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.随着计算技术的发展以及用户对金融产品(例如，信用产品)消费能力的快速增长，金融机构如何充分依托用户信息大数据，以及充分利用现有用户的资产数据、信用数据、交易数据等，通过计算技术系统预测和挖掘用户群的信用产品消费能力，并有效指导信用产品进一步创新，是实现信用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，以帮助机构为其用户购物提供完全个性化的决策支持和信息服务。推荐系统根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。和搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的产品和信息需求。
4.目前，在金融机构的信用产品领域，可通过推荐系统及算法推测现有用户和信用产品之间的潜在关联关系，并对用户提供信用产品推荐结果。然而，推荐系统及各类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，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。此外，推荐系统只能针对现有的用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。在信用产品市场上存在需求的新生用户快速增加的同时，由于新生用户自身的信用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。金融机构需要更加有效的计算技术手段，对新生用户的信用产品需求进行准确测算和建模，以实现信用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合适的金融产品的技术问题。
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：基于目标用户的用户数据，提取所述目标用户的特征集合，并基于预设可用特征库，过滤所述特征集合，得到目标特征集合；基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类；在所述目标聚类属于预设聚类集合的情况下，确定与所述目标聚类对应的第一金融产品集合，其中，所述第一金融产品集合包括：多个第一金融产品；基于所述第一金融产品集合，分别确定与所述第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合；合并所述第一金融产品集合和所述多个金融产品集合，得到目标金融产品集合，并将所述目标金融产品集合中的目标金融产品推荐至所
述目标用户。
8.可选地，在基于目标用户的用户数据，提取所述目标用户的特征集合之前，还包括：获取历史时间段内的多个历史用户数据；基于所述多个历史用户数据，确定用户特征集合以及与所述用户特征集合中每个用户特征对应的产品持有状态；基于所述用户特征集合以及所述产品持有状态，构建第一矩阵，其中，所述第一矩阵中的每个第一矩阵节点对应有第一节点值；基于所述第一节点值，计算所述用户特征与金融产品之间的第一相关度，得到第一相关度集合；对所述第一相关度集合中的每个所述第一相关度进行排序，并选取排序在第一预设范围内的第一目标相关度，生成第一队列。
9.可选地，在生成第一队列之后，还包括：确定与所述第一队列中每个所述第一目标相关度对应的所述用户特征，得到第一用户特征集合；将所述第一用户特征集合中的所述用户特征进行任意两两组合，得到多组特征组合；基于所述多个历史用户数据，建立所述特征组合与金融产品之间的第二矩阵，其中，所述第二矩阵中的每个第二矩阵节点对应有第二节点值；基于所述第二节点值，计算所述特征组合与所述金融产品之间的第二相关度，得到第二相关度集合；对所述第二相关度集合中的每个所述第二相关度进行排序，并选取排序在第二预设范围内的第二目标相关度，生成第二队列。
10.可选地，在生成第二队列之后，还包括：基于所述第二队列中的所有所述第二目标相关度，计算每个所述特征组合的组合值；基于所述组合值，计算所述第一用户特征集合中的每个所述用户特征的特征总值；对所述特征总值进行排序，并选取排序在第三预设范围内的目标特征总值集合；基于所述目标特征总值集合，确定所述预设可用特征库。
11.可选地，在基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类之前，还包括：基于所述预设可用特征库中的用户特征，确定滑动窗口；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；在多次选取新的中心点，且选取的新的中心点的位置在预设时间段内都位于某一固定区域的情况下，确定选取的多个新的中心点为多个聚类中心点；基于所述聚类中心点，生成用户聚类，得到所述预设聚类集合。
12.可选地，在基于所述聚类中心点，生成用户聚类，得到所述预设聚类集合之后，还包括：基于所述预设聚类集合，构建每个所述用户聚类中的用户与金融产品之间的第三矩阵，其中，所述第三矩阵中的每个第三矩阵节点对应有第三节点值；基于所述第三节点值，计算每个所述用户聚类中的每个金融产品的产品支持度；基于所述产品支持度，计算产品组合的组合支持度，其中，所述产品组合为对所述金融产品进行两两组合得到的组合；基于所述产品支持度以及所述组合支持度，计算每个所述用户聚类中的某一金融产品对于另一金融产品的置信度。
13.可选地，在计算每个所述用户聚类中的某一金融产品对于另一金融产品的置信度之后，还包括：对所述用户聚类中的每个所述金融产品的所述产品支持度进行排序，得到排序结果；基于所述排序结果，确定与最高支持度对应的第二金融产品；基于所述用户聚类中的所述置信度，确定与所述第二金融产品关联的最高置信度指示的第三金融产品；确定所述用户聚类中每个用户的用户特征数据；提取所述第二金融产品和所述第三金融产品的产品属性集合；基于所述用户特征数据，对所述产品属性集合中的每个产品属性进行评分，得到每个所述产品属性的属性值。
14.可选地，在得到每个所述产品属性的属性值之后，还包括：在所述第二金融产品中的每个所述产品属性的属性值之和大于预设临界阈值的情况下，将所述第二金融产品推荐给所述用户聚类中的每个用户；在所述第三金融产品中的每个所述产品属性的属性值之和大于所述预设临界阈值的情况下，将所述第三金融产品推荐给所述用户聚类中的每个用户；在所述第二金融产品中的每个所述产品属性的属性值之和以及所述第三金融产品中的每个所述产品属性的属性值之和都小于等于所述预设临界阈值的情况下，对每个所述产品属性的属性值进行排序，选取排序在第四预设范围内的目标属性值集合，并组合所述目标属性值集合中每个目标属性值指示的所述产品属性，得到第一定制金融产品，将所述第一定制金融产品推荐给所述用户聚类中的每个用户。
