CN106097044A - 一种数据推荐处理方法以及装置 - Google Patents

Abstract

本发明实施例公开了一种数据推荐处理方法以及装置，其中方法包括：获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。采用本发明，可以智能地向用户推荐符合用户需求的业务产品。

Description

一种数据推荐处理方法以及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种数据推荐处理方法以及装置。

背景技术

随着互联网技术的发展，人们对互联网的使用越来越普及，因此，在互联网中也随之出现越来越多的业务产品，如贷款产品、理财产品等等。目前在互联网中推广业务产品时，通常都是直接将业务产品上传网站平台，由于业务产品种类繁多，所以大多用户难以在网站平台中筛选出真正适合自己的业务产品；有时也会将同一款业务产品推送给所有用户，而这种方式往往容易造成错误推荐，例如，推送的业务产品是属于贷款产品，而某些用户只想要理财，那么所推送的业务产品必然不是这些用户所需要的，即造成了错误推荐。

发明内容

本发明实施例提供一种数据推荐处理方法以及装置，可以智能地向用户推荐符合用户需求的业务产品。

本发明实施例提供了一种数据推荐处理方法，包括：

获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

相应地，本发明实施例还提供了一种数据推荐处理装置，包括：

第一计算模块，用于获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

第二计算模块，用于获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

计算推荐模块，用于计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

本发明实施例通过计算用户业务需求，并根据用户业务需求指数确定用户业务需求类型，从而可以得知用户所期望的业务产品的类型，进而获取与用户业务需求类型对应的业务产品数据集合，并通过计算用户特征向量与业务产品数据集合中的每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以达到精确的业务产品推荐，即实现了智能地向用户推荐符合用户需求的业务产品。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种数据推荐处理方法的流程示意图；

图2是本发明实施例提供的另一种数据推荐处理方法的流程示意图；

图3是本发明实施例提供的一种数据推荐处理装置的结构示意图；

图4是本发明实施例提供的一种第一计算模块的结构示意图；

图5是本发明实施例提供的一种预测单元的结构示意图；

图6是本发明实施例提供的一种第二确定单元的结构示意图；

图7是本发明实施例提供的一种计算推荐模块的结构示意图；

图8是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，是本发明实施例提供的一种数据推荐处理方法的流程示意图，所述方法可以包括：

S101，获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

具体的，服务器可以获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；其中，所述当前时段的输入资源信息可以为用户的当月收入信息，所述第一类业务的输出资源信息可以为用户的当月贷款支出信息(第一类业务即为贷款业务)，所述多个历史输出资源信息可以为用户的过去每个月的消费类支出信息，所述历史累计流动资源信息可以为用户的过去每个月的可流动资产的总和。所述服务器再根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息(即当月需要支出的所有金额)；所述当前时段的总输出资源信息可以是当前时段的输出资源需求信息与所述第一类业务的输出资源信息的和；所述当前时段的输出资源需求信息可以是根据所述多个历史输出资源信息预测出的，例如，假设当前时段是3月份，则可以根据过去m年中的3月份的消费类支出信息(即所述多个历史输出资源信息)，预测出当前3月份可能需要消费的支出额度(即当前时段的输出资源需求信息)。所述服务器进一步将所述当前时段的输入资源信息与所述当前时段的总输出资源信息相减，以得到当前时段的流动资源信息(相当于当月的可流动资产)，再将所述当前时段的流动资源信息与所述历史累计流动资源信息相加，以得到当前时段的累计流动资源信息(即过去的每个月的可流动资产与当月的可流动资产的总和)；当到下一个时段时，再将所述当前时段的累计流动资源信息作为新的历史累计流动资源信息，以用于计算出下一个时段的累计流动资源信息。所述服务器再将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数，所述用户业务需求指数也相当于用户缺钱指数。最后，所述服务器可以根据所述用户业务需求指数确定用户业务需求类型。例如，若所述用户业务需求指数小于1，则可以表示用户当前所有可流动资产(即当前所有可用的钱)不足一个月的支出，说明用户很缺钱，因此，可以确定用户业务需求类型为贷款业务类型，即该用户属于有贷款需求的用户；若所述用户业务需求指数大于或等于6，则表示用户当前所有可流动资产已超过6个月需要支出的所有金额，说明用户有较多可存储的钱，因此，可以确定用户业务需求类型为理财业务类型，即该用户属于有理财需求的用户。

