产品推荐方法、产品推荐装置、服务器和存储介质

技术领域

本申请涉及金融科技技术领域，特别是涉及一种产品推荐方法、产品推荐装置、服务器和存储介质。

背景技术

随着金融市场规模的不断扩大，在市场上出现的金融产品的数量和种类快速增长，用户陷入海量信息中，用户需要花费大量的时间和精力找到适合的金融产品。为了解决该问题，个性化的推荐系统应运而生。

在传统的金融产品推荐方式中，一般是基于用户对金融产品所执行的大量历史交易行为，来分析用户对金融产品的偏好程度，以根据偏好程度对金融产品进行推荐。

然而，在实际推荐过程中，用户对金融产品的偏好程度常常受到多方因素的影响，从而当前的基于用户对金融产品的偏好程度来进行推荐的方式，存在推荐产品的准确度不高和不符合实际用户需求的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种产品推荐方法、产品推荐装置、服务器、计算机可读存储介质和计算机程序产品。

根据本公开实施例的第一方面，提供一种产品推荐方法，包括：

获取原料资源的准备信息和候选推荐产品的评价信息；所述候选推荐产品为金融系统中与所述原料资源相关联的金融产品，所述准备信息表征所述原料资源的原料准备程度，所述评价信息表征所述候选推荐产品的产品评价程度；

基于所述原料资源的历史准备信息和所述候选推荐产品的历史评价信息，在多种所述原料资源中，确定出匹配于各所述候选推荐产品的目标原料；

基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度；

根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品，并通过所述金融系统对所述目标推荐产品进行推荐。

在一示例性实施例中，所述基于所述原料资源的历史准备信息和所述候选推荐产品的历史评价信息，在多种所述原料资源中，确定出匹配于各所述候选推荐产品的目标原料，包括：

基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的关联程度；

在多种所述原料资源中，将与各所述候选推荐产品之间关联程度最高的原料资源匹配为目标原料。

在一示例性实施例中，所述基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的关联程度，包括：

基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的皮尔逊相关系数；

基于所述皮尔逊相关系数确定所述原料资源与所述候选推荐产品之间的关联程度。

在一示例性实施例中，所述当前评价信息基于当前评价数值表征，所述当前准备信息基于当前准备数值表征；所述基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度，包括：

对所述候选推荐产品的当前评价数值进行归一化处理，得到所述当前评价数值的第一归一化值；以及

对所述目标原料的当前准备数值进行归一化处理，得到所述当前准备数值的第二归一化值；

基于所述第一归一化值与所述第二归一化值之间的统计数据，确定所述候选推荐产品的产品推荐程度。

在一示例性实施例中，所述根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品，包括：

根据多种所述候选推荐产品所对应的多个所述产品推荐程度之间的统计数据，确定推荐阈值；

在多种所述候选推荐产品中，将所述产品推荐数值大于所述推荐阈值的候选推荐产品确定为目标推荐产品。

在一示例性实施例中，所述原料资源为农业作物资源；所述获取原料资源的准备信息，包括：

针对所述农业作物资源，获取多个物候期的遥感图像；

对所述遥感图像进行特征提取，得到针对所述农业作物资源的特征信息；

基于所述特征信息，得到所述农业作物资源的准备信息。

在一示例性实施例中，所述特征信息包括针对所述农业作物资源的波段指数特征；所述得到所述农业作物资源的准备信息，包括：

对所述农业作物资源的波段指数特征进行归一化处理，确定所述农业作物资源的生长状态程度，并基于所述生长状态程度得到所述准备信息。

在一示例性实施例中，获取候选推荐产品的评价信息，包括：

获取所述候选推荐产品的交易数据；所述交易数据为所述金融系统对所述候选推荐产品执行预设的交易行为产生的金融数据；

基于所述交易数据和所述交易行为对应的行为权重，确定所述候选推荐产品的评价信息。

根据本公开实施例的第二方面，提供一种产品推荐装置，包括：

信息获取单元，被配置为执行获取原料资源的准备信息和候选推荐产品的评价信息；所述候选推荐产品为金融系统中与所述原料资源相关联的金融产品，所述准备信息表征所述原料资源的原料准备程度，所述评价信息表征所述候选推荐产品的产品评价程度；

原料筛选单元，被配置为执行基于所述原料资源的历史准备信息和所述候选推荐产品的历史评价信息，在多种所述原料资源中，确定出匹配于各所述候选推荐产品的目标原料；

推荐程度单元，被配置为执行基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度；

产品推荐单元，被配置为执行根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品，并通过所述金融系统对所述目标推荐产品进行推荐。

根据本公开实施例的第三方面，提供一种服务器，包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令，以实现如上述任一项所述的产品推荐方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质中包括计算机程序，当所述计算机程序由服务器的处理器执行时，使得所述服务器能够执行如上述任一项所述的产品推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中包括程序指令，所述程序指令被服务器的处理器执行时，使得所述服务器能够执行如上述任一项所述的产品推荐方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