15.可选地，在基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类之后，还包括：在所述目标聚类不属于所述预设聚类集合的情况下，基于所述目标用户的所述特征集合，构建所述特征集合中的每个所述用户特征与产品属性之间的第四矩阵，其中，所述产品属性为通过多个金融产品的产品数据提取出来的属性，所述第四矩阵中的每个第四矩阵节点所对应的第四节点值为所述用户特征与所述产品属性之间的第三相关度；对所述第三相关度进行排序，并选取排序在第五预设范围内的第三目标相关度集合；基于所述第三目标相关度集合，确定与第三目标相关度对应的产品属性组成的目标产品属性集合；从所述目标产品属性集合中随机提取多个产品属性，并基于提取出的所述多个产品属性，生成第二定制金融产品；将所述第二定制金融产品推荐给所述目标用户。
16.可选地，在所述目标聚类属于预设聚类集合的情况下，确定与所述目标聚类对应的第一金融产品集合的步骤，包括：确定所述目标聚类中的每个金融产品的产品支持度；选取大于第二预设阈值的所述产品支持度指示的所述第一金融产品，得到所述第一金融产品集合。
17.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，包括：提取单元，用于基于目标用户的用户数据，提取所述目标用户的特征集合，并基于预设可用特征库，过滤所述特征集合，得到目标特征集合；第一确定单元，用于基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类；第二确定单元，用于在所述目标聚类属于预设聚类集合的情况下，确定与所述目标聚类对应的第一金融产品集合，其中，所述第一金融产品集合包括：多个第一金融产品；第三确定单元，用于基于所述第一金融产品集合，分别确定与所述第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合；推荐单元，用于合并所述第一金融产品集合和所述多个金融产品集合，得到目标金融产品集合，并将所述目标金融产品集合中的目标金融产品推荐至所述目标用户。
18.可选地，所述推荐装置还包括：第一获取模块，用于在基于目标用户的用户数据，提取所述目标用户的特征集合之前，获取历史时间段内的多个历史用户数据；第一确定模块，用于基于所述多个历史用户数据，确定用户特征集合以及与所述用户特征集合中每个用户特征对应的产品持有状态；第一构建模块，用于基于所述用户特征集合以及所述产品持有状态，构建第一矩阵，其中，所述第一矩阵中的每个第一矩阵节点对应有第一节点值；第一计算模块，用于基于所述第一节点值，计算所述用户特征与金融产品之间的第一相关
度，得到第一相关度集合；第一生成模块，用于对所述第一相关度集合中的每个所述第一相关度进行排序，并选取排序在第一预设范围内的第一目标相关度，生成第一队列。
19.可选地，所述推荐装置还包括：第二确定模块，用于在生成第一队列之后，确定与所述第一队列中每个所述第一目标相关度对应的所述用户特征，得到第一用户特征集合；第一组合模块，用于将所述第一用户特征集合中的所述用户特征进行任意两两组合，得到多组特征组合；第一建立模块，用于基于所述多个历史用户数据，建立所述特征组合与金融产品之间的第二矩阵，其中，所述第二矩阵中的每个第二矩阵节点对应有第二节点值；第二计算模块，用于基于所述第二节点值，计算所述特征组合与所述金融产品之间的第二相关度，得到第二相关度集合；第二生成模块，用于对所述第二相关度集合中的每个所述第二相关度进行排序，并选取排序在第二预设范围内的第二目标相关度，生成第二队列。
20.可选地，所述推荐装置还包括：第三计算模块，用于在生成第二队列之后，基于所述第二队列中的所有所述第二目标相关度，计算每个所述特征组合的组合值；第四计算模块，用于基于所述组合值，计算所述第一用户特征集合中的每个所述用户特征的特征总值；第一选取模块，用于对所述特征总值进行排序，并选取排序在第三预设范围内的目标特征总值集合；第三确定模块，用于基于所述目标特征总值集合，确定所述预设可用特征库。
21.可选地，所述推荐装置还包括：第四确定模块，用于在基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类之前，基于所述预设可用特征库中的用户特征，确定滑动窗口；第一选择模块，用于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；第五确定模块，用于在多次选取新的中心点，且选取的新的中心点的位置在预设时间段内都位于某一固定区域的情况下，确定选取的多个新的中心点为多个聚类中心点；第三生成模块，用于基于所述聚类中心点，生成用户聚类，得到所述预设聚类集合。
22.可选地，所述推荐装置还包括：第二构建模块，用于在基于所述聚类中心点，生成用户聚类，得到所述预设聚类集合之后，基于所述预设聚类集合，构建每个所述用户聚类中的用户与金融产品之间的第三矩阵，其中，所述第三矩阵中的每个第三矩阵节点对应有第三节点值；第五计算模块，用于基于所述第三节点值，计算每个所述用户聚类中的每个金融产品的产品支持度；第六计算模块，用于基于所述产品支持度，计算产品组合的组合支持度，其中，所述产品组合为对所述金融产品进行两两组合得到的组合；第七计算模块，用于基于所述产品支持度以及所述组合支持度，计算每个所述用户聚类中的某一金融产品对于另一金融产品的置信度。
23.可选地，所述推荐装置还包括：第一排序模块，用于在计算每个所述用户聚类中的某一金融产品对于另一金融产品的置信度之后，对所述用户聚类中的每个所述金融产品的所述产品支持度进行排序，得到排序结果；第六确定模块，用于基于所述排序结果，确定与最高支持度对应的第二金融产品；第七确定模块，用于基于所述用户聚类中的所述置信度，确定与所述第二金融产品关联的最高置信度指示的第三金融产品；第八确定模块，用于确定所述用户聚类中每个用户的用户特征数据；第一提取模块，用于提取所述第二金融产品和所述第三金融产品的产品属性集合；第一评分模块，用于基于所述用户特征数据，对所述产品属性集合中的每个产品属性进行评分，得到每个所述产品属性的属性值。
24.可选地，所述推荐装置还包括：第一推荐模块，用于在得到每个所述产品属性的属
性值之后，在所述第二金融产品中的每个所述产品属性的属性值之和大于预设临界阈值的情况下，将所述第二金融产品推荐给所述用户聚类中的每个用户；第二推荐模块，用于在所述第三金融产品中的每个所述产品属性的属性值之和大于所述预设临界阈值的情况下，将所述第三金融产品推荐给所述用户聚类中的每个用户；第三推荐模块，用于在所述第二金融产品中的每个所述产品属性的属性值之和以及所述第三金融产品中的每个所述产品属性的属性值之和都小于等于所述预设临界阈值的情况下，对每个所述产品属性的属性值进行排序，选取排序在第四预设范围内的目标属性值集合，并组合所述目标属性值集合中每个目标属性值指示的所述产品属性，得到第一定制金融产品，将所述第一定制金融产品推荐给所述用户聚类中的每个用户。