S102，获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

具体的，当所述用户业务需求类型为贷款业务类型时，所述服务器可以获取为所述贷款业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于贷款业务类型。所述服务器进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括贷款产品的最高贷款额度、贷款产品类型(如信用卡、小额贷款等等)、贷款产品的最早到款时间、贷款产品的最低要求征信分等特征。

当所述用户业务需求类型为理财业务类型时，所述服务器可以获取为所述理财业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于理财业务类型。所述服务器进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括理财产品的收益、理财产品的风险分布等特征。

S103，计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据；

具体的，所述用户业务资源信息还包括用户征信分、用户授信余额、用户缺钱时间、用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型。其中，所述用户授信余额是由用户的最高授信额度(最高授信额度是根据用户征信分计算得到的)减去已贷款数量所得到的。所述用户缺钱时间是指用户期望拿到钱的时长，如用户希望能一个星期内拿到钱，则所述用户缺钱时间为一个星期。

当所述用户业务需求类型为贷款业务类型时，所述服务器可以在所述用户业务资源信息中提取与所述贷款业务类型相关联的目标用户业务资源信息(主要包括用户征信分、用户授信余额、用户缺钱时间、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述贷款业务类型对应的用户特征向量，此处的用户特征向量包括用户征信分、用户授信余额、所述用户业务需求指数(具体参见S101中对用户业务需求指数的计算过程)、缺钱时间、用户期望的贷款类型。所述用户期望的贷款类型包括消费类贷款(如信用卡)和现金类贷款(如小额贷款)，所述用户期望的贷款类型是根据消费类型指数进行确定的，所述消费类型指数是所述当前时段的输出资源需求信息(具体参见S101中对所述当前时段的输出资源需求信息的预测过程)与所述当前时段的总输出资源信息(具体参见S101中对所述当前时段的总输出资源信息的计算过程)的比值。当所述消费类型指数接近于1时，可以认为用户当前主要需求是消费，因此，可以确定所述用户期望的贷款类型为消费类贷款；当所述消费类型指数接近于0时，可以认为用户当前主要需求是还贷款，因此，可以确定所述用户期望的贷款类型为现金类贷款。进一步的，所述服务器将所述贷款业务类型对应的用户特征向量中的每个特征分别与为所述贷款业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：征信分满足程度、授信余额满足程度、缺钱额度满足程度、缺钱时间满足程度、贷款产品是否满足用户期望的贷款类型。所述征信分满足程度是所述用户征信分与所述贷款产品的最低要求征信分的比值(由此可见，所述征信分满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述授信余额满足程度是所述用户授信余额与所述贷款产品的最高贷款额度的比值；所述缺钱额度满足程度是所述用户授信余额与缺钱额度的比值；所述缺钱时间满足程度是所述贷款产品的最早到款时间与所述缺钱时间的比值；所述贷款产品是否满足用户期望的贷款类型可以用1和0进行表示，1表示满足、0表示不满足，例如，贷款产品是信用卡，而用户期望的贷款类型是现金类贷款，则所述贷款产品是否满足用户期望的贷款类型这一特征可以取值0。所述服务器计算得到为所述贷款业务类型的每个业务产品数据分别对应的匹配特征向量后，可以进一步计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的贷款产品推荐给有贷款需求的用户。

当所述用户业务需求类型为理财业务类型时，所述服务器可以在所述用户业务资源信息中提取与所述理财业务类型相关联的目标用户业务资源信息(主要包括用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述理财业务类型对应的用户特征向量，此处的用户特征向量包括所述当前时段的累计流动资源信息(具体参见S101中对所述当前时段的累计流动资源信息的计算过程)、用户预期收益、用户风险偏好分布。所述用户预期收益是所述用户购买过的多个历史理财产品收益值的平均值，所述用户风险偏好分布是根据用户购买过的多个历史理财产品类型所统计出来的。进一步的，所述服务器将所述理财业务类型对应的用户特征向量中的每个特征分别与为所述理财业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：理财额度满足程度、收益满足程度、风险满足程度。所述理财额度满足程度是所述当前时段的累计流动资源信息与个人最高购买额度(所述个人最高购买额度可以是在用户购买过的多个历史理财产品中筛选出的)的比值；所述收益满足程度是所述理财产品的收益与所述用户预期收益的比值(由此可见，所述收益满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述风险满足程度是根据所述用户风险偏好分布和所述理财产品的风险分布的相似性进行计算得到的。所述服务器计算得到为所述理财业务类型的每个业务产品数据分别对应的匹配特征向量后，可以进一步计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的理财产品推荐给有理财需求的用户。

