一种数据推荐方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及大数据数据分析与挖掘技术领域，尤其涉及一种数据推荐方法、装置、电子设备及计算机可读介质。

背景技术

在向用户推荐理财产品的场景中，若对用户进行过度的激励，容易引起超出用户理财能力的激进极端理财，造成用户损失和流失；若对用户保守激励，在面临市场竞争情况下，又不利于用户理财贡献转化成长，导致数据推荐准确率低。

发明内容

有鉴于此，本申请实施例提供一种数据推荐方法、装置、电子设备及计算机可读介质，能够解决现有的数据推荐准确率低的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种数据推荐方法，包括：

接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；

分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；

根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；

将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

可选地，在得到目标推荐权益数据之后，方法还包括：

基于目标权益数据更新数据推荐模型。

可选地，确定用户权益标签关联系数，包括：

根据第一用户权益标签，确定第一用户权益账户熵值数组；

根据第二用户权益标签，确定第二用户权益账户熵值数组；

基于第一用户权益账户熵值数组和第二用户权益账户熵值数组，生成用户权益账户熵值关联矩阵；

根据用户权益账户熵值关联矩阵，确定用户权益标签关联系数。

可选地，得到目标推荐权益数据，包括：

确定推荐权益数据对应的推荐度；

将推荐度大于预设阈值时对应的推荐权益数据确定为目标权益数据。

可选地，输出目标权益数据，包括：

将大于预设阈值的推荐度递减排序，进而依序输出对应的目标权益数据。

可选地，根据用户权益标签关联系数优化得到数据推荐模型，包括：

以预设时间间隔为迭代优化周期，在每一个迭代优化周期更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到数据推荐模型。

可选地，在每一个迭代优化周期更新用户权益标签关联系数，包括：

在每一个迭代优化周期重新获取用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据；

基于重新获取的用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据更新用户权益标签关联系数。

另外，本申请还提供了一种数据推荐装置，包括：

接收单元，被配置成接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；

标签生成单元，被配置成分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；

模型优化单元，被配置成根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；

数据推荐单元，被配置成将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

可选地，装置还包括更新单元，被配置成：

基于目标权益数据更新数据推荐模型。

可选地，模型优化单元进一步被配置成：

根据第一用户权益标签，确定第一用户权益账户熵值数组；

根据第二用户权益标签，确定第二用户权益账户熵值数组；

基于第一用户权益账户熵值数组和第二用户权益账户熵值数组，生成用户权益账户熵值关联矩阵；

根据用户权益账户熵值关联矩阵，确定用户权益标签关联系数。

可选地，数据推荐单元进一步被配置成：

确定推荐权益数据对应的推荐度；

将推荐度大于预设阈值时对应的推荐权益数据确定为目标权益数据。

可选地，数据推荐单元进一步被配置成：

将大于预设阈值的推荐度递减排序，进而依序输出对应的目标权益数据。

可选地，模型优化单元进一步被配置成：

以预设时间间隔为迭代优化周期，在每一个迭代优化周期更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到数据推荐模型。

可选地，模型优化单元进一步被配置成：

在每一个迭代优化周期重新获取用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据；

基于重新获取的用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据更新用户权益标签关联系数。

另外，本申请还提供了一种数据推荐电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的数据推荐方法。

另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的数据推荐方法。

为实现上述目的，根据本申请实施例的又一个方面，提供了一种计算机程序产品。

本申请实施例的一种计算机程序产品，包括计算机程序，程序被处理器执行时实现本申请实施例提供的数据推荐方法。

上述发明中的一个实施例具有如下优点或有益效果：本申请通过接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。从而可以自动化实现数据推荐，并且可以提高对用户进行数据推荐的准确率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本申请，不构成对本申请的不当限定。其中：

图1是根据本申请一个实施例的数据推荐方法的主要流程的示意图；

图2是根据本申请一个实施例的数据推荐方法的主要流程的示意图；

图3是根据本申请一个实施例的数据推荐方法的主要流程示意图；

图4是根据本申请实施例的数据推荐装置的主要单元的示意图；

图5是本申请实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，本申请的技术方案中，所涉及的用户个人信息的采集、分析、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法且合理的用途，不在这些合法使用等方面之外共享、泄露或出售，并且接受监管部门的监督管理。应当对用户个人信息采取必要措施，以防止对此类个人信息数据的非法访问，确保有权访问个人信息数据的人员遵守相关法律法规的规定，确保用户个人信息安全。一旦不再需要这些用户个人信息数据，应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。

