一种金融产品推荐方法及装置与流程

1.本技术属于大数据技术领域，具体涉及一种金融产品推荐方法及装置。


背景技术：

2.随着金融领域的企业与用户交流的日益紧密，金融企业也敞开了面向世界的大门。在以客户为导向的金融市场环境中，面对来自全球的多元化的行业冲击，如何能将科技优势更精准服务于客户个性化需求的金融企业，将更能提升用户的忠诚度，使企业在市场中拥有更直接的竞争力。
3.推荐系统作为能够较好实现个性化服务的工具，不仅在电子商务、科技文献检索等领域被广泛应用，在金融领域越来越能够发挥重要作用，根据金融商品的特点，实现金融商品精准化推荐，既可有效降低产品推广成本，增大产品推荐的成功率，同时还可以实现个性化服务，提高客户满意度。随着深度学习的兴起，基于深度学习的推荐系统成为研究的热点之一。然而，常规的推荐方法在面对海量的数据信息时，对于数据蕴含的有效无效信息，缺乏权重的差异配比，使得模型在训练时，无法对携带有效信息量更多的特征分配更大的关注度，导致最终的推荐结果缺乏一定的准确性。


技术实现要素：

4.本发明可用于大数据技术在金融方面应用的技术领域，也可用于除金融领域之外的任意领域，本发明通过对整合后的直观数据与辅助数据进行训练，借助自注意力机制为模型分配数据学习的权重，以更准确地获取数据特征信息之间的全局依赖，从而更好地阅读数据之间的共线性，以得到更贴合客户差异化需求的金融产品推荐结果。
5.为解决本技术背景技术中的技术问题，本发明提供以下技术方案：
6.第一方面，本发明提供一种金融产品推荐方法包括：
7.接收待推荐金融产品的用户信息；
8.根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
9.一实施例中，利用自注意力方法训练所述神经网络初始模型包括：
10.根据用户的金融产品历史数据生成训练数据；
11.提取所述训练数据的空间域特征数据以及通道域特征数据；
12.根据所述空间域特征数据以及所述通道域特征数据对所述神经网络初始模型进行迭代训练至所述神经网络初始模型收敛。
13.一实施例中，提取所述训练数据的空间域特征数据包括：
14.利用深度残差网络，提取所述训练数据的第一空间域特征图；
15.对所述第一空间域特征图进行第一卷积操作，以生成第二空间域特征图以及第三空间域特征图；
16.对所述第一空间域特征图进行第二卷积操作，以生成第四空间域特征图；
17.将所述第二空间域特征图以及所述第三空间域特征图进行重塑；
18.将重塑后的第二空间域特征图以及第三空间域特征图相乘，以生成第五空间域特征图；
19.将所述第五空间域特征图以及所述第四空间域特征图相加，以生成所述空间域特征数据。
20.一实施例中，提取所述训练数据的通道域特征数据包括：
21.利用深度残差网络，提取所述训练数据的第一通道域特征图；
22.对所述第一通道域特征图进行第一卷积操作，以生成第二通道域特征图以及第三通道域特征图；
23.对所述第一通道域特征图进行第二卷积操作，以生成第四通道域特征图；
24.将所述第二通道域特征图以及所述第三通道域特征图进行重塑；
25.将重塑后的第二通道域特征图以及第三通道域特征图相乘，以生成第五通道域特征图；
26.将所述第五通道域特征图以及所述第四通道域特征图相加，以生成所述通道域特征数据。
27.一实施例中，所述根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品包括：
28.根据所述用户信息以及所述推荐模型生成用户隐表示数据以及金融产品隐表示数据；
29.根据所述用户隐表示数据以及所述金融产品隐表示数据确定所述待推荐金融产品。
30.一实施例中，所述根据所述用户隐表示数据以及所述金融产品隐表示数据确定所述待推荐金融产品包括：
31.计算所述用户隐表示数据以及所述金融产品隐表示数据之间的余弦相似度；
32.根据所述余弦相似度确定所述待推荐金融产品，并发送所述待推荐金融产品至用户。
33.第二方面，本发明提供一种金融产品推荐装置，该装置包括：
34.用户信息接收模块，用于接收待推荐金融产品的用户信息；
35.推荐产品确定模块，用于根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
36.一实施例中，金融产品推荐装置还包括：模型训练模块，用于利用自注意力方法训练所述神经网络初始模型，所述模型训练模块包括：