本发明实施例通过计算用户业务需求，并根据用户业务需求指数确定用户业务需求类型，从而可以得知用户所期望的业务产品的类型，进而获取与用户业务需求类型对应的业务产品数据集合，并通过计算用户特征向量与业务产品数据集合中的每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以达到精确的业务产品推荐，即实现了智能地向用户推荐符合用户需求的业务产品。

请参见图2，是本发明实施例提供的另一种数据推荐处理方法的流程示意图，所述方法可以包括：

S201，获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；

具体的，服务器可以获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；其中，所述当前时段的输入资源信息可以为用户的当月收入信息，所述第一类业务的输出资源信息可以为用户的当月贷款支出信息(第一类业务即为贷款业务)，所述多个历史输出资源信息可以为用户的过去每个月的消费类支出信息，所述历史累计流动资源信息可以为用户的过去每个月的可流动资产的总和。

S202，根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息；

具体的，所述服务器可以在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源，例如，若所述多个历史输出资源信息包括过去3年内每个月的消费类支出信息，且所述当前时段为3月份，则可以在所述多个历史输出资源信息中选择出每年中第3月份的消费类支出信息作为目标历史输出资源。

所述服务器再根据所述至少一个目标历史输出资源以及第一LR(LogisticRegression，逻辑回归)模型预测当前时段的输出资源需求信息，所述第一LR模型为其中，S为预测出的当前时段的输出资源需求信息，m表示向前推m年，β_j为模型参数，且β_j表示向前推第j年的权重，cost(j，i)表示向前推第j年的第i月的目标历史输出资源(例如，j＝1，i＝10，则表示去年的第10月份的消费类支出信息)。由于在不同的月份中，用户的消费类支出信息的差别可能比较大，所以通过选择出与所述当前时段对应的至少一个目标历史输出资源，可以更准确的预测出所述当前时段的输出资源需求信息。

所述服务器再将所述第一类业务的输出资源信息与预测出的所述当前时段的输出资源需求信息相加，即可得到当前时段的总输出资源信息(即当月需要支出的所有金额)。

S203，根据所述当前时段的输入资源信息、所述当前时段的总输出资源信息以及历史累计流动资源信息，计算出当前时段的累计流动资源信息；

具体的，所述服务器进一步将所述当前时段的输入资源信息与所述当前时段的总输出资源信息相减，以得到当前时段的流动资源信息(相当于当月的可流动资产)，再将所述当前时段的流动资源信息与所述历史累计流动资源信息相加，以得到当前时段的累计流动资源信息(即过去的每个月的可流动资产与当月的可流动资产的总和)；当到下一个时段时，再将所述当前时段的累计流动资源信息作为新的历史累计流动资源信息，以用于计算出下一个时段的累计流动资源信息。

S204，将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数；

具体的，所述服务器再将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数，所述用户业务需求指数也相当于用户缺钱指数。

S205，根据所述用户业务需求指数确定用户业务需求类型；

具体的，所述服务器可以判断所述用户业务需求指数是否小于预设的第一指数阈值；若判断为是，则确定所述用户业务需求类型为第一类业务类型，所述第一类业务类型可以为贷款业务类型；若判断为否，则进一步判断所述用户业务需求指数是否大于或等于预设的第二指数阈值；若判断出所述用户业务需求指数大于或等于预设的第二指数阈值，则确定所述用户业务需求类型为第二类业务类型，所述第二类业务类型可以为理财业务类型。例如，设所述第一指数阈值为1，所述第二指数阈值为6，若所述用户业务需求指数小于1，则可以表示用户当前所有可流动资产(即当前所有可用的钱)不足一个月的支出，说明用户很缺钱，因此，可以确定用户业务需求类型为贷款业务类型，即该用户属于有贷款需求的用户；若所述用户业务需求指数大于或等于6，则表示用户当前所有可流动资产已超过6个月需要支出的所有金额，说明用户有较多可存储的钱，因此，可以确定用户业务需求类型为理财业务类型，即该用户属于有理财需求的用户。

