阵节点的矩阵节点值，得到第一矩阵节点值分布图之后，基于第一矩阵节点值分布图，对矩阵节点值进行排序，得到第二排序结果；第一提取模块，用于基于第二排序结果，提取大于等于第三预设阈值的矩阵节点值，并组合提取得到的矩阵节点值，得到第一数值队列。
[0136]
可选的，推荐装置还包括：第一处理模块，用于在得到第一数值队列之后，对第一数值队列进行预处理，得到处理后的第一数值队列；第二计算模块，用于基于处理后的第一数值队列中的矩阵节点值，计算用户特征组合的组合值；第三计算模块，用于基于组合值，计算每个用户特征的特征总值；第三排序模块，用于对特征总值进行排序，确定特征总值大于等于第四预设阈值的目标特征；第三组合模块，用于将目标特征组成目标特征库。
[0137]
可选的，推荐装置还包括：第二确定模块，用于在将目标特征组成目标特征库之后，基于目标特征库中的所有特征，确定与每个用户聚类对应的滑动窗口；第二选择模块，用于基于滑动窗口，随机选择一个中心点，并在滑动窗口内滑动中心点，直至找到最高密度点，将最高密度点表征为新的中心点；第三确定模块，用于对滑动窗口多次选取新的中心点后，若选取的中心点的位置在目标选取时间段内都位于某一固定区域内，则确定中心点选取稳定性达到预设稳定条件；第四确定模块，用于确定与每个用户聚类对应的中心点，得到多个聚类中心点；第一输出模块，用于基于多个聚类中心点，得到聚类集合。
[0138]
可选的，推荐装置还包括：第二输出模块，用于在基于多个聚类中心点，得到聚类集合之后，基于聚类集合和历史消费数据，得到聚类集合与金融产品之间的二维矩阵，其中，二维矩阵中的矩阵节点所对应的矩阵节点值为交易量。
[0139]
可选的，推荐装置还包括：第二获取模块，用于在提取目标用户的目标特征集之前，获取历史时间段内的金融产品的历史消费数据；第二建立模块，用于建立历史用户特征与产品属性之间的第四类关联矩阵；第四计算模块，用于基于历史消费数据，计算第四类关联矩阵中每个矩阵节点的矩阵节点值，得到第二矩阵节点值分布图，其中，矩阵节点值为矩阵节点所指示的用户特征和产品属性的消费交易频率；第四排序模块，用于基于第二矩阵节点值分布图，对矩阵节点值进行排序，得到第三排序结果；第二提取模块，用于基于第三排序结果，提取大于等于第五预设阈值的的矩阵节点值，并组合提取得到的矩阵节点值，得到第二数值队列。
[0140]
可选的，推荐装置还包括：第一分解模块，用于在得到聚类集合与产品之间的二维矩阵之后，基于聚类集合与金融产品之间的二维矩阵，将金融产品按照产品属性进行分解，得到用户聚类与产品属性的第一类关联矩阵；第五计算模块，用于基于第二数值队列、用户聚类中的用户特征以及产品属性，计算第一类关联矩阵中各矩阵节点的矩阵节点值，其中，矩阵节点值表征为相关值一。
[0141]
上述的推荐装置还可以包括处理器和存储器，上述提取单元30，计算单元31，查询单元32，确定单元33，推荐单元34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。
[0142]
上述处理器中包含内核，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基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。
[0143]
上述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。
[0144]
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：提取目标用户的目标特征集，基于目标特征集中的每个特征的特征值，计算目标用户所属的用户聚类，在用户聚类属于预设聚类集合的情况下，基于第一类关联矩阵查询相关值一大于等于第一预设阈值的矩阵节点，得到第一节点集合，结合第一节点集合，确定与目标用户的目标特征集所对应的目标产品属性集合，提取目标产品属性集合中的产品属性，并基于提取出的产品属性定制目标金融产品，并将目标金融产品推荐给目标用户。
[0145]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的金融产品的推荐方法。
[0146]
根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的金融产品的推荐方法。
[0147]
图4是根据本发明实施例的一种用于金融产品的推荐方法的电子设备(或移动设备)的硬件结构框图。如图4所示，电子设备可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
[0148]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0149]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0150]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0151]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0152]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0153]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用
时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0154]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。