37.训练数据生成单元，用于根据用户的金融产品历史数据生成训练数据；
38.数据提取单元，用于提取所述训练数据的空间域特征数据以及通道域特征数据；
39.模型训练单元，用于根据所述空间域特征数据以及所述通道域特征数据对所述神经网络初始模型进行迭代训练至所述神经网络初始模型收敛。
40.一实施例中，所述数据提取单元包括：空间域数据提取单元以及通道域数据提取单元，所述空间域数据提取单元用于提取所述训练数据的空间域特征数据，所述空间域数
据提取单元包括：
41.第一空间特征图提取单元，用于利用深度残差网络，提取所述训练数据的第一空间域特征图；
42.第一空间特征图第一卷积单元，用于对所述第一空间域特征图进行第一卷积操作，以生成第二空间域特征图以及第三空间域特征图；
43.第一空间特征图第二卷积单元，用于对所述第一空间域特征图进行第二卷积操作，以生成第四空间域特征图；
44.空间特征图重塑单元，用于将所述第二空间域特征图以及所述第三空间域特征图进行重塑；
45.空间特征图相乘单元，用于将重塑后的第二空间域特征图以及第三空间域特征图相乘，以生成第五空间域特征图；
46.空间特征图相加单元，用于将所述第五空间域特征图以及所述第四空间域特征图相加，以生成所述空间域特征数据。
47.一实施例中，所述通道域数据提取单元包括：
48.第一通道特征图提取单元，用于利用深度残差网络，提取所述训练数据的第一通道域特征图；
49.第一通道特征图第一卷积单元，用于对所述第一通道域特征图进行第一卷积操作，以生成第二通道域特征图以及第三通道域特征图；
50.第一空间特征图第二卷积单元，用于对所述第一通道域特征图进行第二卷积操作，以生成第四通道域特征图；
51.通道特征图重塑单元，用于将所述第二通道域特征图以及所述第三通道域特征图进行重塑；
52.通道特征图相乘单元，用于将重塑后的第二通道域特征图以及第三通道域特征图相乘，以生成第五通道域特征图；
53.通道特征图相加单元，用于将所述第五通道域特征图以及所述第四通道域特征图相加，以生成所述通道域特征数据。
54.一实施例中，推荐产品确定模块包括：
55.隐表示数据生成单元，用于根据所述用户信息以及所述推荐模型生成用户隐表示数据以及金融产品隐表示数据；
56.推荐产品确定单元，用于根据所述用户隐表示数据以及所述金融产品隐表示数据确定所述待推荐金融产品。
57.一实施例中，推荐产品确定单元包括：
58.余弦相似度计算单元，用于计算所述用户隐表示数据以及所述金融产品隐表示数据之间的余弦相似度；
59.推荐产品确定子单元，用于根据所述余弦相似度确定所述待推荐金融产品，并发送所述待推荐金融产品至用户。
60.第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现金融产品推荐方法的步骤。
61.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现金融产品推荐方法的步骤。
62.从上述描述可知，本发明实施例提供一种金融产品推荐方法及装置，对应的方法包括：首先接收待推荐金融产品的用户信息；接着，根据用户信息以及预生成的推荐模型确定待推荐金融产品；其中，推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。本发明通过在数据训练阶段引入自注意力机制，解决了现有的金融产品推荐方法在捕捉数据特征时，未对有效信息进行重点关注，且忽略了特征信息存在的全局依赖的问题。
附图说明
63.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
64.图1为本发明的实施例中金融产品推荐方法的流程示意图一；
65.图2为本发明的实施例中金融产品推荐方法的流程示意图二；
66.图3为本发明的实施例中金融产品推荐方法的步骤300的流程示意图；
67.图4为本发明的实施例中金融产品推荐方法的步骤302的流程示意图一；
68.图5为本发明的实施例中金融产品推荐方法的步骤302的流程示意图二；
69.图6为本发明的实施例中金融产品推荐方法的步骤200的流程示意图；
70.图7为本发明的实施例中金融产品推荐方法的步骤202的流程示意图；
71.图8为本发明的实施例中金融产品推荐方法的流程示意图三；
72.图9为本发明的具体实施方式中金融产品推荐方法的流程示意图；
