理财产品推荐方法、系统、设备和介质

技术领域

本公开涉及人工智能领域，更具体地，涉及一种理财产品推荐方法、系统、设备、介质和程序产品。

背景技术

理财产品作为银行产品的重要组成部分，拥有一套快速有效的推荐系统将大大提升银行服务质量。通常通过协同过滤推荐策略、决策树模型和知识图谱深入挖掘客户购买理财产品的规律，从而将待推荐理财产品推荐给客户，提高理财产品销售量。

协同过滤推荐策略和知识图谱需要大量的数据进行训练，而银行内部产品销售领域较小，但是产品类型较多，尤其是可利用数据量有限，并且其他银行相关销售信息相对较为封闭，获取成本较高，因此需要大量数据进行训练的推荐方法耦合度较低，决策树模型使用范围有限，故当前的推荐方法效果较差。

发明内容

鉴于上述问题，本公开提供了一种理财产品推荐方法、系统、设备、介质和程序产品。

本公开实施例的一个方面，提供了一种理财产品推荐方法，包括：获取目标客户的N个理财关联特征，所述N个理财关联特征适于根据所述目标客户的N维客户信息得到；将所述N个理财关联特征输入胶囊网络模型，其中，所述胶囊网络模型中每层胶囊层包括S个胶囊，所述S个胶囊被配置为输出所述目标客户对理财产品的S个兴趣特征；获取所述胶囊网络模型预测的M个理财产品标签，所述胶囊网络模型被配置为基于所述S个兴趣特征中至少一个进行预测，N、M和S皆大于或等于1；基于所述M个理财产品标签向所述目标客户展示理财产品推荐列表。

根据本公开的实施例，所述获取目标客户的N个理财关联特征包括：将所述N维客户信息转化到数据特征空间，获得浅层特征，所述浅层特征包括将所述N维客户信息经过特定次数处理得到的特征向量；将所述浅层特征依次经由K个ResBlock块进行处理，获得所述N个理财关联特征，所述ResBlock块包括含跳跃连接的卷积块，K大于或等于1。

根据本公开的实施例，所述将所述N维客户信息转化到数据特征空间，获得浅层特征包括：利用编码层将所述N维客户信息映射为第一特征向量；将所述第一特征向量输入至二维卷积层进行卷积，得到第二特征向量；将所述第二特征向量输入至最大池化层，获得所述浅层特征。

根据本公开的实施例，所述S个兴趣特征根据理财产品的S个标签信息获得，所述S个标签信息包括以下至少一个：理财类型、收益率、持有期和风险度，所述风险度用于表征所述目标客户的抗风险分数。

根据本公开的实施例，所述基于所述M个理财产品标签向所述目标客户展示理财产品推荐列表包括：基于所述M个理财产品标签获取至少一个理财产品信息；计算每个理财产品信息与所述M个理财产品标签的匹配度；按照所述匹配度大小向所述目标客户展示理财产品推荐列表，所述理财产品推荐列表包括特定数量的理财产品。

根据本公开的实施例，所述方法还包括：获取所述目标客户的购买记录和对所述理财产品推荐列表中至少一个产品的评价分数，所述购买记录响应于所述目标客户购买所述理财产品推荐列表中的产品而生成；通过更新后的所述理财产品推荐列表和所述购买记录训练所述胶囊网络模型，其中，根据所述评价分数更新所述理财产品推荐列表中产品排序。

根据本公开的实施例，在将所述N个理财关联特征输入胶囊网络模型之前，所述方法还包括预先训练所述胶囊网络模型：获取历史客户的N个理财关联特征，以及至少一个已购买理财产品的标签信息；将所述历史客户的N个理财关联特征输入所述胶囊网络模型，获得预测的M个理财产品标签；根据所述预测的M个理财产品标签和所述标签信息，计算损失函数值；根据所述损失函数值更新所述胶囊网络模型。