当使用时，包括在某些相关应用程序中，通过对数据去标识来保护用户隐私，例如在使用时通过移除特定标识符、控制所存储数据的量或特异性、控制数据如何被存储、和/或其他方法去标识。

图1是根据本申请一个实施例的数据推荐方法的主要流程的示意图，如图1所示，数据推荐方法包括：

步骤S101，接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据。

本实施例中，数据推荐方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收数据推荐请求。数据推荐请求具体可以是对权益进行推荐的请求。权益：一种营销工具，表现形式可以有现金等价物、理财特权或咨询服务等，例如现金红包、费用抵扣券、理财资讯、理财顾问服务等。执行主体在接收到数据推荐请求后，可以获取该请求中携带的用户标识。用户标识例如可以是访问数据推荐请求对应的平台的用户的昵称、编号等，本申请实施例对用户标识不做具体限定。在接收到数据推荐请求后，执行主体可以基于用户标识获取用户标识对应的用户在模拟练习区的历史的用户行为数据和对应的在实践区的历史的用户行为数据。具体地，用户行为数据可以包括理财产品访问数据、理财产品购买数据、理财产品持有数据等，本申请实施例对用户行为数据不做具体限定。

步骤S102，分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签。

示例的，第一用户权益标签可以为理财模拟练习区用户权益标签，第二用户权益标签可以为理财实践区用户权益标签。具体地，用户权益标签制作：可以包含制作理财模拟练习区用户权益标签(即第一用户权益标签)和理财频道(也即理财实践区)用户权益标签(即第二用户权益标签)；以及包含数据推送、标签制作、场景侧(理财平台)用户权益标签记录及权益账户熵值数组(可以包括理财模拟练习区用户权益账户熵值数组和理财频道用户权益账户熵值数组)的生成。

步骤S103，根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型。

根据生成的用户权益标签和权益账户熵值数组生成理财模拟练习区用户权益账户熵值数组与理财频道用户权益账户熵值数组的关联矩阵；根据理财模拟练习区用户权益标签(即第一用户权益标签)和理财频道用户权益标签(也即第二用户权益标签)，通过进行用户识别，以及关联系数计算，输出理财模拟练习区用户权益标签和理财频道用户权益标签之间的用户权益标签关联系数(也即用户权益标签相关性系数)。

具体地，根据用户权益标签关联系数优化得到数据推荐模型，包括：以预设时间间隔为迭代优化周期，在每一个迭代优化周期更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到数据推荐模型。

示例的，在权益平台大数据计算区，关联度区，接收用户权益标签关联系数；以特定时间为一个Logistic模型迭代优化周期，动态持续优化模型；在模型构建完成之后，进行决策算法实现；决策算法支持根据相关输入，输出1～3个推荐权益(根据推荐度高到低排序)；对于理财频道的用户权益标签，根据得到的反向反馈，进行理财频道的用户权益标签的重新构建，进而可以不断迭代优化理财频道的用户权益标签，从而可以迭代优化更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到最新的数据推荐模型。

具体地，在每一个迭代优化周期更新用户权益标签关联系数，包括：在每一个迭代优化周期重新获取用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据；基于重新获取的用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据更新用户权益标签关联系数。

示例的，用户行为数据可以包括用户浏览记录(商品、权益等浏览记录)、用户使用记录(频率、核销方式等)、用户消费商品档次(类型、售价等)、地理位置、周期(季节、日期、等)、兴趣关联度(近期消费关联度等)等。基于重新获取的用户行为数据更新理财模拟练习区对应的用户权益标签以及更新理财频道(也即理财实践区)对应的用户权益标签，进而更新对应的用户权益标签关联系数。

步骤S104，将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

目标权益数据即为向用户标识对应的用户推荐的合适的权益数据。

具体地，在得到目标推荐权益数据之后，方法还包括：基于目标权益数据更新数据推荐模型。

将输出的目标权益数据作为反向反馈数据，用于更新数据推荐模型，使得数据推荐模型的输出结果更精确，更符合用户意愿，提升数据推荐的成功率。

具体地，得到目标推荐权益数据，包括：确定推荐权益数据对应的推荐度；将推荐度大于预设阈值时对应的推荐权益数据确定为目标权益数据。

具体地，输出目标权益数据，包括：将大于预设阈值的推荐度递减排序，进而依序输出对应的目标权益数据。

将确定出的推荐度进行递减排序，将排序前N的推荐度对应的推荐权益数据确定为目标权益数据。其中，排序前N的推荐数据对应的推荐度大于预设阈值。

本实施例通过接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。从而可以自动化实现数据推荐，并且可以提高对用户进行数据推荐的准确率。