该方法先通过获取原料资源的准备信息和候选推荐产品的评价信息；其中，候选推荐产品为金融系统中与原料资源相关联的金融产品，准备信息表征原料资源的原料准备程度，评价信息表征候选推荐产品的产品评价程度；基于原料资源的历史准备信息和候选推荐产品的历史评价信息，在多种原料资源中，确定出匹配于各候选推荐产品的目标原料；基于候选推荐产品的当前评价信息以及与候选推荐产品匹配的目标原料的当前准备信息，确定候选推荐产品的产品推荐程度；根据产品推荐程度，在多种候选推荐产品中确定出目标推荐产品，并通过金融系统对目标推荐产品进行推荐。这样，通过区别于现有技术的方式，利用候选推荐产品自身的评价信息和与候选推荐产品相匹配的原料资源的准备信息来确定候选推荐产品的产品推荐程度，以根据产品推荐程度对产品进行推荐。因此，在一方面，优化了产品推荐方式的流程，提升了分析用户对产品的偏好程度的有效性；在另一方面，有效避免了用户对产品的偏好程度受到原料资源的准备因素的影响，提升了所确定出的目标推荐产品的准确性，从而对该目标推荐产品进行推荐能够符合实际用户需求。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

图1是根据一示例性实施例示出的一种产品推荐方法的应用环境图；

图2是根据一示例性实施例示出的一种产品推荐方法的流程示意图；

图3是根据一示例性实施例示出的一种获取原料资源的准备信息步骤的流程示意图；

图4是根据一示例性实施例示出的一种获取候选推荐产品的评价信息步骤的流程示意图；

图5是根据另一示例性实施例示出的一种确定目标原料步骤的流程示意图；

图6是根据另一示例性实施例示出的一种确定产品推荐程度步骤的流程示意图；

图7是根据一示例性实施例示出的一种确定出目标推荐产品步骤的流程示意图；

图8是根据另一示例性实施例示出的一种产品推荐方法的流程示意图；

图9是根据一示例性实施例示出的一种用于产品推荐的产品推荐装置的框图；

图10是根据一示例性实施例示出的一种用于产品推荐的服务器的框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请中的术语“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。此外，尽管多次采用术语“第一”、“第二”等来描述各种操作(或各种阈值或各种应用或各种指令或各种元件)等，不过这些操作(或阈值或应用或指令或元件)不应受这些术语的限制。这些术语只是用于区分一个操作(或阈值或应用或指令或元件)和另一个操作(或阈值或应用或指令或元件)。例如，第一归一化数值可以被称为第二归一化数值，第二归一化数值也可以被称为第一归一化数值，而不脱离本申请的范围，第一归一化数值和第二归一化数值都是关于对原始数值进行归一化处理后的归一化数值，只是二者并不是相同的对原始数值进行归一化处理而已。

本申请实施例提供的产品推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。

在一些实施例中，参考图1，服务器104首先获取原料资源的准备信息和候选推荐产品的评价信息；其中，候选推荐产品为金融系统中与原料资源相关联的金融产品，准备信息表征原料资源的原料准备程度，评价信息表征候选推荐产品的产品评价程度；然后，服务器104基于原料资源的历史准备信息和候选推荐产品的历史评价信息，在多种原料资源中，确定出匹配于各候选推荐产品的目标原料；然后，服务器104基于候选推荐产品的当前评价信息以及与候选推荐产品匹配的目标原料的当前准备信息，确定候选推荐产品的产品推荐程度；最后，服务器104根据产品推荐程度，在多种候选推荐产品中确定出目标推荐产品，并通过金融系统对目标推荐产品进行推荐。

在一些实施例中，终端102(如移动终端、固定终端)可以以各种形式来实施。其中，终端102可为包括诸如移动电话、智能电话、笔记本电脑、便携式手持式设备、个人数字助理(PDA，Personal Digital Assistant)、平板电脑(PAD)等等的移动终端，终端102也可以是自动柜员机(Automated Teller Machine，ATM)、自动一体机、数字TV、台式计算机、固式计算机等等的固定终端。

下面，假设终端102是固定终端。然而，本领域技术人员将理解的是，若有特别用于移动目的的操作或者元件，根据本申请公开的实施方式的构造也能够应用于移动类型的终端102。

在一些实施例中，服务器104运行的数据处理组件可以加载正在被执行的可以包括各种附加服务器应用和/或中间层应用中的任何一种，如包括HTTP(超文本传输协议)、FTP(文件传输协议)、CGI(通用网关界面)、RDBMS(关系型数据库管理系统)等。

在一些实施例中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可以适于运行提供前述公开中描述的终端102的一个或多个应用服务或软件组件。

在一些实施例中，应用服务可以包括向用户提供产品推荐的服务界面，以及对应程序服务等等。其中，软件组件可以包括例如具有原料资源的准备信息和候选推荐产品的评价信息，来执行产品推荐功能的应用程序(SDK)或者客户端(APP)。

在一些实施例中，服务器104所提供的具有执行产品推荐功能的应用程序或者客户端包括一个在前台向用户提供一对一应用服务的门户端口和多个位于后台进行数据处理的业务系统，以将产品推荐功能应用扩展到APP或者客户端，从而用户能够在任何时间任何地点执行产品推荐功能的使用和访问。

在一些实施例中，用户可以通过预设的输入装置或者自动控制程序向APP或者客户端输入相应的代码数据或者控制参数，以执行服务器104中的计算机程序的应用服务，以及显示用户界面中的应用服务。