73.图10为本发明的具体实施方式中金融产品推荐方法的思维导图一；
74.图11为本发明的具体实施方式中金融产品推荐方法的思维导图二；
75.图12为本发明的实施例中金融产品推荐装置的方块图一；
76.图13为本发明的实施例中金融产品推荐装置的方块图二；
77.图14为本发明的实施例中金融产品推荐装置的模型训练模块30的方块图；
78.图15为本发明的实施例中金融产品推荐装置的数据提取单元302的方块图；
79.图16为本发明的实施例中金融产品推荐装置的空间域数据提取单元3021的方块图；
80.图17为本发明的实施例中金融产品推荐装置的通道域数据提取单元3022的方块图；
81.图18为本发明的实施例中金融产品推荐装置的推荐产品确定模块20的方块图；
82.图19为本发明的实施例中金融产品推荐装置的推荐产品确定单元202的方块图；
83.图20为本发明的实施例中的电子设备的结构示意图。
具体实施方式
84.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是
本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
85.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
86.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“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。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。
87.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
88.本发明的实施例提供一种金融产品推荐方法的具体实施方式，参见图1，该方法具体包括如下内容：
89.步骤100：接收待推荐金融产品的用户信息；
90.优选的，用户信息包括用户id、性别、收入、所能承受的投资风险程度等相关信息，进一步地，服务器中还可以存有该用户所购买的金融产品历史数据。
91.步骤200：根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
92.注意力机制从机器翻译至图像处理领域，该方法已在多项研究中被证明对于数据的重点特征学习存在着积极意义。在众多的注意力方法中，自注意力机制作为注意力机制的改进，其减少了对外部信息的依赖，将更多的重心投入至捕捉数据或特征的内部相关性。
93.本发明参考自注意力机制的原理，使金融产品推荐系统能够更好的从用户与其金融商品的历史交互动态中分析出更多的信息，从而帮助模型预测用户下一个可能发生交互的金融商品。具体地，针对现有技术中金融产品的推荐方法对存在对数据特征信息捕获时，对有效信息分配权重合理性不够，且对信息内部之间关联捕捉能力不足的问题，本发明提出一种基于自注意力机制的金融商品推荐方法，借助自注意力机制为机器学习模型分配数据学习的权重，更准确地获取数据特征信息之间的全局依赖，从而更好地阅读数据之间的共线性，以得到更贴合客户差异化需求的推荐结果。
94.从上述描述可知，本发明实施例提供一种金融产品推荐方法，首先接收待推荐金融产品的用户信息；接着，根据用户信息以及预生成的推荐模型确定待推荐金融产品；其中，推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
95.本发明引入了不同域注意力机制，自注意力主要根据两两之间的关系来引入权重，在通道、空间两个层面，通过计算每个元素，即通道与通道之间，像素点与像素点之间的值，来加强元素之间的互信息联系。因此，自注意力机制的引入使推荐模型能够通过信息的
内部交互依赖，更有效地对数据信息及全局数据关联性进行有效学习，更灵活地理解用户与商品之间的交易场景，更精准地服务于客户的差异化需求，从而提升金融商品的推荐成功率，有效促进金融商品的交叉销售和向上销售。
96.一实施例中，参见图2，金融产品推荐方法还包括：
97.步骤300：利用自注意力方法训练所述神经网络初始模型，接着，参见图3，步骤300包括：
98.步骤301：根据用户的金融产品历史数据生成训练数据；
