产品推荐方法、装置、设备、存储介质和程序产品

技术领域

本申请涉及大数据技术领域，特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着经济的发展，越来越多的资源产品投入市场。面对数量庞大的资源产品，普通对象很难选择符合要求的资源产品。

目前，常用的资源产品推荐方法是通过分析各类资源产品的历史资源信息，根据分析结果预测该资源产品的未来走势，将未来走势表现良好的资源产品推荐给对象。

然而，这类资源产品推荐方法仅考虑资源产品的历史资源信息，忽略了外部因素(例如，资源管理方的资源偏好数据、市场变动趋势指标等等)对资源产品未来走势的影响作用，导致推荐的资源产品精度较低，无法满足对象需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高资源产品推荐准确性的产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。

第一方面，本申请提供了一种产品推荐方法。所述方法包括：

获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据；

基于所述第一特征数据和多个所述第二特征数据，确定所述对象与每个资源管理方的第一匹配度；

基于所述第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定所述对象与每个资源产品之间的第二匹配度；

基于所述第一匹配度和所述第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数；

根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将所述目标资源产品推荐至所述对象。

在其中一个实施例中，所述第一特征数据包括对象的属性数据和历史行为数据，所述第二特征数据包括资源管理方的属性数据和资源偏好数据；所述基于所述第一特征数据和多个所述第二特征数据，确定所述对象与每个资源管理方的第一匹配度，包括：

基于预先训练好的第一预测模型，对所述第一特征数据进行处理，得到所述对象的行为偏好画像；

确定所述行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，并将所述第一相似度作为所述对象与各资源管理方的第一匹配度。

在其中一个实施例中，所述第一特征数据包括对象的属性数据和历史行为数据，所述基于所述第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定所述对象与每个资源产品之间的第二匹配度，包括：

基于预先训练好的第二预测模型，对所述第一特征数据进行处理，得到所述对象的资源偏好特征；

确定所述资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，并将所述第二相似度作为所述对象与各资源管理方所管理的资源产品之间的第二匹配度。

在其中一个实施例中，所述根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将所述目标资源产品推荐至所述对象，包括：

按照从大到小的顺序对每个资源管理方所管理的资源产品的推荐系数进行排序，根据排序结果选取至少一个资源产品，将选取的资源产品作为目标资源产品；

根据选取的资源产品的排序顺序，将所述目标资源产品推荐至所述对象。

在其中一个实施例中，所述历史行为数据包括所述对象的历史管理模式特征，所述方法还包括：

获取第一训练样本，每个第一训练样本包括对象的属性数据、所述对象的历史管理模式特征和第一标签；所述第一标签用于标注所述历史管理模式特征内至少一个特征；

通过第一初始模型对所述第一训练样本进行处理，得到对象的预测行为偏好画像；

基于所述预测行为偏好画像与所述第一标签之间的差异，调整所述第一初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第一预测模型。

在其中一个实施例中，所述历史行为数据包括所述对象的历史资源偏好特征，所述方法还包括：

获取第二训练样本，每个第二训练样本包括对象的属性数据、所述对象的历史资源偏好特征和第二标签；所述第二标签用于标注所述历史资源偏好特征内至少一个特征；

通过第二初始模型对所述第二训练样本进行处理，得到对象的预测资源偏好特征；

基于所述预测资源偏好特征与所述第二标签之间的差异，调整所述第二初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第二预测模型。

第二方面，本申请还提供了一种产品推荐装置。所述装置包括：

一种产品推荐装置，所述装置包括：

获取模块，用于获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据；

第一匹配模块，用于基于所述第一特征数据和多个所述第二特征数据，确定所述对象与每个资源管理方的第一匹配度；

第二匹配模块，用于基于所述第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定所述对象与每个资源产品之间的第二匹配度；

确定模块，用于基于所述第一匹配度和所述第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数；

推荐模块，用于根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将所述目标资源产品推荐至所述对象。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述产品推荐方法的步骤。

第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述产品推荐方法的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述产品推荐方法的步骤。

上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据，基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度，基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度，基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数，根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象。上述过程中，推荐系数是根据对象与每个资源管理方的第一匹配度以及对象与每个资源产品之间的第二匹配度确定的，即考虑了资源管理方的特征和资源产品的属性对目标资源产品的影响作用，提高推荐的准确性和精度。