在一些实施例中，APP或者客户端运行的操作系统可以包括各种版本的

在一些实施例中，如图2所示，提供了一种产品推荐方法，以该方法应用于图1中的服务器104为例进行说明，该方法包括以下步骤：

步骤S11，获取原料资源的准备信息和候选推荐产品的评价信息。

在一些实施例中，原料资源为各种生产产品和应用产品对应的生产原料。例如原料资源可以为农业作物资源，包括如小麦、大米、玉米等等。

其中，准备信息表征原料资源的原料准备程度，该原料准备程度用于描述原料资源的生长状态、营养状态或者原料储备量中的任意一种的程度。

作为示例，若原料准备程度用于描述原料资源的生长状态，则较高的原料准备程度对应原料资源的生长状态较好，较低的原料准备程度对应原料资源的生长状态较差；若原料准备程度用于描述原料资源的营养状态，则较高的原料准备程度对应原料资源的营养状态较好，较低的原料准备程度对应原料资源的营养状态较差；若原料准备程度用于描述原料资源的原料储备量，则较高的原料准备程度对应原料资源的原料储备量较多，较低的原料准备程度对应原料资源的原料储备量较低。

在一些实施例中，原料资源的准备信息包括当前准备信息和历史准备信息，并且该准备信息基于对应的准备数值表征，例如准备信息A的当前准备信息为80％和历史准备信息为20％等等。

其中，当前准备信息用于描述原料资源在当前时期的生长状态、营养状态或者原料储备量中的任意一种的程度。历史准备信息用于描述原料资源在当前时期往前一预设的时间范围内关于生长状态、营养状态或者原料储备量中的任意一种的总体程度。

在一些实施例中，选推荐产品为金融系统中与原料资源相关联的金融产品。其中，该金融产品可以为应用于金融系统中的各种基金产品、股票、贵金属、理财彩票等等。

在一些实施例中，金融系统为一种上市有多种金融产品且向用户开放并推荐金融产品的金融交易平台。

在一实施例中，评价信息表征用户或者金融系统对候选推荐产品的产品评价程度。

其中，该产品评价程度用于描述用户或者金融系统对金融产品的偏好情况、信任情况或者购买量中的任意一种的程度。

作为示例，若产品评价程度用于描述用户或者金融系统对金融产品的偏好情况，则较高的产品评价程度对应金融产品的受到的偏好情况较好，较低的产品评价程度对应金融产品的受到的偏好情况较差；若产品评价程度用于描述用户或者金融系统对金融产品的信任情况，则较高的产品评价程度对应金融产品的受到的信任情况较高，较低的产品评价程度对应金融产品的受到的信任情况较低；若产品评价程度用于描述用户或者金融系统对金融产品的购买量，则较高的产品评价程度对应金融产品的受到的购买量较高，较低的产品评价程度对应金融产品的受到的购买量较低。

在一些实施例中，金融产品的评价信息包括当前评价信息和历史评价信息，并且该评价信息基于对应的评价数值表征，例如评价信息A的当前评价信息为70％和历史评价信息为60％等等。

步骤S12：基于原料资源的历史准备信息和候选推荐产品的历史评价信息，在多种原料资源中，确定出匹配于各候选推荐产品的目标原料。

在一实施例中，原料资源的数量有多种，候选推荐产品的数量也有多种，并且在多种的原料资源和多种的候选推荐产品之间存在两两匹配的原料资源和候选推荐产品。

其中，该两两匹配的原料资源的准备信息对候选推荐产品的评价信息存在影响关系，即若原料资源的准备信息所对应的资源准备程度较高，则与之匹配的候选推荐产品的评价信息所对应的产品评价程度也会较高；若原料资源的准备信息所对应的资源准备程度较低，则与之匹配的候选推荐产品的评价信息所对应的产品评价程度也会较低。

在一实施例中，服务器对原料资源的历史准备信息和候选推荐产品的历史评价信息进行相关性分析，以在多种原料资源中，确定出匹配于各候选推荐产品的目标原料。

其中，原料资源的历史准备信息可以为原料资源在最近预设时间范围内的资源准备程度记录表，在该资源准备程度记录表中记录有各个日期关于原料资源的资源准备程度；候选推荐产品的历史评价信息可以为候选推荐产品在最近预设时间范围内的产品评价程度记录表，在该产品评价程度记录表中记录有各个日期关于候选推荐产品的产品评价程度。

其中，服务器基于多个原料资源在各个日期的资源准备程度和多个候选推荐产品在各个日期的产品评价程度进行相关性分析。

作为示例，若原料资源A在各个日期的资源准备程度呈现上升趋势，以及候选推荐产品B在各个日期的产品评价程度也相应的呈现上升趋势，则可以认为原料资源A和候选推荐产品B相匹配，即原料资源A为候选推荐产品B的目标原料。若原料资源C在各个日期的资源准备程度呈现上升趋势，以及候选推荐产品B在各个日期的产品评价程度不是相应的呈现上升趋势(包括相对于原料资源C为下降趋势、平稳趋势、波动趋势等)，则可以认为原料资源A和候选推荐产品B不匹配，即原料资源A不为候选推荐产品B的目标原料。

