一种理财产品推荐方法、装置及设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种理财产品推荐方法、装置及设备。


背景技术：

2.在互联网时代，有效利用所收集到的数据以便于开展精准营销或个性化服务已经成为必然趋势。目前的理财产品推荐太单一，理财资讯内容对访问的新老客户的吸引程度都较低，转化率较低，宣传效果较差。
3.客户冷启动主要解决如何给新客户做个性化推荐的问题。当新客户到来时，我们没有他的行为数据，所以也无法根据他的历史行为预测其兴趣，从而无法借此给他做个性化推荐。客户冷启动也一直是产品推荐的一大难题。客户的不确定性需求是客观存在的，在当今信息爆炸的时代，用户的不确定性需求更加明显，而推荐作为一种解决用户不确定性需求的有效手段在产品中越来越重要。
4.但由于缺乏新客户的行为数据，我们往往很难迅速地抓住新客户的兴趣点，在此基础上，更加根据新用户的兴趣点确定相对符合的推荐产品是当前亟待解决的问题。


技术实现要素：

5.有鉴于此，本技术提供了一种理财产品推荐方法、装置及设备，旨在通过结合新老客户客户的基本属性类数据及历史兴趣，智能生成更个性化的理财产品推荐内容，使得理财产品的资讯对新老客户的吸引程度更高。
6.第一方面，本技术提供了一种理财产品推荐方法，包括：
7.获取新老用户的特征信息和偏好信息，所述新老用户包括新用户和老用户，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定；
8.根据指标标准对新老用户的特征信息进行指标化，生成指标数据；
9.根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据；
10.获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型，所述拟合模型为同时兼容拟合新老客户指标数据的模型；
11.将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签；
12.根据所述新老用户的关键特征标签形成新老用户画像，所述新老用户画像为新客户和老用户特征标签的集合；
13.结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类；
14.结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
15.可选的，所述获取新老用户的特征信息和偏好信息之前，还包括：
16.获取老用户或新用户的身份信息及资产消费信息，生成老用户或新用户基本属性类数据；
17.获取老用户或新用户的个人喜好及风险偏好生成老用户或新用户个性化信息数据；
18.总和所述老用户或新用户基本属性类数据和老用户或新用户个性化信息数据生成老用户或新用户特征信息。
19.可选的，所述总和所述老用户或新用户基本属性类数据和老用户或新用户个性化信息数据生成老用户或新用户特征信息之前，还包括：
20.获取所述老客户的客户行为数据，所述客户行为数据用于代表所述老客户选择过的理财产品，根据所述客户行为数据生成所述老客户偏好信息；
21.获取所述新客户的兴趣信息数据，所述兴趣信息数据用于代表所述新客户对现有理财产品的兴趣偏向，根据所述兴趣信息数据生成所述新客户偏好信息。
22.可选的，所述根据所述兴趣信息数据生成所述新客户偏好信息之后还包括：
23.对偏好信息和特征信息进行筛选，剔除其中冗余数据，所述冗余数据用于指示信息中的无用数据和重复信息。
24.可选的，所述获取该类别客户的推荐列表之后，还包括：
25.获取第一类别客户的日志信息，根据所述日志信息计算物品相似度，所述日志信息为所述第一类别客户购买过的理财产品的日志信息；
26.运用所述物品相似度对所述初步相似度进行更新。
27.可选的，所述获取所述第一类别客户的推荐列表之后，还包括：
28.获取客户身份信息，将所述推荐列表和当前时间、客户身份信息关联生成推荐页面，所述推荐页面用于展示根据客户信息生成的推荐理财产品。
29.第二方面，本技术提供了一种理财产品推荐方法装置，所述装置包括：
30.特征偏好信息获取模块，用于获取新老用户的特征信息和偏好信息，所述新老用户包括新用户和老用户，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定；
31.指标数据生成模块，用于根据指标标准对新老用户的特征信息进行指标化，生成指标数据；
32.基础标签数据生成模块，用于根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据；
33.拟合模型生成模块，用于获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型，所述拟合模型为同时兼容拟合新老客户指标数据的模型；
34.关键特征标签生成模块，用于将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签；
35.画像生成模块，用于根据所述新老用户的关键特征标签形成新老用户画像，所述新老用户画像为新客户和老用户特征标签的集合；