附图说明

图1为一个实施例中产品推荐方法的应用环境图；

图2为一个实施例中产品推荐方法的流程示意图；

图3为一个实施例中产品推荐方法的数据流向图；

图4为一个实施例中第一预测模型的应用示意图；

图5为一个实施例中第二预测模型的应用示意图；

图6为一个实施例中第一预测模型和第二预测模型的应用和训练示意图；

图7为一个实施例中产品推荐装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

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服务器上。终端102从服务器104上获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据；终端102基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度；终端102基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度；终端102基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数；终端102根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象。

在其他实施例中，也可以是服务器104从本地或者其他服务器获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据，并执行上述过程，以得到目标资源产品，并将目标资源产品推荐至对象。

其中，终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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。

在一个实施例中，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中的计算机设备(终端102或者服务器104)为例进行说明，包括以下步骤：

步骤202，获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据。

其中，对象，指在市场中购买和持有资源产品的用户。

对象的第一特征数据，指在描述或分析对象时，所使用的关于对象的基本特征和背景信息。对象的第一特征数据用于反映对象的基本情况、需求和行为。第一特征数据包括对象的属性数据和历史行为数据，其中，属性数据包括对象的经济实力水平、风险评估等级等；历史行为数据包括对象的历史管理模式特征以及历史资源偏好特征，其中，历史管理模式特征是根据对象对历史持有资源的管理所提取的特征，包括：历史所选资源管理方的平均管理年限、历史所选资源管理方的平均管理规模、主要持有资源类型、偏好行业、偏好资源类型、风险回报偏好、回报稳定偏好。历史资源偏好特征是根据对象历史持有资源的特征提取的，包括资金产品来源渠道、资源交换行为、资源交换平台、资源交换领域和资源配置对象；

资源管理方，指负责管理和运作资源的专业人员，通常具有丰富的资源管理经验和专业知识，通过分析和研究市场、行业、公司等因素，制定资源管理策略，调整资源管理组合，以实现资源的管理目标。

资源管理方的第二特征数据，指反映资源管理方的基本特征、资源管理经验以及当前的资源偏好的数据，可以用来评估资源管理方的资源管理能力。资源管理方的第二特征数据包括资源管理方的属性数据和资源偏好数据，其中，资源管理方的属性数据包括管理经验年限、资源管理规模和能力评分，可以根据各项管理表现度量指标进行加权求和，得到该资源管理方的能力评分，各项管理表现度量指标包括最大回报、最大回撤、年化回报以及近一月、近一季度和近一年的管理回报表现。资源管理方的资源偏好数据包括主要管理类型、主要管理领域、主要管理类型、风险回报偏好、回报稳定性。

资源产品，指通过集合、管理和运用各种资源，以实现特定目标的产品。

资源产品的产品属性数据，指描述资源产品特点、性能和特征的数据，用于反映资源产品的本质属性和特征，包括资源产品的组成、结构、功能、性能等方面的信息。例如，资源产品的产品属性数据包括资金产品来源渠道、资源交换行为、资源交换平台、资源交换领域和资源配置对象。

具体地，计算机设备通过数据获取工具获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据。

在一些实施例中，获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据以后，对获取的数据进行数据清洗和数据结构化处理，处理后的结果用于下文计算第一匹配度和第二匹配度。

其中，对获取的对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据进行数据清洗，具体包括缺失值清洗、格式内容清洗、逻辑错误清洗。

通过数据格式化方法，对对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据分别设置字典值。具体地，分别将对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据构建为一条数据。例如，资源管理方甲(管理年限，管理规模，能力评分，主要管理类型、主要管理领域、主要管理类型、风险回报偏好、回报稳定性)对应(3.25，500000000，96，混合型，农业，所有权凭证，高风险高回报，高回报低稳定)，并根据字典值将其结构化。将一个资源管理方的第二特征数据作为一个数据集a。

同样地，将每个资源管理方所管理的资源产品的产品属性数据也构建为一条对应的结构化数据，作为数据集b。

步骤204，基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度。

具体地，图3为一个实施例中产品推荐方法的数据流向图，参照图3可知，计算机设备计算对象的第一特征数据与每个资源管理方的第二特征数据之间的匹配度，将该匹配度作为对象与每个资源管理方的第一匹配度。