步骤S13：基于候选推荐产品的当前评价信息以及与候选推荐产品匹配的目标原料的当前准备信息，确定候选推荐产品的产品推荐程度。

在一实施例中，服务器根据原料资源的当前资源准备程度和候选推荐产品的当前产品评价程度进行综合评价，以根据综合评价结果确定候选推荐产品的产品推荐程度。

在一实施例中，若原料资源的当前资源准备程度和候选推荐产品的当前产品评价程度均比较高，则对应的综合评价结果较好；若原料资源的当前资源准备程度和候选推荐产品的当前产品评价程度均比较低，则对应的综合评价结果较差。

作为示例，原料资源A的当前资源准备程度为A1和候选推荐产品B的当前产品评价程度为B2，候选推荐产品B的产品推荐程度为B2；原料资源C的当前资源准备程度为C1和候选推荐产品D的当前产品评价程度为D2，候选推荐产品D的产品推荐程度为D2；原料资源E的当前资源准备程度为E1和候选推荐产品F的当前产品评价程度为F2，候选推荐产品F的产品推荐程度为F2；其中，A1＞C1＞E1，C1＞D1＞F1，则C2＞D2＞F2。

步骤S14：根据产品推荐程度，在多种候选推荐产品中确定出目标推荐产品，并通过金融系统对目标推荐产品进行推荐。

在一实施例中，服务器根据多种候选推荐产品对应的多个产品推荐程度之间的大小关系，在多种候选推荐产品中筛出目标推荐产品，以对目标推荐产品进行推荐。

其中，该大小关系可以为将产品推荐程度较大的预设数量个候选推荐产品作为目标推荐产品。

在其他实施例中，服务器根据多种候选推荐产品对应的多个产品推荐程度与预设程度之间的大小关系，在多种候选推荐产品中筛出目标推荐产品，以对目标推荐产品进行推荐。

其中，该预设程度可以为如多个产品推荐程度之间的平均程度，以及方差、标准差等统计数据所对应的统计程度等。

作为示例，多个产品推荐程度之间的平均程度为A1，有候选推荐产品B的产品推荐程度为B1、候选推荐产品C的产品推荐程度为C1、候选推荐产品D的产品推荐程度为D1，且B1＞A1＝D1＞C1，则服务器可以将候选推荐产品B和候选推荐产品D筛为目标推荐产品，并通过金融系统对目标推荐产品进行推荐。

上述的信息认证过程中，服务器首先获取原料资源的准备信息和候选推荐产品的评价信息；其中，候选推荐产品为金融系统中与原料资源相关联的金融产品，准备信息表征原料资源的原料准备程度，评价信息表征候选推荐产品的产品评价程度；基于原料资源的历史准备信息和候选推荐产品的历史评价信息，在多种原料资源中，确定出匹配于各候选推荐产品的目标原料；基于候选推荐产品的当前评价信息以及与候选推荐产品匹配的目标原料的当前准备信息，确定候选推荐产品的产品推荐程度；根据产品推荐程度，在多种候选推荐产品中确定出目标推荐产品，并通过金融系统对目标推荐产品进行推荐。这样，通过区别于现有技术的方式，利用候选推荐产品自身的评价信息和与候选推荐产品相匹配的原料资源的准备信息来确定候选推荐产品的产品推荐程度，以根据产品推荐程度对产品进行推荐。因此，在一方面，优化了产品推荐方式的流程，提升了分析用户对产品的偏好程度的有效性；在另一方面，有效避免了用户对产品的偏好程度受到原料资源的准备因素的影响，提升了所确定出的目标推荐产品的准确性，从而对该目标推荐产品进行推荐能够符合实际用户需求。

本领域技术人员可以理解地，在具体实施方式的上述方法中，所揭露的方法可以通过更为具体的方式以实现。例如，以上所描述的服务器根据产品推荐程度，在所述候选推荐产品中确定出目标推荐产品，并通过金融系统对目标推荐产品进行推荐的实施方式仅仅是示意性的。

示例性地，服务器在多种原料资源中，确定出匹配于各候选推荐产品的目标原料的方式；或者，服务器基于候选推荐产品的当前评价信息以及与候选推荐产品匹配的目标原料的当前准备信息，确定候选推荐产品的产品推荐程度的方式等等，其仅仅为一种集合的方式，实际实现时可以有另外的划分方式，例如原料资源的准备信息和候选推荐产品的评价信息之间可以结合或者可以集合到另一个系统中，或一些特征可以忽略，或不执行。

在一示例性实施例中，参阅图3，图3为本申请中获取原料资源的准备信息一实施例的流程示意图。在步骤S11中，服务器获取原料资源的准备信息的过程，可以通过以下方式实现：

步骤S111，针对农业作物资源，获取多个物候期的遥感图像。

在一实施例中，服务器通过遥感摄影相机拍摄关于农业作物资源在多个物候期内的遥感图像。

步骤S112，对遥感图像进行特征提取，得到针对农业作物资源的特征信息。

在一实施例中，服务器对遥感图像进行特征提取之前还需要对遥感图像进行预处理，得到预处理后的遥感图像，从而再对预处理后的遥感图像进行特征提取。

其中，预处理包括对遥感图像进行辐射定标处理、超分辨率合成处理。

在一实施例中，特征提取的过程包括服务器先对预处理后的遥感图像进行PCA主成分提取，得到作物特征变量。然后，再对作物特征变量进行波段指数特征提取，得到多种波段指数特征，并将波段指数特征作为农业作物资源的特征信息。