25.可选地，所述推荐装置还包括：第三构建模块，用于在基于所述目标特征集合中的每个用户特征的特征值，确定所述目标用户所属的目标聚类之后，在所述目标聚类不属于所述预设聚类集合的情况下，基于所述目标用户的所述特征集合，构建所述特征集合中的每个所述用户特征与产品属性之间的第四矩阵，其中，所述产品属性为通过多个金融产品的产品数据提取出来的属性，所述第四矩阵中的每个第四矩阵节点所对应的第四节点值为所述用户特征与所述产品属性之间的第三相关度；第二排序模块，用于对所述第三相关度进行排序，并选取排序在第五预设范围内的第三目标相关度集合；第九确定模块，用于基于所述第三目标相关度集合，确定与第三目标相关度对应的产品属性组成的目标产品属性集合；第四生成模块，用于从所述目标产品属性集合中随机提取多个产品属性，并基于提取出的所述多个产品属性，生成第二定制金融产品；第四推荐模块，用于将所述第二定制金融产品推荐给所述目标用户。
26.可选地，所述第二确定单元包括：第十确定模块，用于确定所述目标聚类中的每个金融产品的产品支持度；第二选取模块，用于选取大于第二预设阈值的所述产品支持度指示的所述第一金融产品，得到所述第一金融产品集合。
27.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。
28.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。
29.在本公开中，基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合，基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。在本公开中，可以先确定目标用户所属的目标聚类，在该目标聚类属于预设聚类集合时，可以根据金融产品的产品支持度，确定与该目标聚类对应的第一金融产品集合，然后根据其他金融产品对于第一金融产品集合中第一金融产品的置信度，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合后，得到目标金融产品集
合，将目标金融产品集合中的目标金融产品推荐至目标用户，能够实现为新用户推荐合适的金融产品，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合适的金融产品的技术问题。
附图说明
30.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：
31.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；
32.图2是根据本发明实施例的一种可选的金融产品自动推荐流程的示意图；
33.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；
34.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
35.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。
36.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。
37.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：
38.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。
39.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。
40.需要说明的是，本公开所涉及的相关信息(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。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
41.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，能够根据新用户的用户特征推荐合适的金融产品(例如，信用产品，如信用卡等)。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信用产品模型，对用户行为数据和信用产品特征进行深度抽取，并建立特征值模型库，在此基础上通过机器学习手段实现信用产品的自动化、定制化生产，具备满足新生用户信用产品需求的能力，并可在机器学习过程中反复强化和提升该能力。
42.下面结合各个实施例来详细说明本发明。
43.实施例一
44.根据本发明实施例，提供了一种金融产品的推荐方法的实施例，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。
45.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：
46.步骤s101，基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合。
47.步骤s102，基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类。
48.步骤s103，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，其中，第一金融产品集合包括：多个第一金融产品。
49.步骤s104，基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合。
50.步骤s105，合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。
51.通过上述步骤，可以基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合，基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。在本发明实施例中，可以先确定目标用户所属的目标聚类，在该目标聚类属于预设聚类集合时，可以根据金融产品的产品支持度，确定与该目标聚类对应的第一金融产品集合，然后根据其他金融产品对于第一金融产品集合中第一金融产品的置信度，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合后，得到目标金融产品集合，将目标金融产品集合中的目标金融产品推荐至目标用户，能够实现为新用户推荐合适的金融产品，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合适的金融产品的技术问题。
52.下面结合上述各步骤对本发明实施例进行详细说明。
53.在本发明实施例中，一种可选地，在基于目标用户的用户数据，提取目标用户的特征集合之前，还包括：获取历史时间段内的多个历史用户数据；基于多个历史用户数据，确
定用户特征集合以及与用户特征集合中每个用户特征对应的产品持有状态；基于用户特征集合以及产品持有状态，构建第一矩阵，其中，第一矩阵中的每个第一矩阵节点对应有第一节点值；基于第一节点值，计算用户特征与金融产品之间的第一相关度，得到第一相关度集合；对第一相关度集合中的每个第一相关度进行排序，并选取排序在第一预设范围内的第一目标相关度，生成第一队列。