步骤206，基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度。

具体地，如图3所示，计算机设备计算对象的第一特征数据与每个资源管理方所管理的资源产品的产品属性特征之间的匹配度，将该匹配度作为对象与每个资源产品之间的第二匹配度。

步骤208，基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数。

具体地，如图3所示，计算机设备按照数学模型或预设的计算方式对第一匹配度和第二匹配度进行处理，处理结果作为每个资源管理方所管理的资源产品的推荐系数。例如，计算机设备将第一匹配度和第二匹配度之间的乘积结果，作为每个资源管理方所管理的资源产品的推荐系数。例如，计算机设备将第一匹配度和第二匹配度之间的加权求和结果，作为每个资源管理方所管理的资源产品的推荐系数。

步骤210，根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象。

其中，目标资源产品包含至少一个资源产品。在将目标资源产品推荐至对象时，不仅可以将目标资源产品推荐至对象，还可以将目标资源产品对应的资源管理方一起推荐至对象，使得对象可以选择合适的资源产品以及资源管理方。本申请实施例，通过目标资源产品，可以帮助对象从风格不同的多个资源管理方以及多个资源产品中，挑选出目标资源产品，该目标资源产品不仅包含与对象匹配的资源产品，还包括与对象匹配的资源管理方，可以更好地满足对象的需求，进而提高对象的粘性。

具体地，计算机设备根据每个资源管理方所管理的资源产品的推荐系数，安装预设筛选规则选择至少一个资源产品作为目标资源产品，并将目标资源产品推荐至对象。其中，预设筛选规则可以是按照从大到小的顺序从多个资源产品中选择至少一个资源产品作为目标资源产品，或者，可以根据对象的资源偏好从每个资源管理方所管理的资源产品中选取符合对象的资源偏好的候选资源产品，从多个候选资源产品中按照推荐系数从大到小的顺序，从多个候选资源产品选择至少一个候选资源产品作为目标资源产品。

上述产品推荐方法中，获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据，基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度，基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度，基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数，根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象。上述过程中，推荐系数是根据对象与每个资源管理方的第一匹配度以及对象与每个资源产品之间的第二匹配度确定的，即考虑了资源管理方的特征和资源产品的属性对目标资源产品的影响作用，提高推荐的准确性和精度。

在一个实施例中，基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度，包括：

基于预先训练好的第一预测模型，对第一特征数据进行处理，得到对象的行为偏好画像；确定行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，并将第一相似度作为对象与各资源管理方的第一匹配度。

其中，第一预测模型是根据对象的历史管理行为、资源偏好、个人的属性数据等多个维度训练得到的，用于根据对象的第一特征数据，生成对象的行为偏好画像。第一预测模型可以是深度神经网络模型。

对象的行为偏好画像，指刻画对象的未来的管理需求、管理风格、风险偏好等信息的模型。

资源管理方的第二特征数据，反映了资源管理方的基本特征、资源管理经验以及当前的资源偏好，换言之，第二特征数据可以用来描述资源管理方的行为特征。因此，基于对象的行为偏好特征与资源管理方的第二特征数据之间的第一相似度，可以确定为对象与资源管理方间的行为特征相似度。

具体地，图4为一个实施例中第一预测模型的应用示意图，如图4所示，计算机设备基于预先训练好的第一预测模型，对第一特征数据进行处理，根据第一特征数据内的属性数据预测得到对象的行为偏好画像，计算机设备计算行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，并将第一相似度作为对象与各资源管理方的第一匹配度。

在一些实施例中，可以通过相似算法计算对象的行为偏好特征与资源管理方的第二特征数据之间的第一相似度。例如，可以通过Jaccard系数(雅卡尔系数)表示对象的行为偏好特征与资源管理方的第二特征数据之间的第一相似度，Jaccard系数越大，相似度越高。

例如，将对象的行为偏好画像作为一个数据集A，将一个资源管理方的第二特征数据作为一个数据集a，则对象的行为偏好特征与资源管理方的第二特征数据之间的第一相似度J

本实施例中，通过预先训练好的第一预测模型，对第一特征数据进行处理，得到对象的行为偏好画像，将行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，作为对象与各资源管理方的第一匹配度。上述过程中，利用预先训练好的第一预测模型，可以更好地提取和分析对象的行为偏好，从而更准确地匹配到与之相符合的资源管理方，提高匹配的精准度和满意度。

