银行产品推荐方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，具体而言，本申请涉及一种银行产品推荐方法、装置、设备及存储介质。

背景技术

随着互联网的迅猛发展，运用个性化技术手段(如站内推荐系统)，帮助用户快速通过庞大的信息流中筛出所需要的数据，是互联网科技公司精准营销的重要手段，如短视频应用、电子商务应用、媒体社区类应用都逐渐引进站内个性化推荐。用户的一个点击、一个返回的动作，都被数据化，呈现出来的数据能够分析推导用户的使用、消费习惯。当数据达到足够数量时，根据初步的用户画像对用户的个性和喜好进行进一步挖掘与修正，掌握其真实的需求。

现有的银行产品推荐系统，一般通过历史经验对用户简单地分类，定向推送某一类型产品，推荐方式较为粗糙、效果较差。

发明内容

本申请的主要目的为提供一种银行产品推荐方法、装置、设备及存储介质，以提高银行产品的推荐效果。

为了实现上述发明目的，本申请提供一种银行产品推荐方法，其包括以下步骤：

从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

优选地，所述初始银行产品推荐模型包括决策树模型，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，包括：

基于决策树算法，将所述训练样本输入预先构建的决策树模型进行训练，得到训练好的多个目标决策树模型；其中，所述决策树模型的数量与所述训练样本的数量相同；

将所述多个目标决策树模型进行组合，得到训练好的银行产品推荐模型。

优选地，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，包括：

将所述训练样本输入至预设的标准决策树模型中，根据各个所述训练样本在所述标准决策树模型的叶子节点中被使用的次数，对各个所述训练样本进行重要程度排序；

将排在前N位的所述训练样本确定为目标训练样本；其中，所述N为正整数；

利用所述目标训练样本及所述用户历史数据对所述初始银行产品推荐模型进行训练。

优选地，所述从所述多个银行产品中筛选出用户未购买过的目标银行产品，包括：

获取所述用户的银行产品购买记录；

根据所述银行产品购买记录，从所述多个银行产品中筛选出所述用户未购买过的目标银行产品。

优选地，当所述目标银行产品包括多个时，所述将所述目标银行产品推荐给所述用户，包括：

根据所述用户数据提取所述用户的用户特征，将所述用户特征转换为特征向量；

使用预设的排序模型计算所述多个目标银行产品与所述特征向量的相关性；

根据所述相关性的高低对所述多个目标银行产品进行排序，将排在前M位的目标银行产品推荐给所述用户；其中所述M为正整数。

优选地，当所述目标银行产品包括多个时，所述将所述目标银行产品推荐给所述用户，包括：

根据所述用户数据提取所述用户的用户特征，并获取各个所述目标银行产品的产品信息；

基于所述用户特征及产品信息对应预测所述用户购买每个所述目标银行产品的概率值；

将概率值超过预设阈值的目标银行产品推荐给所述用户。

进一步地，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练之后，还包括：

计算每次训练后的所述初始银行产品推荐模型的损失值；

判断所述损失值是否小于预设损失值；

当确定所述损失值小于预设损失值时，则判定所述初始银行产品推荐模型完成训练，得到训练好的银行产品推荐模型；

当确定所述损失值不小于预设损失值时，根据所述损失值调整所述初始银行产品推荐模型的参数，并返回执行所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练的步骤，以对调整参数后的所述初始银行产品推荐模型再次训练，直至所述损失值小于预设损失值为止。

本申请还提供一种银行产品推荐装置，其包括：

获取模块，用于从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

生成模块，用于基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

训练模块，用于构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

调用模块，用于获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

推荐模块，用于从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

本申请还提供一种计算机设备，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任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，所述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任一项所述方法的步骤。

本申请所提供的一种银行产品推荐方法、装置、设备及存储介质，通过从银行系统获取用户历史数据及银行产品历史数据，对银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定银行产品历史数据的所有银行产品特征；基于银行产品特征，对银行产品历史数据进行划分，将属于相同银行产品特征的银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；构建用于推荐银行产品的初始银行产品推荐模型，基于用户历史数据及训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，最后调用银行产品推荐模型对用户数据进行处理，得到用户的多个银行产品，从多个银行产品中筛选出用户未购买过的目标银行产品，并推荐给所述用户。本申请通过训练匹配，基于银行本身已拥有的海量的银行产品历史数据，运用机器学习算法更加泛化的寻找用户和银行产品的关联，实现更加精准的银行产品推荐，且推荐效率也更高；此外，推荐时，筛选出用户未购买过的目标银行产品，提高用户购买的意愿。