99.步骤301中的金融产品历史数据包括：用户的隐式数据、金融产品的交易数据、用户的社会关系、服务评价等可标签化的数据。这里的隐式数据是指用户与金融产品相互过程中的隐式行为，例如浏览、点击、收藏包含有金融产品的网页、以及与企业沟通对应金融产品时间、预定金融产品时间等。用户在浏览金融产品过程中都有隐式反馈，每一个隐式行为都可以更全面、完整地体现其对金融产品的偏好。这些海量信息都储存在企业的数据平台中，通过对数据有效地挖掘与利用，并综合考虑用户基本特征、金融基本特征以及模型运算性能，才能为用户带来良好的使用体验。
100.另外，步骤301还可以选取多个用户的金融产品历史数据作为训练数据。可以理解的是，对于上述历史数据可能存在较多的脏数据，需要对其进行必要的预处理工作，例如数据清理，数据集成，数据变换，数据归约等。
101.步骤302：提取所述训练数据的空间域特征数据以及通道域特征数据；
102.具体地，通过空间注意力机制从训练数据中提取其所对应的空间域特征数据；同样地，通过通道注意力机制从训练数据中提取其所对应的通道域特征数据。
103.步骤303：根据所述空间域特征数据以及所述通道域特征数据对所述神经网络初始模型进行迭代训练至所述神经网络初始模型收敛。
104.通道域自注意力重点关注训练数据之间任意两个通道间的依赖关系，通过对任意两个通道特征进行维度变换和矩阵乘积，获得任意两个通道的关联强度，然后经过归一化(softmax)操作获得通道间的attention图。最后通过通道之间的attention图加权进行融合，使得各个通道之间能产生全局的关联，获得更强的语义响应的特征，有助于提高特征的辨别性；
105.用户与金融商品信息可看作在同一空间的特征信息，空间域自注意力将侧重于捕获任意位置之间的空间依赖关系，不同于通道域自注意力，空间域自注意力通过计算任意两点特征之间的关联强度矩阵，再经过softmax与加权融合操作得到最终的特征输出，使网络在训练过程中能够更有选择性地聚合上下文特征。最后，将最终空间域和通道域的输出特征信息通过元素级的求和方式完成特征聚合，得到最终的特征表示。
106.一实施例中，参见图4，步骤302包括：
107.步骤3021：利用深度残差网络，提取所述训练数据的第一空间域特征图；
108.步骤3022：对所述第一空间域特征图进行第一卷积操作，以生成第二空间域特征图以及第三空间域特征图；
109.步骤3023：对所述第一空间域特征图进行第二卷积操作，以生成第四空间域特征图；
110.步骤3024：将所述第二空间域特征图以及所述第三空间域特征图进行重塑；
111.步骤3025：将重塑后的第二空间域特征图以及第三空间域特征图相乘，以生成第五空间域特征图；
112.步骤3026：将所述第五空间域特征图以及所述第四空间域特征图相加，以生成所述空间域特征数据。
113.举例来说，在步骤3021至步骤3026中，a为主干网络(resnet)提取得到的空间域特征图，大小为c
×h×
w。首先a经过卷积操作获得特征图b、c，大小均为c
×h×
w，b、c经过reshape(重塑)操作，大小变为c
×
n，n＝h
×
w。b转置后与c相乘，获得的结果再进行softmax(softmax(matmul(b’,c))＝》spatialattentionmaps为nxn(hwxhw))：
114.s∈rn×n：
115.得到大小为n
×
n的特征图s。s中每行的和为1，即所有元素j对某固定元素i的权重和为1。
116.将a经过另一个卷积操作得到特征图d(大小为c
×h×
w)，同样reshape为c
×
n的大小。将其与s的转置相乘，得到c
×
n大小的特征图，再reshape回c
×h×
w大小，乘以一个系数α。
117.最后将其与a相加，获得最终的融合了空间信息的特征输出e。其中α是一个需学习的权重参数，初始值为0，参见下式：
118.e∈rc×h×w：
119.一实施例中，参见图5，步骤302还包括：
120.步骤302a：利用深度残差网络，提取所述训练数据的第一通道域特征图；
121.步骤302b：对所述第一通道域特征图进行第一卷积操作，以生成第二通道域特征图以及第三通道域特征图；
122.步骤302c：对所述第一通道域特征图进行第二卷积操作，以生成第四通道域特征图；
123.步骤302d：将所述第二通道域特征图以及所述第三通道域特征图进行重塑；
124.步骤302e：将重塑后的第二通道域特征图以及第三通道域特征图相乘，以生成第五通道域特征图；