其中，当所述用户业务需求指数小于所述第二指数阈值，且大于或等于所述第一指数阈值时，可以表示用户是介于有理财需求和有贷款需求之间的用户，此时，可以随机确定所述用户业务需求类型为第一类业务类型或第二类业务类型。

S206，获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

具体的，当所述用户业务需求类型为贷款业务类型(即第一类业务类型)时，所述服务器可以获取为所述贷款业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于贷款业务类型。所述服务器进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括贷款产品的最高贷款额度、贷款产品类型(如信用卡、小额贷款等等)、贷款产品的最早到款时间、贷款产品的最低要求征信分等特征。

当所述用户业务需求类型为理财业务类型(即第二类业务类型)时，所述服务器可以获取为所述理财业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于理财业务类型。所述服务器进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括理财产品的收益、理财产品的风险分布等特征。

S207，在所述用户业务资源信息中提取与所述用户业务需求类型相关联的目标用户业务资源信息，并根据所述目标用户业务资源信息生成与所述用户业务需求类型对应的用户特征向量；

S208，将所述用户特征向量中的每个特征分别与每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量；

S209，基于与所述用户业务需求类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据；

具体的，所述用户业务资源信息还包括用户征信分、用户授信余额、用户缺钱时间、用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型。其中，所述用户授信余额是由用户的最高授信额度(最高授信额度是根据用户征信分计算得到的)减去已贷款数量所得到的。所述用户缺钱时间是指用户期望拿到钱的时长，如用户希望能一个星期内拿到钱，则所述用户缺钱时间为一个星期。

当所述用户业务需求类型为贷款业务类型(即第一类业务类型)时，S207-S209步骤的具体过程可以为：所述服务器可以在所述用户业务资源信息中提取与所述贷款业务类型相关联的目标用户业务资源信息(主要包括用户征信分、用户授信余额、用户缺钱时间、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述贷款业务类型对应的用户特征向量，此处的用户特征向量包括用户征信分、用户授信余额、所述用户业务需求指数(具体参见S204中对用户业务需求指数的计算过程)、缺钱时间、用户期望的贷款类型。所述用户期望的贷款类型包括消费类贷款(如信用卡)和现金类贷款(如小额贷款)，所述用户期望的贷款类型是根据消费类型指数进行确定的，所述消费类型指数是所述当前时段的输出资源需求信息(具体参见S202中对所述当前时段的输出资源需求信息的预测过程)与所述当前时段的总输出资源信息(具体参见S202中对所述当前时段的总输出资源信息的计算过程)的比值。当所述消费类型指数接近于1时，可以认为用户当前主要需求是消费，因此，可以确定所述用户期望的贷款类型为消费类贷款；当所述消费类型指数接近于0时，可以认为用户当前主要需求是还贷款，因此，可以确定所述用户期望的贷款类型为现金类贷款。进一步的，所述服务器将所述贷款业务类型对应的用户特征向量中的每个特征分别与为所述贷款业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：征信分满足程度、授信余额满足程度、缺钱额度满足程度、缺钱时间满足程度、贷款产品是否满足用户期望的贷款类型。所述征信分满足程度是所述用户征信分与所述贷款产品的最低要求征信分的比值(由此可见，所述征信分满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述授信余额满足程度是所述用户授信余额与所述贷款产品的最高贷款额度的比值；所述缺钱额度满足程度是所述用户授信余额与缺钱额度的比值；所述缺钱时间满足程度是所述贷款产品的最早到款时间与所述缺钱时间的比值；所述贷款产品是否满足用户期望的贷款类型可以用1和0进行表示，1表示满足、0表示不满足，例如，贷款产品是信用卡，而用户期望的贷款类型是现金类贷款，则所述贷款产品是否满足用户期望的贷款类型这一特征可以取值0。所述服务器计算得到为所述贷款业务类型的每个业务产品数据分别对应的匹配特征向量后，可以基于与所述贷款业务类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的贷款产品推荐给有贷款需求的用户。其中，与所述贷款业务类型对应的第二LR模型可以为： $W1=\frac{1}{1+e^{-{\Σ}_{j=1}^m{\mathrm{\β}}_j*X_j}},$