图2是根据本申请一个实施例的数据推荐方法的主要流程示意图，如图2所示，数据推荐方法包括：

步骤S201，接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据。

示例的，用户行为数据可以包括用户浏览记录(商品、权益等浏览记录)、用户使用记录(频率、核销方式等)、用户消费商品档次(类型、售价等)、地理位置、周期(季节、日期、等)、兴趣关联度(近期消费关联度等)等。

步骤S202，分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签。

步骤S203，根据第一用户权益标签，确定第一用户权益账户熵值数组。

计算各个第一用户权益标签的熵值，进而生成第一用户权益账户熵值数组。

步骤S204，根据第二用户权益标签，确定第二用户权益账户熵值数组。

计算各个第二用户权益标签的熵值，进而生成第二用户权益账户熵值数组。

步骤S205，基于第一用户权益账户熵值数组和第二用户权益账户熵值数组，生成用户权益账户熵值关联矩阵。

调用关联矩阵生成程序，以基于生成的第一用户权益账户熵值数组和生成的第二用户权益账户熵值数组，生成m*n的用户权益账户熵值关联矩阵，其中，m可以为模拟练习区用户权益数量，n可以为该用户所对应的实践区用户权益数量。

步骤S206，根据用户权益账户熵值关联矩阵，确定用户权益标签关联系数。

执行主体可以计算用户权益账户熵值关联矩阵中的每一行熵值(例如m1，m2，m3)和每一列熵值(例如n1，n2，n3)的相似度，例如m1和n1的余弦相似度c1、m2和n2的余弦相似度c2、m3和n3的余弦相似度c3，进而执行主体可以将c1、c2、c3确定为用户权益标签关联系数。

步骤S207，根据用户权益标签关联系数优化得到数据推荐模型。

接收用户权益标签关联系数；以特定时间为一个逻辑Logistic模型(即数据推荐模型)迭代优化周期，动态持续优化数据推荐模型；在数据推荐模型构建完成之后，进行决策算法实现；决策算法支持根据相关输入，输出1～3个推荐权益(根据推荐度高到低排序)；对于理财频道的用户权益标签，根据得到的反向反馈，进行理财频道的用户权益标签的重新构建，进而可以不断迭代优化理财频道的用户权益标签，从而可以迭代优化更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到最新的数据推荐模型。

步骤S208，将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

本申请实施例可以提高对用户进行数据推荐的准确率。

图3是根据本申请一个实施例的数据推荐方法的应用场景示意图。本申请实施例的数据推荐方法，应用于数据推荐场景。本申请实施例在理财平台，设立理财模拟练习区，包含权益推送模块、用户权益标签调整模块；在理财平台设立理财频道，优化权益推送模块、用户权益标签调整模块；在理财平台设立大数据计算区，可以确定权益标签关联度矩阵；在数据交换平台设立权益平台数据区，可以访问权益账户、权益产品、修改关联度数据、增加权益标签关联度数据；在权益平台，可以进行权益模型推荐算法决策引擎优化，新增权益标签关联度因子和数据输入，进行逻辑回归，推荐权益，调优模型，优化算法决策。

如图3所示，本申请实施例的数据推进方法，可以通过以下方式实现：

1)用户权益标签制作：包含理财模拟练习区用户权益标签和理财频道用户权益标签两类；包含数据推送、标签制作、场景侧(理财平台)用户标签记录及权益账户熵值生成。在理财模拟练习区和理财频道通过理财空间数据推送向理财平台输入理财产品数据、理财权益产品数据、理财账户数据、理财权益流水数据、用户行为数据、用户标签数据等，然后在权益平台大数据计算取进行用户标签制作输出用户权益标签和用户权益账户熵值数组，例如[cst_id,prd_no,status,…,cnt]，进而在理财平台大数据计算区输出用户标签、账户熵值。

2)用户权益标签关联度模型生成：生成理财模拟练习区用户权益账户熵值和理财频道用户权益账户熵值的关联矩阵；进行用户识别，以及关联系数计算，输出用户权益标签关联系数。

3)权益模型推荐算法优化：在权益平台大数据计算区，关联度区，接收用户权益标签关联系数；以特定时间为一个逻辑Logistic模型(即数据推荐模型)迭代优化周期，动态持续优化数据推荐模型；在数据推荐模型构建完成之后，进行决策算法实现；决策算法支持根据相关输入，输出1～3个推荐权益(根据推荐度高到低排序)；对于理财频道的用户权益标签，根据得到的反向反馈，进行理财频道的用户权益标签的重新构建，进而可以不断迭代优化理财频道的用户权益标签，从而可以迭代优化更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到最新的数据推荐模型。