36.用户分类模块，用于结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类；
37.推荐列表生成模块，用于结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
38.可选的，所述装置还包括：
39.基本属性数据生成模块，用于获取老用户或新用户的身份信息及资产消费信息，生成老用户或新用户基本属性类数据；
40.个性化信息生成模块，用于获取老用户或新用户的个人喜好及风险偏好生成老用户或新用户个性化信息数据；
41.特征信息合成模块，用于总和所述老用户或新用户基本属性类数据和老用户或新用户个性化信息数据生成老用户或新用户特征信息。
42.可选的，所述装置还包括：
43.客户行为数据获取模块，用于获取所述老客户的客户行为数据，所述客户行为数据用于代表所述老客户选择过的理财产品，根据所述客户行为数据生成所述老客户偏好信息；
44.兴趣信息数据获取模块，用于获取所述新客户的兴趣信息数据，所述兴趣信息数据用于代表所述新客户对现有理财产品的兴趣偏向，根据所述兴趣信息数据生成所述新客户偏好信息。
45.本技术第三方面提供一种计算机设备，包括：处理器、存储器、系统总线；
46.所述处理器以及所述存储器通过所述系统总线相连；
47.所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-6任一项所述的理财产品推荐方法。
48.本技术提供了一种理财产品推荐方法、装置及设备，获取新老用户的特征信息和偏好信息，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定；根据指标标准对新老用户的特征信息进行指标化，生成指标数据；根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据；获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型；将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签；根据所述新老用户的关键特征标签形成新老用户画像，结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类；结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。根据以上方法，通过结合新老客户客户的基本属性类数据及历史兴趣，智能生成更个性化的理财产品推荐内容，由此，使得理财产品的资讯对新老客户的吸引程度更高，更好地帮助新老客户发现和他兴趣领域相关的理财产品资讯，增强推荐资讯的宣传效果，从而达到提升转化率的目的。
附图说明
49.为更清楚地说明本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，下面描述中的附图仅仅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。
50.图1为本技术实施例提供的理财产品推荐方法的一种方法流程图；
51.图2为本技术实施例提供的理财产品推荐方法的一种方法流程图；
52.图3为本技术实施例提供的理财产品推荐方法装置的一种结构示意图。
具体实施方式
53.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，所描述的实施例仅是本技术一部分实施例，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，都属于本技术保护的范围。
54.正如前文所述，客户冷启动也一直是产品推荐的一大难题。客户的不确定性需求是客观存在的，在当今信息爆炸的时代，用户的不确定性需求更加明显。发明人经过研究发现，由于缺乏新客户的行为数据，我们往往很难迅速地抓住新客户的兴趣点。并且在此基础上还存在着另一个大问题，如果不对老客户和新客户进行区分，就直接训练的话，老客户的样本在数量级上碾压新客户的样本，并且一个老客户就能够贡献多条样本，导致模型主要拟合老客户的行为模式，忽略了新客户。在这种情况下，仅仅只是增加几个对新客户友好的特征(比如年龄、性别等)，因为影响老客户推荐结果的主要是其过去历史兴趣，而非人口属性，收效甚微。看似是一个样本不均衡的问题，比较容易的解决方法是给新客户加权。但这样的话又有两个问题不太好解决，一是如何设定给这些新客户的权重；二是从实际收益来说老客户的价值其实远远高于新客户，给新客户加权，等于变相削弱了老客户，可能得不偿失。若是将新客户分别出来，单独训练一套推荐模型，只服务新客户，也会有两个问题：新客户的数据量少，底层的权重可能训练不好；单独训练，单独部署，花费和收益很可能不成正比。