其中，W1是为贷款业务类型的匹配特征向量对应的匹配值，m是该匹配特征向量中的特征数量，X_j是指该匹配特征向量中的第j个特征，β_j是模型参数，且β_j是指该匹配特征向量中的第j个特征的权重。其中，与所述贷款业务类型对应的第二LR模型中的模型参数β_j是需要预先训练的，具体训练过程为：首先，采取一批人工标注数据或将已有的用户点击数据作为标注数据(这些标注数据均属于贷款业务类型的标注数据)，然后在从标注数据中抽取出训练数据特征，再采用LR模型进行训练，以得到最终的模型参数β_j。

当所述用户业务需求类型为理财业务类型(即第二类业务类型)时，S207-S209步骤的具体过程可以为：所述服务器可以在所述用户业务资源信息中提取与所述理财业务类型相关联的目标用户业务资源信息(主要包括用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述理财业务类型对应的用户特征向量，此处的用户特征向量包括所述当前时段的累计流动资源信息、用户预期收益、用户风险偏好分布。所述用户预期收益是所述用户购买过的多个历史理财产品收益值的平均值，所述用户风险偏好分布是根据用户购买过的多个历史理财产品类型所统计出来的。进一步的，所述服务器将所述理财业务类型对应的用户特征向量中的每个特征分别与为所述理财业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：理财额度满足程度、收益满足程度、风险满足程度。所述理财额度满足程度是所述当前时段的累计流动资源信息与个人最高购买额度(所述个人最高购买额度可以是在用户购买过的多个历史理财产品中筛选出的)的比值；所述收益满足程度是所述理财产品的收益与所述用户预期收益的比值(由此可见，所述收益满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述风险满足程度是根据所述用户风险偏好分布和所述理财产品的风险分布的相似性进行计算得到的。所述服务器计算得到为所述理财业务类型的每个业务产品数据分别对应的匹配特征向量后，可以基于与所述；理财业务类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的理财产品推荐给有理财需求的用户。其中，与所述理财业务类型对应的第二LR模型可以为：

$W2=\frac{1}{1+e^{-{\Σ}_{j=1}^n{\mathrm{\α}}_j*X_j}},$

其中，W2是为理财业务类型的匹配特征向量对应的匹配值，n是该匹配特征向量中的特征数量，X_j是指该匹配特征向量中的第j个特征，α_j是模型参数，且α_j是指该匹配特征向量中的第j个特征的权重。其中，与所述理财业务类型对应的第二LR模型中的模型参数α_j是需要预先训练的，具体训练过程为：首先，采取一批人工标注数据或将已有的用户点击数据作为标注数据(这些标注数据均属于理财业务类型的标注数据)，然后在从标注数据中抽取出训练数据特征，再采用LR模型进行训练，以得到最终的模型参数α_j。

本发明实施例通过计算用户业务需求，并根据用户业务需求指数确定用户业务需求类型，从而可以得知用户所期望的业务产品的类型，进而获取与用户业务需求类型对应的业务产品数据集合，并通过计算用户特征向量与业务产品数据集合中的每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以达到精确的业务产品推荐，即实现了智能地向用户推荐符合用户需求的业务产品。

请参见图3，是本发明实施例提供的一种数据推荐处理装置的结构示意图，所述数据推荐处理装置1可以应用于服务器中，所述数据推荐处理装置1可以包括：第一计算模块10、第二计算模块20、计算推荐模块30；