附图说明

图1为本申请一实施例的银行产品推荐方法的流程示意图；

图2为本申请一实施例的银行产品推荐装置的结构示意框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

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。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

参考图1，本申请提出一种银行产品推荐方法，以服务器为执行主体，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

本申请中，该银行产品推荐方法用于提高银行产品的推荐效果，参照图1，其中一个实施例中，该银行产品推荐方法包括如下步骤：

S11、从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

S12、基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

S13、构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

S14、获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

S15、从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

如上述步骤S11所述，可对抽取得到的银行产品历史数据进行归一化预处理，如转换为统一的数据格式，或将行为数据中无实质意义的数据去除，然后根据归一化处理的银行产品历史数据进行特征识别，得到所述银行产品历史数据的所有银行产品特征。其中，银行产品特征可包括产品类型、风险等级、投资期限、预期利率等等，使用机器学习模型算法，对银行产品进行推荐匹配，满足核心的业务目标。

其中，用户历史数据的用户特征包括年龄、收入、婚姻状况、学历、资产级别、风险偏好等等。

如上述步骤S12所述，本实施例基于银行产品特征对银行产品历史数据进行归类，将属于相同银行产品特征的所述银行产品历史数据分配在一个数据集中，将同一个数据集作为训练样本，得到包含有一个或多个训练样本的训练集。

如上述步骤S13所述，可利用决策森林模型对训练集进行分类学习，挖掘真实客户购买银行产品的规律，并建立两者的映射关系，获取相应的银行产品推荐模型。具体的，利用归一化预处理的银行产品历史数据建立初始银行产品推荐模型的训练集和测试集，该初始银行产品推荐模型为神经网络模型。例如，可将银行产品历史数据中百分之九十的部分作为训练集，将剩余百分之十的部分作为测试集。此外，所述初始银行产品推荐模型的训练集和测试集之间容量之比可以根据具体场景需求来进行设置，优选地，可以将容量之比设置为7:3。然后利用训练集中的所有训练样本对初始银行产品推荐模型进行训练，也可随机抽取训练集中的多个训练样本，基于抽取到的多个训练样本对银行产品推荐模型进行训练，从而得到训练好的银行产品推荐模型，并提高训练效率。

如上述步骤S14所述，最后获取需要推荐银行产品的用户数据，调用所述训练好的银行产品推荐模型对用户数据进行处理，即将用户数据输入银行产品推荐模型中，输出得到待推荐给所述用户的多个银行产品。

如上述步骤S15所述，在得到多个银行产品后，本实施例对多个银行产品进一步进行筛选，筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给用户，以提高用户购买的意愿。

本申请所提供的一种银行产品推荐方法，通过从银行系统获取用户历史数据及银行产品历史数据，对银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定银行产品历史数据的所有银行产品特征；基于银行产品特征，对银行产品历史数据进行划分，将属于相同银行产品特征的银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；构建用于推荐银行产品的初始银行产品推荐模型，基于用户历史数据及训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，最后调用银行产品推荐模型对用户数据进行处理，得到用户的多个银行产品，从多个银行产品中筛选出用户未购买过的目标银行产品，并推荐给所述用户。本申请通过训练匹配，基于银行本身已拥有的海量的银行产品历史数据，运用机器学习算法更加泛化的寻找用户和银行产品的关联，实现更加精准的银行产品推荐，且推荐效率也更高；此外，推荐时，筛选出用户未购买过的目标银行产品，提高用户购买的意愿。

在一实施例中，在步骤S13中，所述初始银行产品推荐模型包括决策树模型，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，可具体包括：