在某些实施例中，作物特征变量用于表征各种农业作物的类型特征。特征信息包括针对农业作物资源的波段指数特征。具体地，波段指数特征可以为农业作物的光谱特征、指数特征以及纹理特征。

其中，指数特征包括NDVI(植被指数)、REPI(植被红边指数)、MNDWI(水体指数)、BI(土壤亮度指数)、EVI(增强植被指数)等波段指数。

其中，NDVI通过农业作物中的多光谱图像的近红外波段数据和红外波段数据计算得到。

步骤S113，基于特征信息，得到农业作物资源的准备信息。

在一实施例中，服务器得到农业作物资源的准备信息之后还包括基于特征信息对农业作物资源进行资源分类，得到分类后的多种农业作物资源。然后，再基于特征信息对不同类型的农业作物资源进行资源准备程度识别，确定各种农业作物资源的资源准备程度，从而得到各种类型的农业作物资源的准备信息。

其中，资源分类包括服务器将农业作物资源的特征信息输入预训练的分类模型，通过分类模型对各种农业作物资源进行分类。其中，分类模型包括随机森林模型、支持向量机、神经网络模型中任意的一种训练得到。

在一实施例中，分类模型的训练和选择方式如下：

步骤1：通过人工实地调查与地图数据相结合，人工目视解译出不同的农业作物资源，并基于解译的不同的农业作物资源对获取的遥感图像进行人工标注。

步骤2：按照预设比例将标注好的遥感图像划分为训练集和测试集，分别使用随机森林网络、支持向量机、神经网络的方法对各种农业作物资源进行分类。

步骤3：计算随机森林、支持向量机、神经网络各自对应分类结果之间的混淆矩阵，以通过混淆矩阵对比三种方法的分类精度，并根据三种方法的分类精度从随机森林网络、支持向量机、神经网络中选择出分类精度最高的网络模型。

在一实施例中，服务器得到农业作物资源的准备信息，即确定各种农业作物资源的资源准备程度包括：对农业作物资源的波段指数特征进行归一化处理，确定农业作物资源的生长状态程度，并基于生长状态程度得到准备信息。

其中，生长状态程度用于表征农业作物的营养状况或者作物长势状况。

其中，由于不同农业作物对不同波段的特征数据的敏感程度不同，因此不同农业作物通过各自对应的特征信息来进行归一化处理，得到其生长状态程度。

其中，可以将归一化的植被指数NDVI作为农业作物的生长状态程度对应的数值。其中，NDVI的归一化处理计算公式为：NDVI＝((IR-R)/(IR+R))；其中，IR为红外波段的像素值，R为红光波段的像素值。

其中，归一化的植被指数NDVI的数值被限定在[-1，1]之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，IR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。

在一示例性实施例中，参阅图4，图4为本申请中获取候选推荐产品的评价信息一实施例的流程示意图。在步骤S11中，服务器获取候选推荐产品的评价信息的过程，可以执行以下方式：

步骤S114，获取候选推荐产品的交易数据。

在一实施例中，交易数据为金融系统对候选推荐产品执行预设的交易行为产生的金融数据。

其中，金融数据包括针对候选推荐产品统计的多张产品交易图像。其中，产品交易图像可以表征用户对金融系统的产品池中每一种金融产品所执行的至少一种交易行为数据。

在一些实施例中，交易行为数据包括：用户对各种金融产品的买卖频率、购买时间、咨询次数、点击查看次数、购买方式、购买平台、持有时间等。

在一些实施例中，产品交易图像可以为例如在最近六个月的交易时间点内关于金融产品的交易走势图像。

步骤S115，基于交易数据和交易行为对应的行为权重，确定候选推荐产品的评价信息。

在一实施例中，服务器首先对各种基交易行为配置对应的行为权重。然后，再利用交易数据和交易数据对应的交易行为的行为权重，加权计算用户关于产品池中各种金融产品的偏好度值。最后，对各种金融产品的偏好度值进行归一化处理，得到用户分别对各种金融产品的偏好分数，并将偏好分数作为候选推荐产品的评价信息。

其中，服务器可以利用TF-IDF(逆文本频率)算法，基于规则定义和数据统计的方式对用户购买金融产品的交易行为构建标签，再对各个交易行为的标签赋予预设的行为权重。

在一示例性实施例中，参阅图5，图5为本申请中确定目标原料一实施例的流程示意图。在步骤S12中，服务器基于原料资源的历史准备信息和候选推荐产品的历史评价信息，在多种原料资源中，确定出匹配于各候选推荐产品的目标原料的过程，可以执行以下方式：

步骤S121，基于历史准备信息和历史评价信息，确定原料资源与候选推荐产品之间的关联程度。

在一实施例中，服务器确定原料资源与候选推荐产品之间的关联程度，包括以下步骤：

步骤一：基于历史准备信息和历史评价信息，确定原料资源与候选推荐产品之间的皮尔逊相关系数。

步骤二：基于皮尔逊相关系数确定原料资源与候选推荐产品之间的关联程度。

作为示例，以A，B，C三种农业作物资源为例。服务器首先分别列出A，B，C三种农业作物资源的近10年的供应量和/或生产量与产品池中各金融产品近10年销售量和/或生产量的相关记录表；再根据皮尔逊相关系数的方法，计算得到A，B，C三种农业作物资源与各金融产品销售额的相关系数。最后，根据各个相关系数的大小，判定农业作物资源与金融产品之间的关联程度。