54.在本发明实施例中，可以先抽取和整合用户信息大数据平台、人行、外部机构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，可以构建用户特征建模图(即获取历史时间段内的多个历史用户数据，基于多个历史用户数据，确定用户特征集合以及与用户特征集合中每个用户特征对应的产品持有状态(即具有某一特征的用户是否持有某一产品))。本实施例中，用户特征可以包括：分类属性(如，年龄、职业、学历、性别等)、金融属性(如，月均收入、月均使用额度等)、用户行为属性(如，最多使用卡、主要用卡领域、主要消费单位、增值使用情况、信用卡关联理财等)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。同时，由于有些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。
55.表1是根据本发明实施例的一种可选的用户特征，如表1所示：
56.表1
[0057][0058]
在本实施例中，还可以预先整合金融机构已有的金融产品数据(例如，信用卡产品数据)，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，可以构建产品属性建模图。本实施例中，可以对金融产品按照特定维度抽取产品属性，例如，界面设计(是否可以自定义卡面，什么元素的卡面等)，还款方式(是否自动绑定还款)，信用额度(如2000起)，等级消费(是否消费越多，等级越高，等级越高，优惠越多，如多少可以免年费，多少可以升级额度等)，增值服务(是否有积分、满减、折扣等增值服务)、联名商家(有多少联名机构卡，是否通用)、理财功能(是否可以通过信用卡绑定理财，理财产品有哪些)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。
[0059]
表2是根据本发明实施例的一种可选的信用卡产品的产品属性，如表2所示：
[0060]
表2
[0061][0062]
在本实施例中，用户特征、产品属性建模是一个通过机器学习反复优化和迭代的过程，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、产品属性筛选的有效性也越高。本实施例中，为了提升建模的有效性，可以不断调整用户特征和产品属性集合，直至达到最优目标。
[0063]
在本发明实施例中，可以基于用户特征集合以及产品持有状态，将用户的用户特征和拥有的金融产品进行分类，形成用户特征/金融产品持有情况的第一矩阵{z1(x1,y1),...,zn(xn,yn)}，其中，z1,...,zn为矩阵的名称，x1,...,xn表示用户特征，y1,...,yn表示金融产品。在第一矩阵中，每个第一矩阵节点o(xn,yn)对应有第一节点值，表示用户特征xn和金融产品yn锚定的持卡情况。之后，可以基于第一节点值(即根据o(xn,yn)的分布情况)，计算用户特征xn与金融产品yn之间的第一相关度(数据散布相关度p(xn,yn))，得到第一相关度集合，然后对p值排序(即对第一相关度集合中的每个第一相关度进行排序)，产生数值队列q(p)＝[p1,p2,p3...](即选取排序在第一预设范围内的第一目标相关度，生成第一队列)，其中，p1＞p2＞...＞pn，pn为预设的有效域值(即第一预设范围，例如，前30％)。
[0064]
可选地，在生成第一队列之后，还包括：确定与第一队列中每个第一目标相关度对应的用户特征，得到第一用户特征集合；将第一用户特征集合中的用户特征进行任意两两组合，得到多组特征组合；基于多个历史用户数据，建立特征组合与金融产品之间的第二矩阵，其中，第二矩阵中的每个第二矩阵节点对应有第二节点值；基于第二节点值，计算特征组合与金融产品之间的第二相关度，得到第二相关度集合；对第二相关度集合中的每个第二相关度进行排序，并选取排序在第二预设范围内的第二目标相关度，生成第二队列。
[0065]
在本发明实施例中，可以先确定与第一队列中每个第一目标相关度对应的用户特
征，得到第一用户特征集合，将第一用户特征集合中的用户特征进行任意两两随机组合，得到多组特征组合，然后根据多个历史用户数据，建立特征组合与金融产品之间的第二矩阵{z1(x1,x2,y1),...,zn(xm,xn,yn)},其中，z1,...,zn为矩阵的名称，x1,x2,...,xm,xn表示用户特征，y1,...,yn表示金融产品。在第二矩阵中，每个第二矩阵节点o(xm,xn,yn)对应有第二节点值，表示用户特征组合xm,xn和金融产品yn锚定的持卡情况。之后，可以基于第二节点值(即根据o(xm,xn,yn)的分布情况)，计算用户特征组合xm,xn与金融产品yn之间的第二相关度(数据散布相关度p
′
(xm,xn,yn))，得到第二相关度集合，然后对p
′
值排序(即对第二相关度集合中的每个第二相关度进行排序)，产生数值队列q
′
(p
′
)＝[p1',p2',p3'...pn'](即选取排序在第二预设范围内的第二目标相关度，生成第二队列)，其中，p1'＞p2'＞...＞pn'，pn'为预设的有效域值(即第二预设范围，例如，前30％)。
[0066]
可选地，在生成第二队列之后，还包括：基于第二队列中的所有第二目标相关度，计算每个特征组合的组合值；基于组合值，计算第一用户特征集合中的每个用户特征的特征总值；对特征总值进行排序，并选取排序在第三预设范围内的目标特征总值集合；基于目标特征总值集合，确定预设可用特征库。
[0067]
在本发明实施例中，可以先对第二队列q'进行预处理(例如，进行二次数据降噪处理)，将与金融产品存在有效关联度的用户特征抽取入库，得到可用特征库(即预设可用特征库)，具体如下：
[0068]
抽取第二队列q'中的所有第二目标相关度p
′
，对全部用户特征库进行过滤，按照如下公式计算每个特征组合的组合值(例如，f(x1,x2)、f(x1,xn))，并基于组合值，计算第一用户特征集合中的每个用户特征的特征总值(例如，∑f(x1)、∑f(xn))：
[0069]
f(x1,x2)＝p
′
(x1,x2,y1) p
′
(x1,x2,y2) ... p
′
(x1,x2,yn)；
[0070]
f(x1,x3)＝p
′
(x1,x3,y1) p
′
(x1,x3,y2) ... p
′
(x1,x3,yn)；
[0071]
......
[0072]
f(x1,xn)＝p
′
(x1,xn,y1) p
′
(x1,xn,y2) ... p
′
(x1,xn,yn)；
[0073]
......
[0074]
∑f(x1)＝f(x1,x2) f(x1,x3) ... f(x1,xn)；
[0075]
f(x2,x1)＝p
′
(x2,x1,y1) p
′
(x2,x1,y2) ... p
′
(x2,x1,yn)；
[0076]
f(x2,x3)＝p
′
(x2,x3,y1) p
′
(x2,x3,y2) ... p
′
(x2,x3,yn)；
[0077]
......