在一个实施例中，基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度，包括：

基于预先训练好的第二预测模型，对第一特征数据进行处理，得到对象的资源偏好特征；确定资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，并将第二相似度作为对象与各资源管理方所管理的资源产品之间的第二匹配度。

其中，第二预测模型是根据对象的历史管理行为、资源偏好、个人的属性数据等多个维度训练得到的，用于根据对象的第一特征数据，生成对象的资源偏好特征。第二预测模型可以是深度神经网络模型。

对象的资源偏好特征，指刻画对象的未来资源偏好等信息的模型。

资源产品的产品属性特征，反映了资源产品的基本特征等。基于对象的资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，可以确定为对象与资源产品间的特征相似度。

具体地，图5为一个实施例中第二预测模型的应用示意图，如图5所示，计算机设备基于预先训练好的第二预测模型，对第一特征数据进行处理，根据第一特征数据内的属性数据预测得到资源产品的资源偏好特征，计算机设备计算资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，并将第二相似度作为对象与各资源管理方的第二匹配度。

在一些实施例中，可以通过相似算法计算对象的资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度。例如，可以通过Jaccard系数(雅卡尔系数)表示对象的资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，Jaccard系数越大，相似度越高。

例如，将对象的资源偏好特征作为一个数据集B，将一个资源管理方所管理的一个资源产品的产品属性特征作为一个数据集b，则对象的资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度J

本实施例中，通过预先训练好的第二预测模型，对第一特征数据进行处理，得到对象的资源偏好特征，将资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，作为对象与各资源管理方所管理的资源产品之间的第二匹配度。上述过程中，利用预先训练好的第二预测模型，可以更好地提取和分析对象的资源偏好，从而更准确地匹配到与之相符合的资源产品，提高匹配的精准度和满意度。

在一个实施例中，根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象，包括：

按照从大到小的顺序对每个资源管理方所管理的资源产品的推荐系数进行排序，根据排序结果选取至少一个资源产品，将选取的资源产品作为目标资源产品；根据选取的资源产品的排序顺序，将目标资源产品推荐至对象。

具体地，计算机设备按照每个资源管理方所管理的资源产品的推荐系数从大到小的顺序，对资源产品进行排序，从排序结果中选取前k个资源产品，作为目标资源产品，根据选取的资源产品的排序顺序，将目标资源产品推荐至对象。其中，k为大于等于1的自然数。

例如，若存在10个资源管理方，每个资源管理方均管理10个资源产品，即存在100个资源产品，那么对象与每个资源管理方对应有一个第一匹配度，与每个资源产品对应有一个第二匹配度，按照第一匹配度和第二匹配度之间的乘积，确定每个资源产品的推荐系数，即存在100个推荐系数，将这100个资源产品按照推荐系数从大到小的顺序排序，根据排序结果，从100个资源产品中选取k个资源产品作为目标资源产品，并将目标资源产品推荐至对象。其中，k为大于等于1的自然数。

本实施例中，按照从大到小的顺序对每个资源管理方所管理的资源产品的推荐系数进行排序，根据排序结果选取至少一个资源产品，将选取的资源产品作为目标资源产品，根据选取的资源产品的排序顺序，将目标资源产品推荐至对象。上述过程中，可以优先选择推荐系数高的资源产品，这些资源产品更可能与对象的需求相符合，进而提高推荐的针对性，另外，推荐系数高的资源产品往往具有更高的质量和可信度，因此将推荐系数高的资源产品作为目标资源产品推荐给对象，可以提高推荐的可信度，增加用户对推荐的信任度。

在一个实施例中，产品推荐方法还包括：

获取第一训练样本，每个第一训练样本包括对象的属性数据、对象的历史管理模式特征和第一标签，第一标签用于标注历史管理模式特征内至少一个特征；通过第一初始模型对第一训练样本进行处理，得到对象的预测行为偏好画像；基于预测行为偏好画像与第一标签之间的差异，调整第一初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第一预测模型。