55.为了解决这一问题，本技术提供了一种理财产品推荐方法、装置及设备，获取新老用户的特征信息和偏好信息，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定；根据指标标准对新老用户的特征信息进行指标化，生成指标数据；根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据；获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型；将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签；根据所述新老用户的关键特征标签形成新老用户画像，结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类；结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
56.根据以上方法，通过权衡主任务和辅助的相关任务中的训练信息来提升模型的泛化性。通过结合新老客户客户的基本属性类数据及历史兴趣，生成更个性化的理财产品推荐内容，使得理财产品的资讯对新老客户的吸引程度更高，更好地帮助新老客户发现和他兴趣领域相关的理财产品资讯，增强理财产品推荐资讯的宣传效果，从而达到提升转化率的目的。从存储的角度来说，理财产品的数量远小于客户的数量，维护物品相似度矩阵的代价较低。
57.本技术实施例提供的方法由后台系统执行，例如可以由计算机后台服务器执行。所述计算机后台服务器可以是一台服务器设备，也可以是由多台服务器组成的服务器集群。
58.以下通过一个实施例，对本技术提供的理财产品推荐方法进行说明。请参考图1，图1为本技术实施例所提供的理财产品推荐方法的一种方法流程图，包括：
59.s101：获取新老用户的特征信息和偏好信息。
60.所述新老用户包括新用户和老用户，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定。
61.老用户的基本属性类数据包括老客户的基础信息(如出生日期，地址等)，资产负债，消费习惯等基本属性类数据。老用户的个性化信息数据包括老客户所提供的个人喜好，风险偏好等个性化信息数据。老用户的偏好信息为根据以往老客户选择过的理财产品等确定的。
62.新用户的基本属性类数据包括新客户注册时要求提供年龄、性别、职业等基础信息形成粗粒度的基本属性类信息数据。同时在实际应用场景中，系统会要求新客户在登录时提供个人喜好，风险偏好等粗粒度的个性化信息数据，并让新客户对一些现有的理财产品进行选择反馈，收集新客户对这些现有的理财产品的兴趣信息数据，确定新客户的关键特征信息和历史兴趣。
63.s102：根据指标标准对新老用户的特征信息进行指标化，生成指标数据。
64.根据所制定的指标标准，对新老客户的关键特征信息进行指标化，形成指标数据，从而实现量化的特征。此处的指标标准可以是根据以往理财方案制定的，也可以是系统管理人员自主设定的，在此不做限制。
65.s103：根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据。
66.根据所制定的标签标准，对新老客户的指标数据进行标签化，形成标签数据，从而形成能够用于机器处理的基础标签数据。此处的标签标准可以是根据以往理财方案制定的，也可以是系统管理人员自主设定的，在此不做限制。
67.s104：获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型。
68.所述拟合模型为同时兼容拟合新老客户指标数据的模型。将老客户的指标数据作为机器学习的主要任务，新客户的指标数据作为机器学习的辅助任务，训练得到能够同时兼容拟合新老客户指标数据的模型，确定关键特征标签，形成具有代表性的新老客户画像。
69.此处对辅助学习进行解释，辅助学习(auxiliary learning)训练数据来源于同一个领域的多个任务，任务信息及多任务之间的关系被纳入学习过程。只专注于单个模型可能提升目标任务的潜在信息，通过进行一定程度的共享不同任务之间的参数，可能达到更好的效果。部分任务作为主任务(primary task)的表现(performance)是被首要考虑的，其他任务是辅助任务(auxiliary task)，帮助改善模型拟合的效果。
70.s105：将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签。
71.将新用户的基础标签数据和/或老用户的举出标签数据输入所述拟合模型，生成新老用户的关键特征标签。
72.s106：根据所述新老用户的关键特征标签形成新老用户画像。
73.所述新老用户画像为新客户和老用户特征标签的集合；客户画像即为客户信息标签化，是基于数据挖掘的客户特征提取及需求深度挖掘，是大数据时代围绕“以客户为中心”开展的个性化服务，标签化的模型是从客户社交属性、生活习惯、消费者行为等信息中抽象出来的产物，是客户“特征标签”的集合。客户画像的内涵包含三个要素，即客户属性、客户特征、客户标签，且具有标签化、时效性、动态性三大特征。
74.s107：结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类。
75.再根据新老客户的特征信息，进行大数据分析，通过k-均值算法根据度量的相似度，识别出特征相似的客户，为客户打标分类。
76.k-均值算法(k-means)：k-means算法是硬聚类算法，将大量数据进行处理，根据它们的相似性对数据进行聚类。通常，人们根据样本间的某种距离或者相似性来定义聚类，既把相似的(或距离近的)样本聚为同一类，而把不相似的(或距离远的)样本归在其他类。