本公开实施例的另一方面提供了一种理财产品推荐系统，包括：获取特征模块，用于获取目标客户的N个理财关联特征，所述N个理财关联特征适于根据所述目标客户的N维客户信息得到；特征输入模块，用于将所述N个理财关联特征输入胶囊网络模型，其中，所述胶囊网络模型中每层胶囊层包括S个胶囊，所述S个胶囊被配置为输出所述目标客户对理财产品的S个兴趣特征；标签预测模块，用于获取所述胶囊网络模型预测的M个理财产品标签，所述胶囊网络模型被配置为基于所述S个兴趣特征中至少一个进行预测，N、M和S皆大于或等于1；推荐展示模块，用于基于所述M个理财产品标签向所述目标客户展示理财产品推荐列表。

所述系统包括分别用于执行如上所述任意一项所述的方法的各个步骤的模块。

本公开实施例的另一方面提供了一种电子设备，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，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，使得一个或多个处理器执行如上所述的方法。

本公开实施例的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。

本公开实施例的另一方面还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如上所述的方法。

上述一个或多个实施例具有如下有益效果：使用每层胶囊层中各个胶囊对N个理财关联特征进行处理，将理财产品的各个标签分别作为各个胶囊输出的对应兴趣特征，最终预测出M个理财产品标签，以能够展示具有较高推荐准确率的推荐列表。改进的胶囊网络模型能够处理多样的数据，充分保留细节信息，较好地处理信息拥挤的场景，对小样本和连续文本耦合度高，可以应对信息孤岛，避免现有技术中训练不充分导致推荐失败的情况。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的理财产品推荐方法的应用场景图；

图2示意性示出了根据本公开实施例的理财产品推荐方法的流程图；

图3示意性示出了根据本公开实施例的理财推荐模型的架构图；

图4示意性示出了根据本公开另一实施例的理财推荐模型的架构图；

图5示意性示出了根据本公开实施例的获取理财关联特征的流程图；

图6示意性示出了根据本公开实施例的获得浅层特征的流程图；

图7示意性示出了根据本公开实施例的展示理财产品推荐列表的流程图；

图8示意性示出了根据本公开实施例的优化训练胶囊网络模型的流程图；

图9示意性示出了根据本公开实施例的预先训练胶囊网络模型的流程图；

图10示意性示出了根据本公开实施例的理财产品推荐系统的结构框图；以及

图11示意性示出了根据本公开实施例的适于实现理财产品推荐方法的电子设备的方框图。

具体实施方式

首先对本公开一些实施例中涉及的技术术语进行介绍：

胶囊网络：Hiton提出的一种用于解决CNN存在的问题提出的神经网络。不同于CNN使用标量记录局部信息，胶囊网络使用向量特征状态的重要信息。向量的模表示特征存在的概率，方向表示特征的姿态信息，移动特征会改变Capsule向量，不影响特征存在概率。

胶囊：胶囊网络的组成单位，类似于神经网络是由神经元组成的，胶囊网络是胶囊组成的，胶囊就是一组神经元，它会学习检测给定区域的特定目标，输出是一个向量(即兴趣特征)，向量的长度代表目标存在的概率估计，它对姿态参数进行定向编码，如果对象有轻微的变化，那么胶囊将输出略有不同的向量，因此，胶囊是等变化的。简单理解就是胶囊是卷积的类似物。

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

相关技术中，协同过滤推荐策略需要大量数据进行分析，如果数据不充分不准确，很大程度影响推荐准确性。知识图谱很大程度也依赖于数据的可访问性，并且由于海量数据远超人力处理能力，依靠人力无法发现数据中隐藏的众多关系。利用协同过滤推荐策略和知识图谱的方法，通常都需要大量的数据。

而银行内部产品销售领域较小，尤其是可利用数据量有限，并且其他银行相关销售信息相对较为封闭，获取成本较高，因此对于需要大量数据进行训练的方法耦合度较低，不能充分利用网络，且对大量数据进行训练的网络往往参数或运算量较高，不能灵活增减需要处理的数据个数，对于硬件资源会造成大量压力。