[0078]
f(x2,xn)＝p
′
(x2,xn,y1) p
′
(x2,xn,y2) ... p
′
(x2,xn,yn)；
[0079]
∑f(x2)＝f(x2,x1) f(x2,x3) ... f(x2,xn)；
[0080]
......
[0081]
∑f(xn)＝f(xn,x1) f(xn,x2) ... f(xn,xm)。
[0082]
对特征总值∑f(xn)进行排序，根据预设用户特征可用性域值μ(即确定第三预设范围，例如，前30％)，剔除∑f(xn)＜μ的用户特征x，保留剩余的用户特征x，得到目标特征总值集合su(x)＝{x1,...,xn)，即得到可用特征库(即选取排序在第三预设范围内的目标特征总值集合,基于目标特征总值集合，确定预设可用特征库)。
[0083]
可选地，在基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类之前，还包括：基于预设可用特征库中的用户特征，确定滑动窗口；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；在多次选取新的中心点，且选取的新的中心点的位置在预设时间段内都位于某一固定区域的情况下，确定选取的多个新的中心点为多个聚类中心点；基于聚类中心点，生成用户聚类，得到预设聚类集合。
[0084]
在本发明实施例中，在得到预设可用特征库之后，可以使用均值漂移聚类算法得到预设聚类集合，具体为：
[0085]
根据su(x)中的用户特征,确定一个滑动窗口(基于预设可用特征库中的用户特征，确定滑动窗口)，其中，滑动窗口的半径随机选择中心点c，在su(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)，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。
[0086]
重复上述过程多次后，中心点保持稳定，得到多个新中心点c'(即在多次选取新的中心点，且选取的新的中心点的位置在预设时间段内都位于某一固定区域的情况下，确定选取的多个新的中心点为多个聚类中心点)，即完成对用户群的聚类分析，得到用户聚类集合uc(c)(即基于聚类中心点，生成用户聚类，得到预设聚类集合)。
[0087]
可选地，在基于聚类中心点，生成用户聚类，得到预设聚类集合之后，还包括：基于预设聚类集合，构建每个用户聚类中的用户与金融产品之间的第三矩阵，其中，第三矩阵中的每个第三矩阵节点对应有第三节点值；基于第三节点值，计算每个用户聚类中的每个金融产品的产品支持度；基于产品支持度，计算产品组合的组合支持度，其中，产品组合为对金融产品进行两两组合得到的组合；基于产品支持度以及组合支持度，计算每个用户聚类中的某一金融产品对于另一金融产品的置信度。
[0088]
在本发明实施例中，可以根据预设聚类集合uc(c)，计算出每一个用户聚类uc里面每个用户u和金融产品y的二维矩阵z(u，y)(即基于预设聚类集合，构建每个用户聚类中的用户与金融产品之间的第三矩阵)，在第三矩阵中，每个第三矩阵节点o(u,y)对应有第三节点值，表示为用户持有金融产品的持有情况(例如，持有计数为1，未持有为0)。
[0089]
然后，可以根据第三节点值，计算用户聚类中的每个金融产品的产品支持度s(y)，假设当前用户聚类用户数为n，那么，产品一y1的支持度为：
[0090]
s(y1)＝(o(u1,y1) o(u2,y1) o(u2,y1) ...... o(un,y1))/n；
[0091]
每个金融产品的支持度公式为：
[0092]
s(yn)＝(o(u1,yn) o(u2,yn) o(u2,yn) ...... o(un,yn))/n；
[0093]
根据单个金融产品的支持度，进一步计算出每一个产品组合的支持度s(yn,ym)(即基于产品支持度，计算产品组合的组合支持度，该产品组合为对金融产品进行两两组合得到的组合),计算公式如下：
[0094][0095]
其中，(o(u1,yn) o(u1,ym))/2表示用户u1同时拥有信用卡产品yn，ym才会算出1，s(yn,ym)就是表示在用户聚类中同时拥有产品yn，ym人数占总人数的比例。
[0096]
根据产品支持度以及组合支持度，计算每个用户聚类uc中的某一金融产品ym对于另一金融产品yn的置信度c(ym-＞yn)＝s(yn,ym)/s(yn)。
[0097]
表3是根据本发明实施例的一种可选的按照用户聚类统计用户对产品的支持度，如表3所示：
[0098]
表3
[0099][0100]
表4是根据本发明实施例的一种可选的用户聚类对产品组合的支持度，如表4所示：
[0101]
表4
[0102][0103]
表5是根据本发明实施例的一种可选的用户聚类中产品之间的置信度，如表5所示：
[0104]
表5
[0105][0106]
可选地，在计算每个用户聚类中的某一金融产品对于另一金融产品的置信度之后，还包括：对用户聚类中的每个金融产品的产品支持度进行排序，得到排序结果；基于排
序结果，确定与最高支持度对应的第二金融产品；基于用户聚类中的置信度，确定与第二金融产品关联的最高置信度指示的第三金融产品；确定用户聚类中每个用户的用户特征数据；提取第二金融产品和第三金融产品的产品属性集合；基于用户特征数据，对产品属性集合中的每个产品属性进行评分，得到每个产品属性的属性值。
[0107]
在本发明实施例中，可以在提取出的用户可用特征库、金融产品库的基础上，进行数据组合分析，计算出置信度最高的金融产品(即可以先确定老用户支持度最高的金融产品，然后确定出对于该金融产品的置信度最高的另一金融产品，并推荐给老用户)或者产品支持度最高的金融产品(即可以将计算出的支持度最高的金融产品直接推荐给新用户)，然后按照用户的特征信息和要推荐的金融产品的属性信息进行比较，基于用户特征对产品每个属性的满足程度对产品的每个属性进行量化打分。具体为：
[0108]
可以对某个用户聚类中的每个金融产品的产品支持度进行排序，得到排序结果，然后基于排序结果，确定与最高支持度对应的第二金融产品，之后基于该用户聚类中的置信度，确定与第二金融产品关联的最高置信度指示的第三金融产品，再确定用户聚类中每个用户的用户特征数据，并提取第二金融产品和第三金融产品的产品属性集合，之后可以根据用户特征数据，对产品属性集合中的每个产品属性进行评分，得到每个产品属性的属性值。
[0109]
可选地，在得到每个产品属性的属性值之后，还包括：在第二金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第二金融产品推荐给用户聚类中的每个用户；在第三金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第三金融产品推荐给用户聚类中的每个用户；在第二金融产品中的每个产品属性的属性值之和以及第三金融产品中的每个产品属性的属性值之和都小于等于预设临界阈值的情况下，对每个产品属性的属性值进行排序，选取排序在第四预设范围内的目标属性值集合，并组合目标属性值集合中每个目标属性值指示的产品属性，得到第一定制金融产品，将第一定制金融产品推荐给用户聚类中的每个用户。
[0110]