125.步骤302f：将所述第五通道域特征图以及所述第四通道域特征图相加，以生成所述通道域特征数据。
126.在步骤302a至步骤302f中，举例来说，a为主干网络提取得到的通道域特征图。将a reshape为cxn的大小，记为b，(即步骤中的reshape(a))，然后将b与自己的转置相乘，再经过softmax操作：
127.x∈rc×c：
128.得到大小为cxc的特征图x。将x的转置与b相乘，再reshape回cxhxw的大小，乘以一个系数β，记为d。将a与d相加，则得到最后融合了通道信息的特征图e。β是一个需学习的权重参数，初始值为0，参见下式：
129.e∈rc×h×w：
130.最终，两个注意模块的输出通过卷积层进行转换，执行元素求和(element-wise)的方式相加，实现特征融合，最后接一个卷积层，生成最终的输出特征图。
131.一实施例中，参见图6，步骤200包括：
132.步骤201：根据所述用户信息以及所述推荐模型生成用户隐表示数据以及金融产品隐表示数据；
133.待用户信息输入至训练得到的推荐模型中(特征提取网络)，获得用户隐表示数据与商品隐表示数据。
134.步骤202：根据所述用户隐表示数据以及所述金融产品隐表示数据确定所述待推荐金融产品。
135.一实施例中，参见图7，步骤202包括：
136.步骤2021：计算所述用户隐表示数据以及所述金融产品隐表示数据之间的余弦相似度；
137.步骤2022：根据所述余弦相似度确定所述待推荐金融产品，并发送所述待推荐金融产品至用户。
138.在步骤2021以及步骤2022中，通过计算用户隐表示数据与商品隐表示数据之间的余弦相似度，并按照余弦相似度得分从高到低排序，以获得金融产品推荐序列，最终将该金融产品推荐序列发送至目标用户。
139.一实施例中，参见图8，金融产品推荐方法还包括：
140.步骤400：对训练数据进行降维，将高维稀疏特征向量转换为低维稠密特征向量。
141.在一种具体实施方式中，本发明还提供一种金融产品推荐方法的具体实施方式，参见图9以及图10，具体包括以下内容。
142.s1：获取训练数据。
143.可借助人工收集、网络爬取等方法，获取用户隐式数据、商品交易数据和各类辅助数据。参见图11，例如从企业app、公众号、企业网站以及理财软件获取训练数据。
144.s2：对训练数据进行预处理。
145.采用拉链算法对初始数据(用户画像数据、金融服务评价、商品交易数据以及其他的辅助数据)进行清洗、转换、集成，以及对数据进行降维，将高维稀疏特征向量转换为低维稠密特征向量。
146.优选地，步骤s2还包括对数据中的缺失值与带有特殊符号的值采用删除法、对异常值采用箱型图识别并删除的方法进行数据清洗；接着将不同数据源合并至一个存储中，完成数据集成，将冗余的数据删除，筛选出有效数据。对数据进行更进一步的预处理，进行必要的归一化处理，完成预处理工作，得到训练数据集。
147.s3：生成推荐模型。
148.通过元素级别求和的方式将由通道自注意力与空间自注意力训练得到的特征输出聚合表示，该模块嵌入至神经网络中，自注意力模块中的通道域与空间域的训练尺度系数均初始化为0，该系数通过迭代训练不断学习(将训练集输入至已搭建的神经网络框架对网络进行训练，直至算法收敛，得到特征提取网络)，根据对训练损失的优化，逐渐分配更合
理的训练权重。
149.进一步地，以度量学习框架为基础，将自注意力机制加载至以resnet为主干的网络框架中。经过预处理的训练集输入至已引入自注意力机制的神经网络模型进行迭代训练，得到对应特征集，其中，通道、空间域自注意力模块的尺度系数均初始化为0，随着网络对数据特征的迭代学习而不断分配更大的权重。神经网络模块根据模型迭代训练得到的损失不断调整权重，直至权重参数使算法收敛，从而获得特征提取模型，即推荐模型。
150.s4：待预测数据输入至训练得到的特征提取网络，获得用户隐表示与商品隐表示。
151.s5：通过计算用户与商品的特征表示之间的余弦相似度，按照相似得分从高到低排序，获得金融商品推荐序列。