K决策树虽然能够列出决策问题的全部可行方案和可能出现的各种自然状态，以及各种可行方法在各种不同状态下的期望值，计算量也较低，但是使用范围有限，对连续性字段比较难预测，无法适用一些不能用数量表示的决策，容易出现决策失误。

本公开提供了基于改进的胶囊网络模型实现的理财产品推荐方法、装置、设备、介质和程序产品，使用每层胶囊层中各个胶囊对N个理财关联特征进行处理，将理财产品的各个标签分别作为各个胶囊输出的对应兴趣特征，最终预测出M个理财产品标签，以能够展示具有较高推荐准确率的推荐列表。改进的胶囊网络模型能够处理多样的数据，充分保留细节信息，较好地处理信息拥挤的场景，对小样本和连续文本耦合度高，可以应对信息孤岛，避免现有技术中训练不充分导致推荐失败的情况，克服了协同过滤推荐策略和知识图谱需要使用大量数据进行分析且臃肿、决策树模型使用范围有限的缺点。

在本公开的技术方案中，在获取或采集客户个人信息之前，获得授权，所涉及的客户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

图1示意性示出了根据本公开实施例的理财产品推荐方法的应用场景图。但本公开并不仅限于此。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

客户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103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101、102、103可以是具有显示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105可以是提供各种服务的服务器，例如对客户利用终端设备101、102、103所浏览的网站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对接收到的客户请求等数据进行分析等处理，并将处理结果(例如根据客户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

应该理解，图1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。

以下将基于图1描述的场景，通过图2～图9对本公开实施例的理财产品推荐方法进行详细描述。

图2示意性示出了根据本公开实施例的理财产品推荐方法的流程图。

如图2所示，该实施例的理财产品推荐方法包括操作S210～操作S240。

在操作S210，获取目标客户的N个理财关联特征，N个理财关联特征适于根据目标客户的N维客户信息得到。

示例性地，N维客户信息可以包括基本信息、理财习惯、征信信息等至少一种维度的信息。将数据整理为客户画像信息和历史理财行为序列，便于后续的胶囊网络模型进行处理。

例如采集客户基本信息、收入流水信息、征信信息、历史理财信息等维度的客户信息，其中，如果客户在本行内已有帐户，且已签署信息获取免责协议(客户授权)，直接从账户获取相关信息，否则前端提示需要输入信息，跟客户确认后输入相关信息，没有则置为空。客户基础信息可以包括性别、年龄、所在地、职业、籍贯、学历等信息。收入信息可以包括金额、时间、类别(工资、理财、稿费等不同类别)、衍生数据(本次入账距上次交易天数)等信息。负债信息可以包括贷款数量、还款日期、还款数量、衍生数据(本次还款距上次还款天数)等信息。

在操作S220，将N个理财关联特征输入胶囊网络模型，其中，胶囊网络模型中每层胶囊层包括S个胶囊，S个胶囊被配置为输出目标客户对理财产品的S个兴趣特征。

示例性地，目标客户对理财产品的S个兴趣特征由胶囊网络模型中各层胶囊层处理，在经由低级胶囊向高级胶囊的特征迭代过程后得到。

在一些实施例中，S个兴趣特征根据理财产品的S个标签信息获得，S个标签信息包括以下至少一个：理财类型、收益率、持有期和风险度，风险度用于表征目标客户的抗风险分数。

示例性地，例如目标客户登录手机银行的理财板块后，填写风险测试报告，抗风险分数可以根据目标客户填写结果计算得到。又例如抗风险分数可以根据目标客户的历史交易记录获得，或者由目标客户自行填写。能够减少给目标客户推荐的高风险理财产品。