在本发明实施例中，不同的用户聚类可以对产品的属性值设置不同的分值，然后可以为每个属性设置一个评分规则，由系统进行打分计算某个产品对于整个用户聚类的综合分数(即金融产品中的每个产品属性的属性值之和)，然后再在系统中设置一个临界值sc(即预设临界阈值，例如75分，预设临界阈值可以通过机器学习算法计算得到，并后续不断的对其进行校正)，一旦金融产品达到整个临界分值以上，系统就将这个产品直接推荐给用户聚类中的每个用户(即在第二金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第二金融产品推荐给用户聚类中的每个用户；在第三金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第三金融产品推荐给用户聚类中的每个用户)。
[0111]
如果所有的金融产品都没有达到这个分数(即在第二金融产品中的每个产品属性的属性值之和以及第三金融产品中的每个产品属性的属性值之和都小于等于预设临界阈值的情况下)，那么就进入产品定制流程，自动生成新的金融产品，通过自动审批后再推荐给客户，具体为：对每个产品属性的属性值进行排序，选取排序在第四预设范围内的目标属性值集合，并组合目标属性值集合中每个目标属性值指示的产品属性，得到第一定制金融产品，将第一定制金融产品推荐给用户聚类中的每个用户。
[0112]
表6是根据本发明实施例的一种可选的用户聚类中用户对信用卡产品的各产品属性的评分，如表6所示：
[0113]
表6
[0114][0115]
步骤s101，基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合。
[0116]
在本发明实施例中，可以先获取目标用户的用户数据，然后根据目标用户的用户数据，提取该用户的特征集合{x1，x2,...,xm},根据预设可用特征库su(x)过滤特征集合，得到该用户的目标特征集合su(x)。如果该用户的用户数据并不完整，su(x)为su(x)的一个子集。
[0117]
步骤s102，基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类。
[0118]
在本发明实施例中，根据该用户的目标特征集合su(x)中的每个用户特征的特征值的数据落点区间，计算该用户归属的目标聚类。
[0119]
可选地，在基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类之后，还包括：在目标聚类不属于预设聚类集合的情况下，基于目标用户的特征集合，构建特征集合中的每个用户特征与产品属性之间的第四矩阵，其中，产品属性为通过多个金融产品的产品数据提取出来的属性，第四矩阵中的每个第四矩阵节点所对应的第四节点值为用户特征与产品属性之间的第三相关度；对第三相关度进行排序，并选取排序在第五预设范围内的第三目标相关度集合；基于第三目标相关度集合，确定与第三目标相关度对应的产品属性组成的目标产品属性集合；从目标产品属性集合中随机提取多个产品属性，并基于提取出的多个产品属性，生成第二定制金融产品；将第二定制金融产品推荐给目标用户。
[0120]
在本发明实施例中，如果该用户所属的目标聚类不属于预设聚类集合，则根据目标用户的特征集合，计算用户特征与产品属性之间的关联矩阵z(x，y)(即构建特征集合中的每个用户特征与产品属性之间的第四矩阵，该产品属性为通过多个金融产品的产品数据提取出来的属性)，并且第四矩阵中的每个第四矩阵节点所对应的第四节点值为用户特征与产品属性之间的第三相关度(即数据散布相关度p(o))，之后根据p(o)值进行排序，选取p(o)》＝有效域值(即第五预设范围，例如，前50％)的全部节点(即对第三相关度进行排序，
并选取排序在第五预设范围内的第三目标相关度集合)，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}(即基于第三目标相关度集合，确定与第三目标相关度对应的产品属性组成的目标产品属性集合)。对该目标产品属性集合使用随机组合算法，能够产生多种产品属性组合(ym ... yn)，即为定制产品模型。之后，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(从目标产品属性集合中随机提取多个产品属性，并基于提取出的多个产品属性，生成第二定制金融产品)，将第二定制金融产品推荐给目标用户。
[0121]
步骤s103，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，其中，第一金融产品集合包括：多个第一金融产品。
[0122]
可选地，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合的步骤，包括：确定目标聚类中的每个金融产品的产品支持度；选取大于第二预设阈值的产品支持度指示的第一金融产品，得到第一金融产品集合。
[0123]
在本发明实施例中，如果在目标聚类属于预设聚类集合，则可以先确定目标聚类中的每个金融产品的产品支持度，选取大于第二预设阈值(例如，80％)的产品支持度指示的第一金融产品，得到第一金融产品集合，该第一金融产品集合包括多个第一金融产品。
[0124]
步骤s104，基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合。
[0125]
在本发明实施例中，可以根据获取到的产品置信度数据,对第一金融产品集合中每个金融产品的置信度进行排序，选取置信度大于第一预设阈值(例如，50％)的产品集(即基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合)，从而得到多个金融产品集合(即，每个第一金融产品都有一个对应的第二金融产品集合)。
[0126]
步骤s105，合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。
[0127]
在本发明实施例中，合并第一金融产品集合和多个金融产品集合，得到该用户的的强关联产品(即目标金融产品集合)，将目标金融产品集合中的目标金融产品推荐至该用户。
[0128]
另一种可选的实施例，还可以确定该目标金融产品集合的产品属性集合，对该产品属性集合使用随机组合算法，产生多种产品属性组合，即为定制产品模型，然后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，将定制金融产品推荐给目标用户。
[0129]
下面结合另一种可选的具体实施方式进行详细说明。
[0130]
图2是根据本发明实施例的一种可选的金融产品自动推荐流程的示意图，如图2所示，包括如下步骤：
[0131]
(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数据，进行用户特征建模。
[0132]
(2)整合金融机构已有的金融产品数据，进行产品属性建模。
[0133]
(3)用户特征聚类分析：
[0134]
通过分布式计算平台，采用大数据聚类算法，根据用户的特征数据(例如，年龄、职
业，收入、性别等)对全部用户进行聚类分析，形成用户聚类集合(例如，年轻人群组，女性群组，高收入群组等)。
[0135]
(4)支持度和置信度计算：
[0136]
对每一种用户聚类中的用户持有的金融产品做分析，计算出每个金融产品的支持度sn(例如，s1表示产品一在用户聚类中的持有数占用户聚类总数的比例)。