其中，第一标签，用于标注对象的历史管理模式特征中至少一个数据，历史管理模式特征中未被第一标签标注的数据参与第一预测模型的训练。例如，将历史管理模式特征中偏好行业、偏好资源类型、回报稳定偏好作为第一标签，将历史管理模式特征中剩余数据参与第一预测模型的训练，相应地，在第一预测模型应用时，通过第一预测模型对对象的属性数据以及对象的历史管理模式特征中历史所选资源管理方的平均管理年限、历史所选资源管理方的平均管理规模、主要持有资源类型和风险回报偏好进行处理，得到对象的行为偏好画像。在一些实施例中，对于新的对象，该对象不存在历史管理模式特征，也可以通过第一预测模型根据新的对象的属性数据，预测新的对象的行为偏好画像。

具体地，图6为一个实施例中第一预测模型和第二预测模型的应用和训练示意图，如图6所示，计算机设备获取多个对象的属性数据和历史管理模式特征，将历史管理模式特征内至少一个特征作为第一标签，根据对象的属性数据、对象的历史管理模式特征以及对应的第一标签建立一个第一训练样本，将获得的多个第一训练样本作为训练数据集。计算机设备基于深度学习算法建立对象未来行为偏好画像预测模型的第一初始模型，根据训练数据集训练第一初始模型，得到对象的预测行为偏好画像。计算机设备计算预测行为偏好画像与第一标签之间的差异，根据该差异调整第一初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第一预测模型。其中，训练停止条件可以是迭代次数达到预设次数，或者预测行为偏好画像与第一标签之间的差异小于预设误差。

本实施例中，通过训练第一初始模型并不断调整模型参数，可以使得第一初始模型的预测结果更接近真实情况，提高第一预测模型的预测准确性。

在一个实施例中，产品推荐方法还包括：

获取第二训练样本，每个第二训练样本包括对象的属性数据、对象的历史资源偏好特征和第二标签，第二标签用于标注历史资源偏好特征内至少一个特征；通过第二初始模型对第二训练样本进行处理，得到对象的预测资源偏好特征；基于预测资源偏好特征与第二标签之间的差异，调整第二初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第二预测模型。

其中，第二标签，用于标注对象的历史资源偏好特征中至少一个数据，历史资源偏好特征中未被第二标签标注的数据参与第二预测模型的训练。例如，将历史资源偏好特征中资源交换平台、资源交换领域作为第二标签，将历史资源偏好特征中剩余数据参与第二预测模型的训练，相应地，在第二预测模型应用时，通过第二预测模型对对象的属性数据以及对象的历史资源偏好特征中资金产品来源渠道、资源交换行为和资源配置对象进行处理，得到对象的资源偏好特征。在一些实施例中，对于新的对象，该对象不存在历史资源偏好特征，也可以通过第二预测模型根据新的对象的属性数据，预测新的对象的资源偏好特征。

具体地，如图6所示，计算机设备获取多个对象的属性数据和历史资源偏好特征，将历史资源偏好特征中至少一个特征作为第二标签，根据对象的属性数据、历史资源偏好特征以及对应的第二标签建立一个第二训练样本，将获得的多个第二训练样本作为训练数据集。计算机设备基于深度学习算法建立对象未来资源偏好预测模型的第二初始模型，根据训练数据集训练第二初始模型，得到对象的预测资源偏好特征。计算机设备计算预测资源偏好特征与第二标签之间的差异，根据该差异调整第二初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第二预测模型。其中，训练停止条件可以是迭代次数达到预设次数，或者预测资源偏好特征与第二标签之间的差异小于预设误差。

本实施例中，通过训练第二初始模型并不断调整模型参数，可以使得第二初始模型的预测结果更接近真实情况，提高第二预测模型的预测准确性。

在一个详细的实施例中，产品推荐方法包括以下步骤：

一、获取第一训练样本，每个第一训练样本包括对象的属性数据和用于标注对象的历史管理模式特征的第一标签。

二、通过第一初始模型对第一训练样本进行处理，得到对象的预测行为偏好画像。

三、基于预测行为偏好画像与第一标签之间的差异，调整第一初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第一预测模型。