根据本公开的实施例，从理财类型、收益率、持有期和风险度中至少一个理财产品维度考虑目标客户对购买理财产品的意向，能够提高推荐准确率，推荐信息更易被目标客户接受。

在操作S230，获取胶囊网络模型预测的M个理财产品标签，胶囊网络模型被配置为基于S个兴趣特征中至少一个进行预测，N、M和S皆大于或等于1。

示例性地，不同目标客户的基本信息、收入流水信息、征信信息、历史理财信息等维度并不完全相同，故每个客户的兴趣胶囊数量不是固定的，则兴趣特征的数量也不是固定的，根据计算出的客户的兴趣特征进行预测。

在一些实施例中，由于训练过程和推理过程的特征大小要匹配，所以输入大小其实是一致的，也就是补零特征，然后保证浅层和Resblock块部分处理一致。如果客户的兴趣数量少于S，可以减少胶囊层的使用，这样计算的标签就会减少，已有的数据匹配度也会不一样。

在操作S240，基于M个理财产品标签向目标客户展示理财产品推荐列表。

在一些实施例中，理财产品标签可以包括理财类型、收益率、持有期和风险度等内容，通过预测结果去匹配具备对应标签的理财产品组成理财产品推荐列表。

在另一些实施例中，理财产品标签可以直接为理财产品名称，该些名称即展示在理财产品推荐列表。

根据本公开的实施例，使用每胶囊层中各个胶囊对N个理财关联特征进行处理，将理财产品的各个标签分别作为各个胶囊输出的对应兴趣特征，最终预测出M个理财产品标签，以能够展示具有较高推荐准确率的推荐列表。改进的胶囊网络模型能够处理多样的数据，充分保留细节信息，较好地处理信息拥挤的场景，对小样本和连续文本耦合度高，可以应对信息孤岛，避免现有技术中训练不充分导致推荐失败的情况。

图3示意性示出了根据本公开实施例的理财推荐模型的架构图。图4示意性示出了根据本公开另一实施例的理财推荐模型的架构图。

如图3所示，本公开一些实施例提供理财推荐模型实现理财产品推荐方法，其可以包括特征提取模型和胶囊网络模型。特征提取模型可以包括Embedding层(编码层)、Conv层(卷积层)、Max pooling层(最大池化层)和3个串联的Resblock块。胶囊网络模型包括胶囊网络和全连接层。图4所示的架构与图3一一对应，图4进一步示出了更详细的信息。

参照图4，胶囊网络可以包括多个胶囊层，每层胶囊层四个胶囊：理财类型、收益率、持有期、风险度，每个胶囊内部包括仿射变换层(矩阵乘法)、加权(带系数的加和)、非线性激活(squash函数)。

图5示意性示出了根据本公开实施例的获取理财关联特征的流程图。

如图5所示，在操作S210获取理财关联特征包括操作S510～操作S520。

在操作S510，将N维客户信息转化到数据特征空间，获得浅层特征，浅层特征包括将N维客户信息经过特定次数处理得到的特征向量。

示例性地，例如客户信息可以包括文本信息，而将其以特征向量表示并进一步处理，即为转化到数据特征空间。浅层特征是指离输入数据较近的特征，包含更多的初始信息，能够保证网络捕获更多的细节。如图3和图4，经过了三层网络处理，即特定次数为3次。

图6示意性示出了根据本公开实施例的获得浅层特征的流程图。

如图6所示，该实施例的获得浅层特征包括操作S610～操作S630。

在操作S610，利用编码层将N维客户信息映射为第一特征向量。

在操作S620，将第一特征向量输入至二维卷积层进行卷积，得到第二特征向量。

在操作S630，将第二特征向量输入至最大池化层，获得浅层特征。

参照图3和图4，第一层为Embedding层，用于把原始输入数据映射到一组向量(即第一特征向量)表示，其中每个单词作为一个词向量，形成的一组特征向量可以使用二维卷积层进行卷积得到第二特征向量。Max pooling层获取第二特征向量进行最大池化处理得到浅层特征，该浅层向量用于后续处理。