[0137]
在得到用户聚类中对单个产品的支持度的基础上，扩展统计出每种产品组合(2个产品)的支持度s
[n,m]
(例如，s
[1,2]
表示产品一、产品二同时被一个用户持有的用户数占用户聚类所有用户的比例)。
[0138]
置信度就是当用户持有产品一的同时，会持有产品二的概率。例如，计算出产品一的支持度为s1＝80％,而产品一，产品二整个组合的支持度为s
[1,2]
＝60％，那么，产品二对于产品一的置信度就是c
[2-＞1]
＝s
[1,2]
/s1＝75％，即通过对以往用户聚类的分析可以得出，当一个用户持有产品一时，这时候向该用户推荐产品二，该用户可能有75％的概率会购买产品二。因此，置信度的公式为c
[n-＞m]
＝s
[n,m]
/sm。
[0139]
(5)产品属性值：
[0140]
可以在提取出的用户可用特征库、金融产品库的基础上，进行数据组合分析，计算出置信度最高的金融产品或者产品支持度最高的金融产品，然后按照用户的特征信息和要推荐的金融产品的属性信息进行比较，基于用户特征对产品每个属性的满足程度对产品的每个属性进行量化打分，得到每个产品属性的产品属性值。
[0141]
不同的用户聚类可以对产品的属性值设置不同的分值，然后可以为每个属性设置一个评分规则，由系统进行打分计算某个产品对于整个用户聚类的综合分数(即金融产品中的每个产品属性的属性值之和)，然后再在系统中设置一个临界值sc(即预设临界阈值，例如75分，预设临界阈值可以通过机器学习算法计算得到，并后续不断的对其进行校正)，一旦金融产品达到整个临界分值以上，系统就将这个产品直接推荐给用户聚类中的每个用户。
[0142]
(6)金融产品定制建模：如果所有的金融产品都没有达到这个分数，那么就进入产品定制流程，自动生成新的金融产品定制建模，并入库至金融产品数据中。
[0143]
(7)基于得到的金融产品定制建模，进行金融产品自动推荐。
[0144]
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：
[0145]
(1)基于客户信息大数据平台，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，并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。
[0146]
(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。
[0147]
(3)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，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。
[0148]
下面结合另一实施例进行详细说明。
[0149]
实施例二
[0150]
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。
[0151]
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，第一确定单元31，第二确定单元32，第三确定单元33，推荐单元34，其中，
[0152]
提取单元30，用于基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合；
[0153]
第一确定单元31，用于基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类；
[0154]
第二确定单元32，用于在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，其中，第一金融产品集合包括：多个第一金融产品；
[0155]
第三确定单元33，用于基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合；
[0156]
推荐单元34，用于合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。
[0157]
上述推荐装置，可以通过提取单元30基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合，通过第一确定单元31基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类，通过第二确定单元32在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，通过第三确定单元33基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合，通过推荐单元34合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。在本发明实施例中，可以先确定目标用户所属的目标聚类，在该目标聚类属于预设聚类集合时，可以根据金融产品的产品支持度，确定与该目标聚类对应的第一金融产品集合，然后根据其他金融产品对于第一金融产品集合中第一金融产品的置信度，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合后，得到目标金融产品集合，将目标金融产品集合中的目标金融产品推荐至目标用户，能够实现为新用户推荐合适的金融产品，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合适的金融产品的技术问题。
[0158]
可选地，推荐装置还包括：第一获取模块，用于在基于目标用户的用户数据，提取目标用户的特征集合之前，获取历史时间段内的多个历史用户数据；第一确定模块，用于基于多个历史用户数据，确定用户特征集合以及与用户特征集合中每个用户特征对应的产品持有状态；第一构建模块，用于基于用户特征集合以及产品持有状态，构建第一矩阵，其中，第一矩阵中的每个第一矩阵节点对应有第一节点值；第一计算模块，用于基于第一节点值，计算用户特征与金融产品之间的第一相关度，得到第一相关度集合；第一生成模块，用于对
第一相关度集合中的每个第一相关度进行排序，并选取排序在第一预设范围内的第一目标相关度，生成第一队列。
[0159]
可选地，推荐装置还包括：第二确定模块，用于在生成第一队列之后，确定与第一队列中每个第一目标相关度对应的用户特征，得到第一用户特征集合；第一组合模块，用于将第一用户特征集合中的用户特征进行任意两两组合，得到多组特征组合；第一建立模块，用于基于多个历史用户数据，建立特征组合与金融产品之间的第二矩阵，其中，第二矩阵中的每个第二矩阵节点对应有第二节点值；第二计算模块，用于基于第二节点值，计算特征组合与金融产品之间的第二相关度，得到第二相关度集合；第二生成模块，用于对第二相关度集合中的每个第二相关度进行排序，并选取排序在第二预设范围内的第二目标相关度，生成第二队列。
[0160]
可选地，推荐装置还包括：第三计算模块，用于在生成第二队列之后，基于第二队列中的所有第二目标相关度，计算每个特征组合的组合值；第四计算模块，用于基于组合值，计算第一用户特征集合中的每个用户特征的特征总值；第一选取模块，用于对特征总值进行排序，并选取排序在第三预设范围内的目标特征总值集合；第三确定模块，用于基于目标特征总值集合，确定预设可用特征库。