S131、基于决策树算法，将所述训练样本输入预先构建的决策树模型进行训练，得到训练好的多个目标决策树模型；其中，所述决策树模型的数量与所述训练样本的数量相同；

S132、将所述多个目标决策树模型进行组合，得到训练好的银行产品推荐模型。

本步骤可以基于决策树算法将每个训练样本分别输入不同的决策树模型进行训练，以对所有训练样本进行单独训练，得到若干个目标决策树模型，该目标决策树模型即为训练好的决策树模型。其中，决策树模型的数量与训练样本的数量一致，例如，当调用A个训练样本时，则得到A个目标决策树模型。其中，抽取A个训练样本时，可以将时间节点相近的银行产品历史数据作为一个训练样本，如将同一个月内的银行产品历史数据作为一个训练样本，以基于决策树算法对训练样本进行训练时，得到的每个目标决策树模型都可以良好地反映该时间节点的银行产品偏好。

进一步地，可将A个目标决策树模型进行随机组合，得到训练好的银行产品推荐模型，例如，可以将A个目标决策树模型组合成为训练好的银行产品推荐模型，或选取A个目标决策树模型中的任意至少两个，组合成为训练好的银行产品推荐模型，从而使利用单独训练好的目标决策树模型组合得到的银行产品推荐模型具有更佳地训练结果，提高银行产品的推荐精度。

在另一个实施例中，分别为各个目标决策树模型设置权重，并构建组合模型；其中，各所述权重的累加值为1。当所述组合模型的推荐误差最小时，确定各个目标决策树模型的最优权重，并将推荐误差最小的组合模型作为训练好的银行产品推荐模型，可避免单一目标决策树模型导致推荐结果失准，能够大幅提高推荐结果的准确性。

本实施例使用决策森林模型算法，对银行产品进行推荐匹配，满足核心的业务目标，借助机器学习，通过决策森林模型算法在银行的大量数据中寻找规律与解释，以此来实现人工智能赋能银行更高效率、更精准地营销产品，提高客户对银行推荐产品的购买率，也侧面提供银行客户的产品服务满意度。

如果每个训练样本的特征维度为K，指定一个常数k<

在一实施例中，在步骤S13中，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，可具体包括：

将所述训练样本输入至预设的标准决策树模型中，根据各个所述训练样本在所述标准决策树模型的叶子节点中被使用的次数，对各个所述训练样本进行重要程度排序；

将排在前N位的所述训练样本确定为目标训练样本；其中，所述N为正整数；

利用所述目标训练样本及所述用户历史数据对所述初始银行产品推荐模型进行训练。

在一些实施例中，可以通过预设的标准决策树模型来计算所述训练样本对于用户选择产品的重要程度，从而从所述多种训练样本筛选出目标训练样本。具体的，将所述多种训练样本输入至预设的标准决策树模型中，根据各个训练样本在所述标准决策树模型的叶子节点中被使用的次数对各个训练样本进行重要程度排序；将排序前N位的训练样本确定为目标训练样本。其中N大于或等于2。通过使用机器学习中的决策树模型，可以加快从从多种训练样本筛选出目标训练样本的速度，以及提高所述多种训练样本对于用户选择产品的重要程度的准确性。其中，决策树模型(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树模型来求取净现值的期望值大于等于零的概率，对各个所述训练样本进行重要程度排序。由于这种决策分支画成图形很像一棵树的枝干，故称决策树模型。在机器学习中，决策树模型是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。分类树模型是一种分类方法。它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。

最后基于目标训练样本及用户历史数据对所述银行产品推荐模型进行训练，以通过进一步对训练样本进行筛选的方式，筛选出优质的训练样本，对初始银行产品推荐模型进行训练，提高初始银行产品推荐模型的训练效果。

在一实施例中，所述从所述多个银行产品中筛选出用户未购买过的目标银行产品，包括：

获取所述用户的银行产品购买记录；

根据所述银行产品购买记录，从所述多个银行产品中筛选出所述用户未购买过的目标银行产品。

其中，用户的银行产品购买记录指的是用户过去一段时间内在所述银行系统购买银行产品的记录，包括银行产品的产品类型、产品编号、购买时间等等，根据所述购买记录，判断多个银行产品中是否存在用户尚未购买过的银行产品，若是，则筛选出所述用户未购买过的目标银行产品，并推荐给用户。