在操作S520，将浅层特征依次经由K个ResBlock块进行处理，获得N个理财关联特征，K大于或等于1。

参照图3和图4，基础信息、收入信息和负债信息形成历史理财行为序列，先输入编码层、卷积层和最大池化层，并进一步经由串联的3个ResBlock块处理。ResBlock块包括含跳跃连接的卷积块，卷积块包括至少一层卷积层。换言之，N个理财关联特征之间也保留了基于历史理财行为序列的联系。尤其说明，在Embed+Conv+pooling中和ResBlock×3中分别具有权重1和权重2。基础信息、收入信息和负债信息各自的权重1和权重2可以相同或不同。

根据本公开的实施例，借助ResBlock块获取局部信息，进一步将浅层特征进行优化，这里的卷积层用于特征提取，同时为胶囊层生成合适的尺寸和通道。例如卷积核设置为3×3，激活函数为ReLU。此处可以在保持梯度不消失的基础上对向量进行局部融合，进一步抽象数据，一方面结合CNN的局部特征提取和处理速度快的特点，另一方面结合了胶囊网络的全局聚类，从而实现了对局部-整体关系更好地进行表达的效果。

接下来，使用胶囊网络捕获(序列信息，如历史理财行为序列)长距离依赖，每层胶囊层包含一定数量的胶囊数，从而组合前一层的特征，继而进行相关计算。

参照图3和图4，胶囊网络可以将一个或多个兴趣特征输入到全连接层，也可以先对多个兴趣特征进行concat处理后输入到全连接层。通过全连接层将兴趣特征进行处理，转化为预测概率，按照概率给理财产品列表排序，输出最佳推荐的M个理财产品标签(取TOPM个)。

根据本公开的实施例，胶囊网络具有较强解释性，能够充分保留目标客户的理财关联特征的细节信息，处理信息拥挤的场景。获取多个(不定数)兴趣胶囊，并将胶囊进行迭代处理优化特征，便于灵活机动地推荐理财产品。

图7示意性示出了根据本公开实施例的展示理财产品推荐列表的流程图。

如图7所示，在操作S240展示理财产品推荐列表包括操作S710～操作S730。

在操作S710，基于M个理财产品标签获取至少一个理财产品信息。

在操作S720，计算每个理财产品信息与M个理财产品标签的匹配度。

在操作S730，按照匹配度大小向目标客户展示理财产品推荐列表，理财产品推荐列表包括特定数量的理财产品。

在一些实施例中，理财产品标签包括理财类型、收益率、持有期和风险度对应的标签。例如某个理财产品与多个理财产品标签(如基金标签、收益率≥10％标签和高风险标签)匹配，则排在前列，反之排在后列。特定数量可以根据具体匹配度筛选，如大于该具体匹配度的理财产品数量，也可以预先确定，例如展示10个理财产品。

另一些实施例中，还可以实时获取各个理财产品的销量和用户咨询量等，并据此生成热度值，例如根据高热度值对各产品可以加一个较大的系数，分数就会高，提高展示率。

按照理财产品标签从数据库中获取理财产品信息，通过搜索匹配算法计算匹配度，从而按照匹配程度展示理财推荐列表(即推荐信息)，提高推荐准确率。

图8示意性示出了根据本公开实施例的优化训练胶囊网络模型的流程图。

如图8所示，该实施例的优化训练胶囊网络模型包括操作S810～操作S820。

在操作S810，获取目标客户的购买记录和对理财产品推荐列表中至少一个产品的评价分数，购买记录响应于目标客户购买理财产品推荐列表中的产品而生成。

在操作S820，通过更新后的理财产品推荐列表和购买记录训练胶囊网络模型，其中，根据评价分数更新理财产品推荐列表中产品排序。

示例性地，将理财推荐列表作为依据对客户进行推荐。根据客户的满意程度(即评价分数，如根据客户的选择/接受行为、评价和反馈信息获得)对列表的推荐产品进行顺序更新，不满意的进行移除，将最终结果反传到系统上。将成功销售的产品形成购买记录获取作为input，基于更新的列表得到新的标签(如理财产品的各个标签或名称)，对网络进行优化训练。