具体地，数据推荐模型可以接收用户浏览记录(商品、权益等浏览记录)、用户使用记录(频率、核销方式等)、用户消费商品档次(类型、售价等)、地理位置、周期(季节、日期、等)、兴趣关联度(近期消费关联度等)等作为输入因子，同时可以增加理财模拟练习区-用户权益标签、理财频道-用户权益标签、用户权益标签关联系数等输入因子以输出目标权益数据。

本申请实施例通过用户行为数据，模拟和量化用户理财能力以及心理活动，搭建数据推荐模型的学习环境；建立理财用户权益标签(模拟练习区理财用户权益标签、理财频道理财用户权益标签)，该标签可在特定场景直接用于专家法权益推荐的决策参考，可以起到基于专家法手动调优数据推荐模型的作用，让数据推荐模型更加可信；构建动态输入和持续优化的数据推荐模型，使得用户权益标签持续优化，进而使得权益推荐决策算法更加可信、自动化。

本申请实施例充分吸收了现有数据推荐模型的推荐算法的完整性，结合理财平台通用的、特殊的业务模式，充分利用了理财模拟练习区的用户行为等有效数据，丰富了数据推荐模型的构建因子。与此同时，通过充分利用模拟练习区作为权益推荐模型的学习环境，包括引入专家法模型调优机制(加工用户权益标签，用以专家法权益推荐决策参考)，以及自动化、动态、持续构建数据推荐模型，优化决策算法，实现更精准、更有效的权益推荐或激励，提升理财平台数字化经营的成效。

图4是根据本申请实施例的数据推荐装置的主要单元的示意图。如图4所示，数据推荐装置400包括接收单元401、标签生成单元402、模型优化单元403和数据推荐单元404。

接收单元401，被配置成接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据。

标签生成单元402，被配置成分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签。

模型优化单元403，被配置成根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型。

数据推荐单元404，被配置成将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

在一些实施例中，装置还包括图4中未示出的更新单元，被配置成：基于目标权益数据更新数据推荐模型。

在一些实施例中，模型优化单元403进一步被配置成：根据第一用户权益标签，确定第一用户权益账户熵值数组；根据第二用户权益标签，确定第二用户权益账户熵值数组；基于第一用户权益账户熵值数组和第二用户权益账户熵值数组，生成用户权益账户熵值关联矩阵；根据用户权益账户熵值关联矩阵，确定用户权益标签关联系数。

在一些实施例中，数据推荐单元404进一步被配置成：确定推荐权益数据对应的推荐度；将推荐度大于预设阈值时对应的推荐权益数据确定为目标权益数据。

在一些实施例中，数据推荐单元404进一步被配置成：将大于预设阈值的推荐度递减排序，进而依序输出对应的目标权益数据。

在一些实施例中，模型优化单元403进一步被配置成：以预设时间间隔为迭代优化周期，在每一个迭代优化周期更新用户权益标签关联系数，并基于更新后的用户权益标签关联系数优化得到数据推荐模型。

在一些实施例中，模型优化单元403进一步被配置成：在每一个迭代优化周期重新获取用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据；基于重新获取的用户标识对应的模拟练习区用户行为数据和对应的实践区用户行为数据更新用户权益标签关联系数。

需要说明的是，本申请的数据推荐方法和数据推荐装置在具体实施内容上具有相应关系，故重复内容不再说明。

图5示出了可以应用本申请实施例的数据推荐方法或数据推荐装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有数据推荐处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所提交的数据推荐请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。从而可以提高对用户进行数据推荐的准确率。

需要说明的是，本申请实施例所提供的数据推荐方法一般由服务器505执行，相应地，数据推荐装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、标签生成单元、模型优化单元和数据推荐单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备接收数据推荐请求，获取对应的用户标识，进而基于用户标识获取对应的模拟练习区用户行为数据和对应的实践区用户行为数据；分别基于模拟练习区用户行为数据和实践区用户行为数据，生成第一用户权益标签和第二用户权益标签；根据第一用户权益标签和第二用户权益标签，确定用户权益标签关联系数，进而根据用户权益标签关联系数优化得到数据推荐模型；将实践区用户行为数据输入至数据推荐模型，以得到目标推荐权益数据，输出目标权益数据。

本申请的计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本申请实施例中的数据推荐方法。

根据本申请实施例的技术方案，可以自动化实现数据推荐，并且可以提高对用户进行数据推荐的准确率。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。