152.从上述描述可知，本发明实施例提供一种金融产品推荐方法，获取训练数据集后，搭建以resnet为主干的神经网络，并在网络中嵌入danet模块。数据集经过降维、归一化等预处理，得到训练集，将训练集输入神经网络，网络中的通道自注意力与空间自注意力模块对训练集进行迭代训练，其中，自注意力模块的尺度系数,即训练权重均初始化为0，在迭代训练的过程中，尺度系数随着训练次数的增加不断调优，同时对训练损失不断优化，直至算法达到收敛状态，从而获得特征提取模型。将预测数据输入至特征提取模型中，提取用户与商品数据对应的特征集，并计算特征集合之间的欧氏距离，欧氏距离越小，意味着特征之间越相似，通过计算结果按大小排序，得到最终的推荐序列。
153.本发明克服了现有技术中，金融产品推荐算法针对数据特征信息提取缺乏侧重性，以及忽略了特征内部相关性的问题，引入自注意力机制，提出一种包括数据获取、数据预处理、数据训练、数据预测的基于自注意力机制的金融商品推荐方法。
154.基于同一发明构思，本技术实施例还提供了一种金融产品推荐装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于金融产品推荐装置解决问题的原理与金融产品推荐方法相似，因此金融产品推荐装置的实施可以参见金融产品推荐方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
155.本发明的实施例提供一种能够实现金融产品推荐方法的金融产品推荐装置的具体实施方式，参见图12，金融产品推荐装置具体包括如下内容：
156.用户信息接收模块10，用于接收待推荐金融产品的用户信息；
157.推荐产品确定模块20，用于根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
158.一实施例中，参见图13，金融产品推荐装置还包括：模型训练模块30，用于利用自注意力方法训练所述神经网络初始模型，参见图14，所述模型训练模块30包括：
159.训练数据生成单元301，用于根据用户的金融产品历史数据生成训练数据；
160.数据提取单元302，用于提取所述训练数据的空间域特征数据以及通道域特征数据；
161.模型训练单元303，用于根据所述空间域特征数据以及所述通道域特征数据对所述神经网络初始模型进行迭代训练至所述神经网络初始模型收敛。
162.一实施例中，参见图15，所述数据提取单元302包括：空间域数据提取单元3021以及通道域数据提取单元3022，所述空间域数据提取单元3021用于提取所述训练数据的空间域特征数据，参见图16，所述空间域数据提取单元3021包括：
163.第一空间特征图提取单元30211，用于利用深度残差网络，提取所述训练数据的第一空间域特征图；
164.第一空间特征图第一卷积单元30212，用于对所述第一空间域特征图进行第一卷积操作，以生成第二空间域特征图以及第三空间域特征图；
165.第一空间特征图第二卷积单元30213，用于对所述第一空间域特征图进行第二卷积操作，以生成第四空间域特征图；
166.空间特征图重塑单元30214，用于将所述第二空间域特征图以及所述第三空间域特征图进行重塑；
167.空间特征图相乘单元30215，用于将重塑后的第二空间域特征图以及第三空间域特征图相乘，以生成第五空间域特征图；
168.空间特征图相加单元30216，用于将所述第五空间域特征图以及所述第四空间域特征图相加，以生成所述空间域特征数据。
169.一实施例中，参见图17，所述通道域数据提取单元3022包括：
170.第一通道特征图提取单元30221，用于利用深度残差网络，提取所述训练数据的第一通道域特征图；
171.第一通道特征图第一卷积单元30222，用于对所述第一通道域特征图进行第一卷积操作，以生成第二通道域特征图以及第三通道域特征图；
172.第一空间特征图第二卷积单元30223，用于对所述第一通道域特征图进行第二卷积操作，以生成第四通道域特征图；
173.通道特征图重塑单元30224，用于将所述第二通道域特征图以及所述第三通道域特征图进行重塑；
174.通道特征图相乘单元30225，用于将重塑后的第二通道域特征图以及第三通道域特征图相乘，以生成第五通道域特征图；
175.通道特征图相加单元30226，用于将所述第五通道域特征图以及所述第四通道域特征图相加，以生成所述通道域特征数据。
176.一实施例中，参见图18，推荐产品确定模块20包括：
177.隐表示数据生成单元201，用于根据所述用户信息以及所述推荐模型生成用户隐表示数据以及金融产品隐表示数据；
178.推荐产品确定单元202，用于根据所述用户隐表示数据以及所述金融产品隐表示数据确定所述待推荐金融产品。