在一实施例中，当所述目标银行产品包括多个时，所述将所述目标银行产品推荐给所述用户，包括：

根据所述用户数据提取所述用户的用户特征，将所述用户特征转换为特征向量；

使用预设的排序模型计算所述多个目标银行产品与所述特征向量的相关性；

根据所述相关性的高低对所述多个目标银行产品进行排序，将排在前M位的目标银行产品推荐给所述用户；其中所述M为正整数。

在本实施例中，为提高对各个待推荐银行产品进行排序的准确性，可以通过预设的排序模型来对所述多个目标银行产品进行排序。具体的，对所述用户数据进行特征预处理，得到所述用户数据对应的特征向量；使用预设的排序模型计算所述各个目标银行产品与所述特征向量的相关性；根据所述相关性从高到低的顺序对各个目标银行产品进行排序，将排在前M位的目标银行产品推荐给所述用户，如将排在前三位的目标银行产品推荐给所述用户，以实现精准推荐。

计算所述各个目标银行产品与所述特征向量的相关性时，可提取各个目标银行产品的产品信息，基于产品信息确定各个目标银行产品的产品特征，并将该产品特征转换为产品特征向量，根据产品特征向量与用户的特征向量计算两者之间的关联度，以确定各个目标银行产品与特征向量的相关性。

在一实施例中，当所述目标银行产品包括多个时，所述将所述目标银行产品推荐给所述用户，包括：

根据所述用户数据提取所述用户的用户特征，并获取各个所述目标银行产品的产品信息；

基于所述用户特征及产品信息对应预测所述用户购买每个所述目标银行产品的概率值；

将概率值超过预设阈值的目标银行产品推荐给所述用户。

本实施例中，可利用预先构建的用户关系图谱，充分挖掘用户之间的相关性，利用预先训练好的机器学习算法模型预测用户意图购买每个目标银行产品的概率值，以便根据概率值确定向所述用户推荐的目标银行产品，实现精准推荐。

基于用户特征及产品信息对应预测所述用户购买每个所述目标银行产品的概率值时，可提取各个目标银行产品的产品信息，基于产品信息确定各个目标银行产品的产品特征，并将该产品特征转换为产品特征向量，将用户特征转换为用户特征向量，根据产品特征向量与用户的用户特征向量计算两者之间的关联度，基于关联度换算成用户购买每个所述目标银行产品的概率值。其中，该概率值与关联度成正相关。

在一实施例中，所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练之后，还包括：

计算每次训练后的所述初始银行产品推荐模型的损失值；

判断所述损失值是否小于预设损失值；

当确定所述损失值小于预设损失值时，则判定所述初始银行产品推荐模型完成训练，得到训练好的银行产品推荐模型；

当确定所述损失值不小于预设损失值时，根据所述损失值调整所述初始银行产品推荐模型的参数，并返回执行所述基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练的步骤，以对调整参数后的所述初始银行产品推荐模型再次训练，直至所述损失值小于预设损失值为止。

在本实施例中，在对初始银行产品推荐模型每次训练后，可利用损失函数计算训练完成后的损失值，并在损失值满足预设阈值或小于预设损失值时，即满足要求，则表明初始银行产品推荐模型达到训练要求，完成所述初始银行产品推荐模型的训练，将完成训练的初始银行产品推荐模型作为银行产品推荐模型，以提高银行产品推荐模型的推荐精度。

当所述损失值不小于预设损失值时，可根据损失值在初始银行产品推荐模型的神经网络结构中进行前向传递，调整初始银行产品推荐模型的相关参数，基于重新设置的相关参数对调整后的初始银行产品推荐模型进行重新训练，并计算再次训练，直至损失值小于预设损失值为止，至此初始银行产品推荐模型训练结束。

参照图2，本申请实施例中还提供一种银行产品推荐装置，包括：

获取模块11，用于从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

生成模块12，用于基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

训练模块13，用于构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

调用模块14，用于获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

推荐模块15，用于从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

本实施例可对抽取得到的银行产品历史数据进行归一化预处理，如转换为统一的数据格式，或将行为数据中无实质意义的数据去除，然后根据归一化处理的银行产品历史数据进行特征识别，得到所述银行产品历史数据的所有银行产品特征。其中，银行产品特征可包括产品类型、风险等级、投资期限、预期利率等等，使用机器学习模型算法，对银行产品进行推荐匹配，满足核心的业务目标。