[0161]
可选地，推荐装置还包括：第四确定模块，用于在基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类之前，基于预设可用特征库中的用户特征，确定滑动窗口；第一选择模块，用于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；第五确定模块，用于在多次选取新的中心点，且选取的新的中心点的位置在预设时间段内都位于某一固定区域的情况下，确定选取的多个新的中心点为多个聚类中心点；第三生成模块，用于基于聚类中心点，生成用户聚类，得到预设聚类集合。
[0162]
可选地，推荐装置还包括：第二构建模块，用于在基于聚类中心点，生成用户聚类，得到预设聚类集合之后，基于预设聚类集合，构建每个用户聚类中的用户与金融产品之间的第三矩阵，其中，第三矩阵中的每个第三矩阵节点对应有第三节点值；第五计算模块，用于基于第三节点值，计算每个用户聚类中的每个金融产品的产品支持度；第六计算模块，用于基于产品支持度，计算产品组合的组合支持度，其中，产品组合为对金融产品进行两两组合得到的组合；第七计算模块，用于基于产品支持度以及组合支持度，计算每个用户聚类中的某一金融产品对于另一金融产品的置信度。
[0163]
可选地，推荐装置还包括：第一排序模块，用于在计算每个用户聚类中的某一金融产品对于另一金融产品的置信度之后，对用户聚类中的每个金融产品的产品支持度进行排序，得到排序结果；第六确定模块，用于基于排序结果，确定与最高支持度对应的第二金融产品；第七确定模块，用于基于用户聚类中的置信度，确定与第二金融产品关联的最高置信度指示的第三金融产品；第八确定模块，用于确定用户聚类中每个用户的用户特征数据；第一提取模块，用于提取第二金融产品和第三金融产品的产品属性集合；第一评分模块，用于基于用户特征数据，对产品属性集合中的每个产品属性进行评分，得到每个产品属性的属性值。
[0164]
可选地，推荐装置还包括：第一推荐模块，用于在得到每个产品属性的属性值之后，在第二金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第二
金融产品推荐给用户聚类中的每个用户；第二推荐模块，用于在第三金融产品中的每个产品属性的属性值之和大于预设临界阈值的情况下，将第三金融产品推荐给用户聚类中的每个用户；第三推荐模块，用于在第二金融产品中的每个产品属性的属性值之和以及第三金融产品中的每个产品属性的属性值之和都小于等于预设临界阈值的情况下，对每个产品属性的属性值进行排序，选取排序在第四预设范围内的目标属性值集合，并组合目标属性值集合中每个目标属性值指示的产品属性，得到第一定制金融产品，将第一定制金融产品推荐给用户聚类中的每个用户。
[0165]
可选地，推荐装置还包括：第三构建模块，用于在基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类之后，在目标聚类不属于预设聚类集合的情况下，基于目标用户的特征集合，构建特征集合中的每个用户特征与产品属性之间的第四矩阵，其中，产品属性为通过多个金融产品的产品数据提取出来的属性，第四矩阵中的每个第四矩阵节点所对应的第四节点值为用户特征与产品属性之间的第三相关度；第二排序模块，用于对第三相关度进行排序，并选取排序在第五预设范围内的第三目标相关度集合；第九确定模块，用于基于第三目标相关度集合，确定与第三目标相关度对应的产品属性组成的目标产品属性集合；第四生成模块，用于从目标产品属性集合中随机提取多个产品属性，并基于提取出的多个产品属性，生成第二定制金融产品；第四推荐模块，用于将第二定制金融产品推荐给目标用户。
[0166]
可选地，第二确定单元包括：第十确定模块，用于确定目标聚类中的每个金融产品的产品支持度；第二选取模块，用于选取大于第二预设阈值的产品支持度指示的第一金融产品，得到第一金融产品集合。
[0167]
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，第一确定单元31，第二确定单元32，第三确定单元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。
[0168]
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合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。
[0169]
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。
[0170]
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：基于目标用户的用户数据，提取目标用户的特征集合，并基于预设可用特征库，过滤特征集合，得到目标特征集合，基于目标特征集合中的每个用户特征的特征值，确定目标用户所属的目标聚类，在目标聚类属于预设聚类集合的情况下，确定与目标聚类对应的第一金融产品集合，基于第一金融产品集合，分别确定与第一金融产品关联的置信度大于第一预设阈值的第二金融产品集合，得到多个金融产品集合，合并第一金融产品集合和多个金融产品集合，得到目标金融产品集合，并将目标金融产品集合中的目标金融产品推荐至目标用户。
[0171]
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。
[0172]
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。
[0173]
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402a、402b，
……
，402n来示出)处理器402(处理器402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404。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。
[0174]
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。
[0175]
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。
[0176]
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。
[0177]
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。
[0178]
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。
[0179]
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。
[0180]
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。