77.s108：结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
78.再根据同一类客户的历史兴趣，利用物品协同过滤算法，可以大致推算出这一类客户的理财产品偏好，得到初步的推荐列表。基于物品的协同过滤算法(item-based collaborative filtering)：通过分析用户的行为记录计算物品之间的相似度,并根据物品的相似度和用户的历史行为给用户生成推荐列表。
79.在本实施例中本方法通过权衡主任务和辅助的相关任务中的训练信息来提升模型的泛化性与表现。同时，通过结合新老客户的用户画像，智能生成更个性化的理财产品推荐内容，使得理财产品的资讯对新老客户的吸引程度更高，更好地帮助新老客户发现和他兴趣领域相关的理财产品资讯，增强推荐资讯的宣传效果，从而达到提升转化率的目的。
80.下面结合具体的应用场景，对本技术实施例提供的理财产品推荐方法的方法进行详细介绍。参见图2，该图为本技术实施例提供的理财产品推荐方法的又一种流程示意图，包括：
81.s201：获取老用户或新用户的身份信息及资产消费信息，生成老用户或新用户基本属性类数据。
82.通过老客户的基础信息(如出生日期，地址等)，资产负债，消费习惯等基本属性类数据。
83.新客户注册时要求提供年龄、性别、职业等基础信息形成粗粒度的基本属性类信息数据。
84.s202：获取老用户或新用户的个人喜好及风险偏好生成老用户或新用户个性化信息数据。
85.结合老客户所提供的个人喜好，风险偏好等个性化信息数据，确定老客户的个性化信息数据。
86.新客户在登录时提供个人喜好，风险偏好等粗粒度的个性化信息数据。
87.s203：获取所述老客户的客户行为数据，根据所述客户行为数据生成所述老客户偏好信息。
88.所述客户行为数据用于代表所述老客户选择过的理财产品。收集以往老客户选择过的理财产品等基本的客户行为数据，
89.s204：获取所述新客户的兴趣信息数据，根据所述兴趣信息数据生成所述新客户偏好信息。
90.所述兴趣信息数据用于代表所述新客户对现有理财产品的兴趣偏向。并让新客户对一些现有的理财产品进行选择反馈，收集新客户对这些现有的理财产品的兴趣信息数
据。
91.s205：对偏好信息和特征信息进行筛选，剔除其中冗余数据。
92.所述冗余数据用于指示信息中的无用数据和重复信息。后台系统通过筛选无用数据和重复信息，重新整合有效内容和数据，形成数据仓库。
93.s206：总和所述老用户或新用户基本属性类数据和老用户或新用户个性化信息数据生成老用户或新用户特征信息。
94.s207：获取新老用户的特征信息和偏好信息。
95.所述新老用户包括新用户和老用户，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定。
96.s208：根据指标标准对新老用户的特征信息进行指标化，生成指标数据。
97.根据所制定的指标标准，对新老客户的关键特征信息进行指标化，形成指标数据，从而实现量化的特征。
98.s209：根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据。
99.根据所制定的标签标准，对新老客户的指标数据进行标签化，形成标签数据，从而形成能够用于机器处理的基础标签数据。
100.s210：获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型。
101.所述拟合模型为同时兼容拟合新老客户指标数据的模型。将老客户的指标数据作为机器学习的主要任务，新客户的指标数据作为机器学习的辅助任务，训练得到能够同时兼容拟合新老客户指标数据的模型，确定关键特征标签，形成具有代表性的新老客户画像。
102.s211：将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签。
103.将新用户的基础标签数据和/或老用户的举出标签数据输入所述拟合模型，生成新老用户的关键特征标签。
104.s212：根据所述新老用户的关键特征标签形成新老用户画像。
105.所述新老用户画像为新客户和老用户特征标签的集合。
106.s213：结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类。
107.再根据新老客户的特征信息，进行大数据分析，通过k-均值算法根据度量的相似度，识别出特征相似的客户，为客户打标分类。
108.s214：结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
109.根据同一类客户的历史兴趣，利用物品协同过滤算法，可以大致推算出这一类客户的理财产品偏好，得到初步的推荐列表。
110.在一些可以实现的实施方式中，获取第一类别客户的日志信息，根据所述日志信息计算物品相似度，所述日志信息为所述第一类别客户购买过的理财产品的日志信息；运用所述物品相似度对所述初步相似度进行更新。
111.其中，第一类别客户为上述过程中对客户进行分类后多个类别中的其中一个，通过利用同一类客户已经购买过的理财产品相关日志信息计算物品相似度，可以继续优化用