其中，用户历史数据的用户特征包括年龄、收入、婚姻状况、学历、资产级别、风险偏好等等。

本实施例基于银行产品特征对银行产品历史数据进行归类，将属于相同银行产品特征的所述银行产品历史数据分配在一个数据集中，将同一个数据集作为训练样本，得到包含有一个或多个训练样本的训练集。

此外，可利用决策森林模型对训练集进行分类学习，挖掘真实客户购买银行产品的规律，并建立两者的映射关系，获取相应的银行产品推荐模型。具体的，利用归一化预处理的银行产品历史数据建立初始银行产品推荐模型的训练集和测试集，该初始银行产品推荐模型为神经网络模型。例如，可将银行产品历史数据中百分之九十的部分作为训练集，将剩余百分之十的部分作为测试集。此外，所述初始银行产品推荐模型的训练集和测试集之间容量之比可以根据具体场景需求来进行设置，优选地，可以将容量之比设置为7:3。然后利用训练集中的所有训练样本对初始银行产品推荐模型进行训练，也可随机抽取训练集中的多个训练样本，基于抽取到的多个训练样本对银行产品推荐模型进行训练，从而得到训练好的银行产品推荐模型，并提高训练效率。

最后获取需要推荐银行产品的用户数据，调用所述训练好的银行产品推荐模型对用户数据进行处理，即将用户数据输入银行产品推荐模型中，输出得到待推荐给所述用户的多个银行产品。

在得到多个银行产品后，本实施例对多个银行产品进一步进行筛选，筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给用户，以提高用户购买的意愿。

如上所述，可以理解地，本申请中提出的所述银行产品推荐装置的各组成部分可以实现如上所述银行产品推荐方法任一项的功能，具体结构不再赘述。

参照图3，本申请实施例中还提供一种计算机设备，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计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存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户数据、银行产品历史数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种银行产品推荐方法。

上述处理器执行上述的银行产品推荐方法，包括：

从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

本申请一实施例还提供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一种银行产品推荐方法，包括步骤：

从银行系统获取用户历史数据及银行产品历史数据，对所述银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定所述银行产品历史数据的所有银行产品特征；

基于所述银行产品特征，对所述银行产品历史数据进行划分，将属于相同银行产品特征的所述银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；

构建用于推荐银行产品的初始银行产品推荐模型，基于所述用户历史数据及所述训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型；

获取用户的用户数据，调用所述银行产品推荐模型对所述用户数据进行处理，得到所述用户的多个银行产品；

从所述多个银行产品中筛选出用户未购买过的目标银行产品，将所述目标银行产品推荐给所述用户。

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，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

综上所述，本申请的最大有益效果在于：

本申请所提供的一种银行产品推荐方法、装置、设备及存储介质，通过从银行系统获取用户历史数据及银行产品历史数据，对银行产品历史数据进行归一化预处理，对归一化预处理的银行产品历史数据进行特征识别，确定银行产品历史数据的所有银行产品特征；基于银行产品特征，对银行产品历史数据进行划分，将属于相同银行产品特征的银行产品历史数据分配至同一训练样本，生成包括若干个训练样本的训练集；构建用于推荐银行产品的初始银行产品推荐模型，基于用户历史数据及训练集的训练样本对所述初始银行产品推荐模型进行训练，得到训练好的银行产品推荐模型，最后调用银行产品推荐模型对用户数据进行处理，得到用户的多个银行产品，从多个银行产品中筛选出用户未购买过的目标银行产品，并推荐给所述用户。本申请通过训练匹配，基于银行本身已拥有的海量的银行产品历史数据，运用机器学习算法更加泛化的寻找用户和银行产品的关联，实现更加精准的银行产品推荐，且推荐效率也更高；此外，推荐时，筛选出用户未购买过的目标银行产品，提高用户购买的意愿。

需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。