179.一实施例中，参见图19，推荐产品确定单元202包括：
180.余弦相似度计算单元2021，用于计算所述用户隐表示数据以及所述金融产品隐表示数据之间的余弦相似度；
181.推荐产品确定子单元2022，用于根据所述余弦相似度确定所述待推荐金融产品，并发送所述待推荐金融产品至用户。
182.从上述描述可知，本发明实施例提供一种金融产品推荐装置，首先接收待推荐金
融产品的用户信息；接着，根据用户信息以及预生成的推荐模型确定待推荐金融产品；其中，推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。本发明本引入包含了通道注意力与空间注意力的自注意力机制，提出一种基于自注意力机制的金融商品推荐装置，通过对整合后的直观数据与辅助数据进行训练，借助自注意力机制为模型分配数据学习的权重，更准确地获取数据特征信息之间的全局依赖，从而更好地阅读数据之间的共线性，以得到更贴合客户差异化需求的推荐结果。
183.本技术的实施例还提供能够实现上述实施例中的金融产品推荐方法中全部步骤的一种电子设备的具体实施方式，参见图20，电子设备具体包括如下内容：
184.处理器(processor)1201、存储器(memory)1202、通信接口(communications interface)1203和总线1204；
185.其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备以及客户端设备等相关设备之间的信息传输；
186.处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的金融产品推荐方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
187.步骤100：接收待推荐金融产品的用户信息；
188.步骤200：根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
189.本技术的实施例还提供能够实现上述实施例中的金融产品推荐方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的金融产品推荐方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
190.步骤100：接收待推荐金融产品的用户信息；
191.步骤200：根据所述用户信息以及预生成的推荐模型确定所述待推荐金融产品；其中，所述推荐模型是利用自注意力方法对预先生成的神经网络初始模型进行训练所生成的。
192.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件 程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
193.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
194.虽然本技术提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按
照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
195.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
196.本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
197.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。
198.内存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)。内存是计算机可读介质的示例。
199.本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
200.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
201.以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。