所述第一计算模块10，用于获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

具体的，所述第一计算模块10可以获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；其中，所述当前时段的输入资源信息可以为用户的当月收入信息，所述第一类业务的输出资源信息可以为用户的当月贷款支出信息(第一类业务即为贷款业务)，所述多个历史输出资源信息可以为用户的过去每个月的消费类支出信息，所述历史累计流动资源信息可以为用户的过去每个月的可流动资产的总和。所述第一计算模块10再根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息(即当月需要支出的所有金额)；所述当前时段的总输出资源信息可以是当前时段的输出资源需求信息与所述第一类业务的输出资源信息的和；所述当前时段的输出资源需求信息可以是根据所述多个历史输出资源信息预测出的，例如，假设当前时段是3月份，则可以根据过去m年中的3月份的消费类支出信息(即所述多个历史输出资源信息)，预测出当前3月份可能需要消费的支出额度(即当前时段的输出资源需求信息)。所述第一计算模块10进一步将所述当前时段的输入资源信息与所述当前时段的总输出资源信息相减，以得到当前时段的流动资源信息(相当于当月的可流动资产)，再将所述当前时段的流动资源信息与所述历史累计流动资源信息相加，以得到当前时段的累计流动资源信息(即过去的每个月的可流动资产与当月的可流动资产的总和)；当到下一个时段时，再将所述当前时段的累计流动资源信息作为新的历史累计流动资源信息，以用于计算出下一个时段的累计流动资源信息。所述第一计算模块10再将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数，所述用户业务需求指数也相当于用户缺钱指数。最后，所述服务器可以根据所述用户业务需求指数确定用户业务需求类型。例如，若所述用户业务需求指数小于1，则可以表示用户当前所有可流动资产(即当前所有可用的钱)不足一个月的支出，说明用户很缺钱，因此，可以确定用户业务需求类型为贷款业务类型，即该用户属于有贷款需求的用户；若所述用户业务需求指数大于或等于6，则表示用户当前所有可流动资产已超过6个月需要支出的所有金额，说明用户有较多可存储的钱，因此，可以确定用户业务需求类型为理财业务类型，即该用户属于有理财需求的用户。

所述第二计算模块20，用于获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

具体的，当所述用户业务需求类型为贷款业务类型时，所述第二计算模块20可以获取为所述贷款业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于贷款业务类型。所述第二计算模块20进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括贷款产品的最高贷款额度、贷款产品类型(如信用卡、小额贷款等等)、贷款产品的最早到款时间、贷款产品的最低要求征信分等特征。

当所述用户业务需求类型为理财业务类型时，所述第二计算模块20可以获取为所述理财业务类型的业务产品数据集合，此处的业务产品数据集合中的每个业务产品数据均属于理财业务类型。所述第二计算模块20进一步计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量。此处的每个业务产品数据的业务特征向量均可以包括理财产品的收益、理财产品的风险分布等特征。

所述计算推荐模块30，用于计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据；

具体的，所述用户业务资源信息还包括用户征信分、用户授信余额、用户缺钱时间、用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型。其中，所述用户授信余额是由用户的最高授信额度(最高授信额度是根据用户征信分计算得到的)减去已贷款数量所得到的。所述用户缺钱时间是指用户期望拿到钱的时长，如用户希望能一个星期内拿到钱，则所述用户缺钱时间为一个星期。

当所述用户业务需求类型为贷款业务类型时，所述计算推荐模块30可以在所述用户业务资源信息中提取与所述贷款业务类型相关联的目标用户业务资源信息(主要包括用户征信分、用户授信余额、用户缺钱时间、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述贷款业务类型对应的用户特征向量，此处的用户特征向量包括用户征信分、用户授信余额、所述用户业务需求指数、缺钱时间、用户期望的贷款类型。所述用户期望的贷款类型包括消费类贷款(如信用卡)和现金类贷款(如小额贷款)，所述用户期望的贷款类型是根据消费类型指数进行确定的，所述消费类型指数是所述当前时段的输出资源需求信息与所述当前时段的总输出资源信息的比值。当所述消费类型指数接近于1时，可以认为用户当前主要需求是消费，因此，可以确定所述用户期望的贷款类型为消费类贷款；当所述消费类型指数接近于0时，可以认为用户当前主要需求是还贷款，因此，可以确定所述用户期望的贷款类型为现金类贷款。进一步的，所述计算推荐模块30将所述贷款业务类型对应的用户特征向量中的每个特征分别与为所述贷款业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：征信分满足程度、授信余额满足程度、缺钱额度满足程度、缺钱时间满足程度、贷款产品是否满足用户期望的贷款类型。所述征信分满足程度是所述用户征信分与所述贷款产品的最低要求征信分的比值(由此可见，所述征信分满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述授信余额满足程度是所述用户授信余额与所述贷款产品的最高贷款额度的比值；所述缺钱额度满足程度是所述用户授信余额与缺钱额度的比值；所述缺钱时间满足程度是所述贷款产品的最早到款时间与所述缺钱时间的比值；所述贷款产品是否满足用户期望的贷款类型可以用1和0进行表示，1表示满足、0表示不满足，例如，贷款产品是信用卡，而用户期望的贷款类型是现金类贷款，则所述贷款产品是否满足用户期望的贷款类型这一特征可以取值0。所述计算推荐模块30计算得到为所述贷款业务类型的每个业务产品数据分别对应的匹配特征向量后，可以进一步计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的贷款产品推荐给有贷款需求的用户。