四、获取第二训练样本，每个第二训练样本包括对象的属性数据和用于标注对象的历史资源偏好特征的第二标签。

五、通过第二初始模型对第二训练样本进行处理，得到对象的预测资源偏好特征。

六、基于预测资源偏好特征与第二标签之间的差异，调整第二初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第二预测模型。

七、获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据。

八、基于预先训练好的第一预测模型，对第一特征数据进行处理，得到对象的行为偏好画像。

九、确定行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，并将第一相似度作为对象与各资源管理方的第一匹配度。

十、基于预先训练好的第二预测模型，对第一特征数据进行处理，得到对象的资源偏好特征。

十一、确定资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，并将第二相似度作为对象与各资源管理方所管理的资源产品之间的第二匹配度。

十二、基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数。

十三、按照从大到小的顺序对每个资源管理方所管理的资源产品的推荐系数进行排序，根据排序结果选取至少一个资源产品，将选取的资源产品作为目标资源产品。

十四、根据选取的资源产品的排序顺序，将目标资源产品推荐至对象。

本实施例中，通过学习已持仓对象的历史行为数据，能够对新对象的可能行为偏好进行预测，并通过分析提取资源管理方的资源管理模式，帮助对象从风格不同的多个资源管理方以及多个资源产品中，挑选出推荐系数最高的资源管理方和资源产品，满足对象的实际需求，节约对象选择资源产品的时间，提高对象的粘性。

应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品推荐方法的产品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种产品推荐装置，包括：

获取模块701，用于获取对象的第一特征数据、多个资源管理方的第二特征数据、以及每个资源管理方所管理的资源产品的产品属性数据；

第一匹配模块702，用于基于第一特征数据和多个第二特征数据，确定对象与每个资源管理方的第一匹配度；

第二匹配模块703，用于基于第一特征数据和每个资源管理方所管理的资源产品的产品属性特征，确定对象与每个资源产品之间的第二匹配度；

确定模块704，用于基于第一匹配度和第二匹配度，确定每个资源管理方所管理的资源产品的推荐系数；

推荐模块705，用于根据每个资源管理方所管理的资源产品的推荐系数，确定目标资源产品，并将目标资源产品推荐至对象。

在其中一个实施例中，第一特征数据包括对象的属性数据和历史行为数据，第二特征数据包括资源管理方的属性数据和资源偏好数据；第一匹配模块702，还用于基于预先训练好的第一预测模型，对第一特征数据进行处理，得到对象的行为偏好画像；确定行为偏好画像与多个资源管理方的第二特征数据之间的第一相似度，并将第一相似度作为对象与各资源管理方的第一匹配度。

在其中一个实施例中，第一特征数据包括对象的属性数据和历史行为数据，第二匹配模块703，还用于基于预先训练好的第二预测模型，对第一特征数据进行处理，得到对象的资源偏好特征；确定资源偏好特征与每个资源管理方所管理的资源产品的产品属性特征之间的第二相似度，并将第二相似度作为对象与各资源管理方所管理的资源产品之间的第二匹配度。

在其中一个实施例中，推荐模块705，还用于按照从大到小的顺序对每个资源管理方所管理的资源产品的推荐系数进行排序，根据排序结果选取至少一个资源产品，将选取的资源产品作为目标资源产品；根据选取的资源产品的排序顺序，将目标资源产品推荐至对象。

在其中一个实施例中，历史行为数据包括对象的历史管理模式特征，所述装置还包括训练模块，训练模块，用于获取第一训练样本，每个第一训练样本包括对象的属性数据、对象的历史管理模式特征和第一标签；第一标签用于标注历史管理模式特征内至少一个特征；通过第一初始模型对第一训练样本进行处理，得到对象的预测行为偏好画像；基于预测行为偏好画像与第一标签之间的差异，调整第一初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第一预测模型。

在其中一个实施例中，历史行为数据包括对象的历史资源偏好特征，训练模块，还用于获取第二训练样本，每个第二训练样本包括对象的属性数据、对象的历史资源偏好特征和第二标签；第二标签用于标注历史资源偏好特征内至少一个特征；通过第二初始模型对第二训练样本进行处理，得到对象的预测资源偏好特征；基于预测资源偏好特征与第二标签之间的差异，调整第二初始模型以进行训练，在达到训练停止条件时停止训练，得到训练好的第二预测模型。

上述产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品推荐方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。