户行为分析模型，给同一类客户推荐和他们历史上喜欢的理财产品相似的全新理财产品，增强宣传效果，提高转化率。
112.以上为本技术实施例提供一种理财产品推荐方法的一些具体实现方式，基于此，本技术还提供了对应的装置。下面将从功能模块化的角度对本技术实施例提供的装置进行介绍。
113.请参考图3，图3为本技术实施例所提供的一种理财产品推荐方法装置的结构示意图。
114.本实施例中，本技术提供了一种理财产品推荐方法装置，所述装置包括：
115.特征偏好信息获取模块301，用于获取新老用户的特征信息和偏好信息，所述新老用户包括新用户和老用户，所述特征信息是根据新老用户的基本属性类数据及个性化信息数据确定；
116.指标数据生成模块302，用于根据指标标准对新老用户的特征信息进行指标化，生成指标数据；
117.基础标签数据生成模块303，用于根据标签标准对新老用户的指标数据进行标签化，生成基础标签数据；
118.拟合模型生成模块304，用于获取老用户的指标数据为机器学习主要任务，新用户的指标数据为机器学习的辅助任务，训练得到拟合模型，所述拟合模型为同时兼容拟合新老客户指标数据的模型；
119.关键特征标签生成模块305，用于将新老用户的基础标签数据输入所述拟合模型，生成新老用户的关键特征标签；
120.画像生成模块306，用于根据所述新老用户的关键特征标签形成新老用户画像，所述新老用户画像为新客户和老用户特征标签的集合；
121.用户分类模块307，用于结合k-均值算法度量的初步相似度和所述新老用户的特征信息对新老用户进行分类；
122.推荐列表生成模块308，用于结合物品协同过滤算法和第一类别客户的偏好信息，获取所述第一类别客户的推荐列表。
123.可选的，所述装置还包括：
124.基本属性数据生成模块，用于获取老用户或新用户的身份信息及资产消费信息，生成老用户或新用户基本属性类数据；
125.个性化信息生成模块，用于获取老用户或新用户的个人喜好及风险偏好生成老用户或新用户个性化信息数据；
126.特征信息合成模块，用于总和所述老用户或新用户基本属性类数据和老用户或新用户个性化信息数据生成老用户或新用户特征信息。
127.可选的，所述装置还包括：
128.客户行为数据获取模块，用于获取所述老客户的客户行为数据，所述客户行为数据用于代表所述老客户选择过的理财产品，根据所述客户行为数据生成所述老客户偏好信息；
129.兴趣信息数据获取模块，用于获取所述新客户的兴趣信息数据，所述兴趣信息数据用于代表所述新客户对现有理财产品的兴趣偏向，根据所述兴趣信息数据生成所述新客
户偏好信息。
130.筛选模块，用于对偏好信息和特征信息进行筛选，提出其中冗余数据，所述冗余数据用于指示信息中的无用数据和重复信息。
131.可选的，所述装置还包括：
132.日志信息获取模块，用于获取第一类别客户的日志信息，根据所述日志信息计算物品相似度，所述日志信息为所述第一类别客户购买过的理财产品的日志信息；
133.更新模块，用于运用所述物品相似度对所述初步相似度进行更新。
134.可选的，所述装置还包括：
135.推荐页面生成模块，用于获取客户身份信息，将所述推荐列表和当前时间、客户身份信息关联生成推荐页面，所述推荐页面用于展示根据客户信息生成的推荐理财产品。
136.本技术实施例还提供了对应的设备以及计算机存储介质，用于实现本技术实施例提供的方案。
137.其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行本技术任一实施例所述的理财产品推荐方法。
138.所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本技术任一实施例所述的理财产品推荐方法。
139.本技术实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
140.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，rom)/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本技术各个实施例或者实施例的某些部分所述的方法。
141.所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-6任一项所述的理财产品推荐方法。
142.需要说明的是，本发明提供的理财产品推荐方法、装置及设备可用于金融领域以及大数据领域。上述仅为示例，并不对本发明提供的理财产品推荐方法、装置及设备的应用领域进行限定。
143.以上对本技术所提供的一种理财产品推荐方法、装置及设备进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
144.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作
之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
145.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。