根据本公开的实施例，通过评价分数和购买记录获取客户对理财推荐服务的认可度和推荐服务的合理性，不断训练优化模型，为客户提供更满意更合理的个性化推荐服务。

图9示意性示出了根据本公开实施例的预先训练胶囊网络模型的流程图。

在将N个理财关联特征输入胶囊网络模型之前，如图9所示，该实施例的预先训练胶囊网络模型包括操作S910～操作S940。

在操作S910，获取历史客户的N个理财关联特征，以及至少一个已购买理财产品的标签信息。

示例性地，在经授权的情况下，获取本银行内用户相关原始数据(包括用户基本信息、收入流水信息、征信信息、历史理财信息等数据)，并得到N个理财关联特征，将用户购买的产品进行一定规则的处理，得到标签信息。标签信息可以是理财产品名称，或可以是理财类型、收益率、持有期和风险度对应的标签。

在操作S920，将历史客户的N个理财关联特征输入胶囊网络模型，获得预测的M个理财产品标签。

在一些实施例中，胶囊网络模型包括Q层胶囊层，Q大于或等于2，获取胶囊网络模型的M个预测理财产品包括：对于Q层胶囊层中相邻的两层，将前层胶囊层的输出、后层胶囊层的迭代次数和兴趣胶囊个数作为后层胶囊层的输入，其中，兴趣胶囊个数根据目标客户对应理财类型、收益率、持有期和风险度中的至少一个兴趣特征确定。

例如，目标客户对理财类型和收益率有兴趣，则兴趣胶囊个数根据理财类型兴趣特征和收益率兴趣特征确定为2个。比如通过跟客户的交流沟通，收集到客户对于任何理财类型都感兴趣，那这个标签其实没有意义，可以去掉这个兴趣相关的胶囊层，而收益率、持有时长等具有偏好，那么就是对这些感兴趣，保留这些兴趣的胶囊层。上述去除过程在训练的时候放在数据预处理部分，也可以在推理过程中实时迭代更新训练地去除。

示例性地，胶囊网络是一层层的胶囊叠起来的，每一层输入为客户行为向量(上一层胶囊的输出)、迭代次数和兴趣胶囊个数。将理财产品的各个标签(例如上述S个标签信息，理财类型、收益率、持有期和风险度等)分别作为一个兴趣，相当于存在多个输出表示向量，输入为三类客户相关数据。一层层叠起来由低级行为胶囊特征迭代优化为高级兴趣胶囊特征。

每层胶囊层处理数据过程中，按照迭代次数(可以预设，也可以根据可利用资源实时计算)进行多次迭代。先初始化每个输入胶囊(客户行为向量)对应的相关性分数，每次迭代计算输入胶囊与输出胶囊的相关性分数，例如首先把分数转成权重，然后加权求和，基于对求和结果归一化操作的结果更新最终的相关性分数。通过若干次迭代之后，得到最后的输出胶囊向量会慢慢的走到与它更相关的那些输入胶囊附近，而远离那些与它不相干的输入胶囊。上述附近和远离可以根据向量之间的距离来确定。

在操作S930，根据预测的M个理财产品标签和标签信息，计算损失函数值。

在一些实施例中，若标签信息为理财类型、收益率、持有期和风险度对应的标签，则损失函数可以为margin loss，对每类标签对应的胶囊分别使用边际损失函数得到类损失，基于各个类损失整合得到损失函数值。