其中，相关系数的取值区间在1到-1之间。其中，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。其中，系数的取值越趋近于0表示两种物质之间的关联程度越弱，系数的取值越趋近于1表示两种物质之间的关联程度越强。

步骤S122，在多种原料资源中，将与各候选推荐产品之间关联程度最高的原料资源匹配为目标原料。

在一示例性实施例中，参阅图6，图6为本申请中确定产品推荐程度一实施例的流程示意图。在步骤S13中，服务器基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度的过程，可以执行以下方式：

步骤S131，对候选推荐产品的当前评价数值进行归一化处理，得到当前评价数值的第一归一化值。

步骤S132，对目标原料的当前准备数值进行归一化处理，得到当前准备数值的第二归一化值。

在一实施例中，归一化处理可以包括对数值进行min-max标准化处理(Min-MaxNormalization)或者Z-score标准化处理。其中，min-max标准化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间。而Z-score标准化给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化，以使经过处理的数据符合标准正态分布，即均值为0，标准差为1。

步骤S133，基于第一归一化值与第二归一化值之间的统计数据，确定候选推荐产品的产品推荐程度。

在一实施例中，服务器将各个候选推荐产品的第一归一化值和对应目标资源的第二归一化值进行加权和计算，得到针对各个候选推荐产品的产品推荐程度。

在一示例性实施例中，参阅图7，图7为本申请中确定出目标推荐产品一实施例的流程示意图。在步骤S13中，服务器根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品的过程，可以执行以下方式：

步骤S134，根据多种候选推荐产品所对应的多个产品推荐程度之间的统计数据，确定推荐阈值。

在一实施例中，多个产品推荐程度之间的统计数据可以为多个产品推荐程度对应的数值之间的平均值、方差值、标准差值等统计数值，并将统计数值作为推荐阈值。

步骤S135，在多种候选推荐产品中，将产品推荐数值大于推荐阈值的候选推荐产品确定为目标推荐产品。

其中，产品推荐数值X∈(0，1)，且若X越接近1，则对应目标推荐产品的推荐程度越高。

为了更清晰阐明本公开实施例提供的产品推荐方法，以下以一个具体的实施例对该产品推荐方法进行具体说明。在一示例性实施例中，参考图8，图8为根据另一示例性实施例示出的一种产品推荐方法的流程图，该产品推荐方法用于如图1所述的服务器中，具体包括如下内容：

步骤S31：获取各个物候期的农业作物的遥感卫星数据，并对遥感卫星数据做预处理，得到农业作物数据。

其中，预处理包括辐射定标处理、超分辨率合成处理。

其中，农业作物数据包括关于多种农业作物图。

步骤S32：对农业作物数据进行PCA主成分分析，得到作物特征变量。

其中，作物特征变量与多种农业作物的类型相关。

步骤S33：基于作物特征变量对农业作物数据进行特征提取，得到农业作物的特征信息。

其中，特征信息包括农业作物的光谱特征、指数特征以及纹理特征。

其中，指数特征包括NDVI(植被指数)、REPI(植被红边指数)、MNDWI(水体指数)、BI(土壤亮度指数)、EVI(增强植被指数)等波段指数。

其中，NDVI通过农业作物数据中的多光谱图像的近红外波段数据和红外波段数据计算得到。

步骤S34：将农业作物的特征信息输入预训练的分类模型，通过分类模型对各种农业作物进行分类，得到分类后的多种农业作物。

其中，分类模型包括随机森林模型、支持向量机、神经网络模型中任意的一种训练得到。

其中，分类模型的训练和选择方式如下：

步骤S1：通过人工实地调查与地图数据相结合，人工目视解译出不同的农业作物，并对获取的遥感数据进行人工标注。

步骤S2：按照预设比例将标注好的遥感图像划分为训练集和测试集，分别使用随机森林、支持向量机、神经网络的方法对各种农业作物进行分类。

步骤S3：计算随机森林、支持向量机、神经网络各自对应分类结果之间的混淆矩阵，以通过混淆矩阵对比三种方法的分类精度，选择分类精度最高的方法。

步骤S35：分别对各种农业作物的特征信息进行归一化处理，得到每一种农业作物的长势评价分数。

其中，长势评价分数用于表征农业作物的营养状况。

其中，由于不同农业作物对不同波段的特征数据的敏感程度不同，因此不同农业作物通过各自对应的特征信息来进行归一化处理，得到其长势评价分数。

其中，可以将归一化的植被指数NDVI作为农业作物的长势评价分数。其中，NDVI的归一化处理计算公式为：NDVI＝((IR-R)/(IR+R))；其中，IR为红外波段的像素值，R为红光波段的像素值。

其中，归一化的植被指数NDVI的数值被限定在[-1，1]之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，IR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。

步骤S36：将各种农业作物分别与各种下游产品进行相关性分析，得到每一种农业作物分别与各种下游产品的相关度。

其中，可以通过相关系数方法执行农业作物与下游产品的相关性分析。

其中，相关性分析过程：以A，B，C三种农业作物举例，列出A，B，C农业作物的近10年的产量与各下游产品近10年销售额(或者生产量)的相关表，根据皮尔逊相关系数的方法，计算得到A，B，C三种农业作物与各下游产品销售额的相关系数。其中，根据相关系数的大小，可以判定农业作物与下游产品之间的相关程度。

其中，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越趋近于0表示相关关系越弱。

步骤S37，在各种农业作物中，分别选择出与各种下游产品的相关度最高的目标农业作物。

步骤S38：获得多个用户对各种下游产品的消费信息数据。

其中，消费信息数据包括多张曾经消费的下游产品和对应下游产品消费数据。

其中，下游产品消费数据包括在最近六个月的时间点内关于消费下游产品的行为和统计图像。

其中，消费下游产品的行为和统计图像表征用户对每一种下游产品所执行的至少一种行为数据。

其中，对于用户对下游产品的行为数据包括：买卖频率，购买时间，咨询次数，点击查看次数，购买方式，购买平台等。

步骤S39：根据各种下游产品对应行为数据的预设权重，加权计算用户关于各种下游产品的偏好度值。

步骤S40：对各种下游产品的偏好度值进行归一化处理，得到用户分别对各种下游产品的偏好分数。

步骤S41：将各种下游产品的偏好评价分数与下游产品对应的目标农作物的长势评价分数进行数据融合，得到针对各种下游产品的推荐分数。

其中，数据融合的过程为：对偏好评价分数进行归一化处理，得到第一处理值，以及，对长势评价分数进行归一化处理，得到第二处理值；将第一处理值和第二处理值之间的平均值作为推荐分数。

其中，推荐分数的值X∈(0，1)，且若X越接近1，则对应下游产品的推荐程度越高。

步骤S42：在各种下游产品中，选择出对应推荐分数高于平均推荐分数的目标下游产品，并将目标下游产品向用户推荐。

这样，通过区别于现有技术的方式，利用候选推荐产品自身的评价信息和与候选推荐产品相匹配的原料资源的准备信息来确定候选推荐产品的产品推荐程度，以根据产品推荐程度对产品进行推荐。因此，在一方面，优化了产品推荐方式的流程，提升了分析用户对产品的偏好程度的有效性；在另一方面，有效避免了用户对产品的偏好程度受到原料资源的准备因素的影响，提升了所确定出的目标推荐产品的准确性，从而对该目标推荐产品进行推荐能够符合实际用户需求。

应该理解的是，虽然图2-图8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，这些步骤可以以其它的顺序执行。而且，图2-图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

图9是本申请实施例提供的一种产品推荐装置框图。参照图9，该产品推荐装置20包括：信息获取单元21、原料筛选单元22、推荐程度单元23和产品推荐单元24。

其中，信息获取单元21，被配置为执行获取原料资源的准备信息和候选推荐产品的评价信息；所述候选推荐产品为金融系统中与所述原料资源相关联的金融产品，所述准备信息表征所述原料资源的原料准备程度，所述评价信息表征所述候选推荐产品的产品评价程度；

其中，原料筛选单元22，被配置为执行基于所述原料资源的历史准备信息和所述候选推荐产品的历史评价信息，在多种所述原料资源中，确定出匹配于各所述候选推荐产品的目标原料；

其中，推荐程度单元23，被配置为执行基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度；

其中，产品推荐单元24，被配置为执行根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品，并通过所述金融系统对所述目标推荐产品进行推荐。

在一示例性实施例中，所述基于所述原料资源的历史准备信息和所述候选推荐产品的历史评价信息，在多种所述原料资源中，确定出匹配于各所述候选推荐产品的目标原料，包括：

基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的关联程度；

在多种所述原料资源中，将与各所述候选推荐产品之间关联程度最高的原料资源匹配为目标原料。

在一示例性实施例中，所述基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的关联程度，包括：

基于所述历史准备信息和所述历史评价信息，确定所述原料资源与所述候选推荐产品之间的皮尔逊相关系数；

基于所述皮尔逊相关系数确定所述原料资源与所述候选推荐产品之间的关联程度。

在一示例性实施例中，所述当前评价信息基于当前评价数值表征，所述当前准备信息基于当前准备数值表征；所述基于所述候选推荐产品的当前评价信息以及与所述候选推荐产品匹配的目标原料的当前准备信息，确定所述候选推荐产品的产品推荐程度，包括：