具体而言，构建网络层的时候，将输出兴趣标签Y1、Y2、Y3、Y4(如理财类型、收益率、持有期和风险度)分别和每一行的最后一个胶囊对应，每行胶囊的输入是上一层(列)胶囊的输出(第一个是前面输入的优化特征)，进行了多层胶囊处理将特征由浅到深进行优化，训练时每行胶囊的参数就可以固定，便于推理。

举例如下：

优化特征→A1→A2→A3→A4→Y1；

优化特征→B1→B2→B3→B4→Y2；

优化特征→C1→C2→C3→C4→Y3；

优化特征→D1→D2→D3→D4→Y2。

上述优化特征是前面的浅层结构和ResBlock块输出的特征向量，训练的时候先固定输入数据和Y，训练获取整个网络的模型，推理的时候固定网络模型，输入数据，获取预测标签。

在另一些实施例中，若标签信息为理财产品名称，则可以使用交叉熵函数计算损失函数值(仅为示例)。

在操作S940，根据损失函数值更新胶囊网络模型。

在一些实施例中，可以将图3中特征提取模型和胶囊网络模型分别训练。在另一些实施例中，可以训练端到端的理财推荐模型，即同时训练特征提取模型和胶囊网络模型，例如在操作S910之前，N个理财关联特征由特征提取模型获得，在操作S940中同时更新特征提取模型和胶囊网络模型，迭代训练直到符合结束阈值条件。

根据本公开的实施例，训练胶囊网络模型可以应对信息孤岛，避免相关技术中训练不充分导致推荐失败的情况。在同时训练特征提取模型和胶囊网络模型时，由于结合了卷积结构(卷积层和ResBlock块)，能够减少由于使用胶囊结构导致的大量训练时间(用了卷积结构可以减少胶囊迭代次数而不担心数据处理不充分)。

基于上述理财产品推荐方法，本公开还提供了一种理财产品推荐系统。以下将结合图10对该系统进行详细描述。

图10示意性示出了根据本公开实施例的理财产品推荐系统的结构框图。

如图10所示，该实施例的理财产品推荐系统1000包括获取特征模块1010、特征输入模块1020、标签预测模块1030和推荐展示模块1040。

获取特征模块1010可以执行操作S210，用于获取目标客户的N个理财关联特征，N个理财关联特征适于根据目标客户的N维客户信息得到。

特征输入模块1020可以执行操作S220，用于将N个理财关联特征输入胶囊网络模型，其中，胶囊网络模型中每层胶囊层包括S个胶囊，S个胶囊被配置为输出目标客户对理财产品的S个兴趣特征。

标签预测模块1030可以执行操作S230，用于获取胶囊网络模型预测的M个理财产品标签，胶囊网络模型被配置为基于S个兴趣特征中至少一个进行预测，N、M和S皆大于或等于1。

推荐展示模块1040可以执行操作S240，用于基于M个理财产品标签向目标客户展示理财产品推荐列表。

在一些实施例中，理财产品推荐系统1000可以包括数据预处理模块，可以执行操作S510～操作S520，操作S610～操作S630，在此不做赘述。

在一些实施例中，理财产品推荐系统1000可以包括后处理模块，可以执行操作S710～操作S730，操作S810～操作S820，在此不做赘述。

在一些实施例中，理财产品推荐系统1000可以包括训练模块，可以执行操作S910～操作S940，在此不做赘述。

需要说明的是，理财产品推荐系统1000包括分别用于执行如上图2～图9描述的任意一个实施例的各个步骤的模块。系统部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例，获取特征模块1010、特征输入模块1020、标签预测模块1030和推荐展示模块1040中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，获取特征模块1010、特征输入模块1020、标签预测模块1030和推荐展示模块1040中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取特征模块1010、特征输入模块1020、标签预测模块1030和推荐展示模块1040中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图11示意性示出了根据本公开实施例的适于实现理财产品推荐方法的电子设备的方框图。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106。包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107。包括硬盘等的存储部分1108。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1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，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1110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1108。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的。也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到客户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。