对所述候选推荐产品的当前评价数值进行归一化处理，得到所述当前评价数值的第一归一化值；以及

对所述目标原料的当前准备数值进行归一化处理，得到所述当前准备数值的第二归一化值；

基于所述第一归一化值与所述第二归一化值之间的统计数据，确定所述候选推荐产品的产品推荐程度。

在一示例性实施例中，所述根据所述产品推荐程度，在多种所述候选推荐产品中确定出目标推荐产品，包括：

根据多种所述候选推荐产品所对应的多个所述产品推荐程度之间的统计数据，确定推荐阈值；

在多种所述候选推荐产品中，将所述产品推荐数值大于所述推荐阈值的候选推荐产品确定为目标推荐产品。

在一示例性实施例中，所述原料资源为农业作物资源；所述获取原料资源的准备信息，包括：

针对所述农业作物资源，获取多个物候期的遥感图像；

对所述遥感图像进行特征提取，得到针对所述农业作物资源的特征信息；

基于所述特征信息，得到所述农业作物资源的准备信息。

在一示例性实施例中，所述特征信息包括针对所述农业作物资源的波段指数特征；所述得到所述农业作物资源的准备信息，包括：

对所述农业作物资源的波段指数特征进行归一化处理，确定所述农业作物资源的生长状态程度，并基于所述生长状态程度得到所述准备信息。

在一示例性实施例中，获取候选推荐产品的评价信息，包括：

获取所述候选推荐产品的交易数据；所述交易数据为所述金融系统对所述候选推荐产品执行预设的交易行为产生的金融数据；

基于所述交易数据和所述交易行为对应的行为权重，确定所述候选推荐产品的评价信息。

图10是本申请实施例提供的一种服务器30的框图。例如，服务器30可以为一种电子设备、电子组件或者服务器阵列等等。参照图10，服务器30包括处理器31，其进一步处理器31可以为处理器集合，其可以包括一个或多个处理器，以及服务器30包括由存储器32所代表的存储器资源，其中，存储器32上存储有计算机程序，例如应用程序。在存储器32中存储的计算机程序可以包括一个或一个以上的每一个对应于一组可执行指令的模块。此外，处理器31被配置为执行可执行指令时实现如上述的产品推荐方法。

在一些实施例中，服务器30为电子设备，该电子设备中的计算系统可以运行一个或多个操作系统，包括以上讨论的任何操作系统以及任何商用的服务器操作系统。该服务器30还可以运行各种附加服务器应用和/或中间层应用中的任何一种，包括HTTP(超文本传输协议)服务器、FTP(文件传输协议)服务器、CGI(通用网关界面)服务器、超级服务器、数据库服务器等。示例性数据库服务器包括但不限于可从(国际商业机器)等商购获得的数据库服务器。

在一些实施例中，处理器31通常控制服务器30的整体操作，诸如与显示、数据处理、数据通信和记录操作相关联的操作。处理器31可以包括一个或多个处理器组件来执行计算机程序，以完成上述的方法的全部或部分步骤。此外，处理器组件可以包括一个或多个模块，便于处理器组件和其他组件之间的交互。例如，处理器组件可以包括多媒体模块，以方便利用多媒体组件控制用户服务器30和处理器31之间的交互。

在一些实施例中，处理器31中的处理器组件还可以称为CPU(Central ProcessingUnit，中央处理单元)。处理器组件可能是一种电子芯片，具有信号的处理能力。处理器还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器组件等。另外，处理器组件可以由集成电路芯片共同实现。

在一些实施例中，存储器32被配置为存储各种类型的数据以支持在服务器30的操作。这些数据的示例包括用于在服务器30上操作的任何应用程序或方法的指令、采集数据、消息、图片、视频等。存储器32可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。

在一些实施例中，存储器32可以为内存条、TF卡等，可以存储服务器30中的全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器32中。在一些实施例中，它根据处理器指定的位置存入和取出信息。在一些实施例中，有了存储器32，服务器30才有记忆功能，才能保证正常工作。在一些实施例中，服务器30的存储器32按用途可分为主存储器(内存)和辅助存储器(外存)，也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。

在一些实施例中，服务器30还可以包括：电源组件33被配置为执行服务器30的电源管理，有线或无线网络接口34被配置为将服务器30连接到网络，和输入输出(I/O)接口35。服务器30可以操作基于存储在存储器32的操作系统，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD或类似。

在一些实施例中，电源组件33为服务器30的各种组件提供电力。电源组件33可以包括电源管理系统，一个或多个电源，及其他与为服务器30生成、管理和分配电力相关联的组件。

在一些实施例中，有线或无线网络接口34被配置为便于服务器30和其他设备之间有线或无线方式的通信。服务器30可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。

在一些实施例中，有线或无线网络接口34经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，有线或无线网络接口34还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在一些实施例中，输入输出(I/O)接口35为处理器31和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

本申请实施例提供的一种计算机可读存储介质的框图。该计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述的产品推荐方法。

在本申请各个实施例中的各功能单元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，可以存储在计算机可读存储介质中。基于这样的理解，本申请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，该计算机可读存储介质在一个计算机程序中，包括若干指令用以使得一台服务器(可以是个人计算机，系统服务器，或者网络设备等)、电子设备(例如MP3、MP4等，也可以是手机、平板电脑、可穿戴设备等智能终端，也可以是台式电脑等)或者处理器(processor)以执行本申请各个实施方式方法的全部或部分步骤。

本申请实施例提供的一种计算机程序产品的框图。该计算机程序产品中包括程序指令，该程序指令可由服务器的处理器执行以实现如上述的产品推荐方法。

本领域内的技术人员应明白，本申请的实施例可提供有产品推荐方法、产品推荐装置20、服务器30、计算机可读存储介质或计算机程序产品。因此，本申请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，本申请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程序指令(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。

本申请是参照根据本申请实施例中产品推荐方法、产品推荐装置20、服务器30、计算机可读存储介质或计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序产品实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序产品到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的程序指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序产品也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机程序产品中的程序指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的程序指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的，上述的各种方法、装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。