当所述用户业务需求类型为理财业务类型时，所述计算推荐模块30可以在所述用户业务资源信息中提取与所述理财业务类型相关联的目标用户业务资源信息(主要包括用户购买过的多个历史理财产品收益值、用户购买过的多个历史理财产品类型、当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息)，并根据所述目标用户业务资源信息生成与所述理财业务类型对应的用户特征向量，此处的用户特征向量包括所述当前时段的累计流动资源信息、用户预期收益、用户风险偏好分布。所述用户预期收益是所述用户购买过的多个历史理财产品收益值的平均值，所述用户风险偏好分布是根据用户购买过的多个历史理财产品类型所统计出来的。进一步的，所述计算推荐模块30将所述理财业务类型对应的用户特征向量中的每个特征分别与为所述理财业务类型的每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量，此处的匹配特征向量包括：理财额度满足程度、收益满足程度、风险满足程度。所述理财额度满足程度是所述当前时段的累计流动资源信息与个人最高购买额度(所述个人最高购买额度可以是在用户购买过的多个历史理财产品中筛选出的)的比值；所述收益满足程度是所述理财产品的收益与所述用户预期收益的比值(由此可见，所述收益满足程度即是由用户特征向量中的特征与业务特征向量中的特征进行关联计算得到的)；所述风险满足程度是根据所述用户风险偏好分布和所述理财产品的风险分布的相似性进行计算得到的。所述计算推荐模块30计算得到为所述理财业务类型的每个业务产品数据分别对应的匹配特征向量后，可以进一步计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以将最合适的理财产品推荐给有理财需求的用户。

进一步的，请一并参见图4，是本发明实施例提供的一种第一计算模块10的结构示意图，所述第一计算模块10可以包括：获取单元101、预测单元102、流动资源计算单元103、第一确定单元104、第二确定单元105；

所述获取单元101，用于获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；

所述预测单元102，用于根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息；

所述流动资源计算单元103，用于根据所述当前时段的输入资源信息、所述当前时段的总输出资源信息以及历史累计流动资源信息，计算出当前时段的累计流动资源信息；

所述第一确定单元104，用于将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数；

所述第二确定单元105，用于根据所述用户业务需求指数确定用户业务需求类型；

具体的，所述获取单元101、所述预测单元102、所述流动资源计算单元103、所述第一确定单元104以及所述第二确定单元105的具体实现过程可以参见上述图2对应实施例中的S201-S205，这里不再进行赘述。

进一步的，再请参见图5，是本发明实施例提供的一种预测单元102的结构示意图，所述预测单元102可以包括：选择子单元1021、信息预测子单元1022、资源计算子单元1023；

所述选择子单元1021，用于在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源；

具体的，所述选择子单元1021可以在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源，例如，若所述多个历史输出资源信息包括过去3年内每个月的消费类支出信息，且所述当前时段为3月份，则所述选择子单元1021可以在所述多个历史输出资源信息中选择出每年中第3月份的消费类支出信息作为目标历史输出资源。

所述信息预测子单元1022，用于根据所述至少一个目标历史输出资源以及第一逻辑回归LR模型预测当前时段的输出资源需求信息；

具体的，所述信息预测子单元1022根据所述至少一个目标历史输出资源以及第一LR模型预测当前时段的输出资源需求信息，所述第一LR模型为其中，S为预测出的当前时段的输出资源需求信息，m表示向前推m年，β_j为模型参数，且β_j表示向前推第j年的权重，cost(j，i)表示向前推第j年的第i月的目标历史输出资源(例如，j＝1，i＝10，则表示去年的第10月份的消费类支出信息)。由于在不同的月份中，用户的消费类支出信息的差别可能比较大，所以通过选择出与所述当前时段对应的至少一个目标历史输出资源，可以更准确的预测出所述当前时段的输出资源需求信息。

所述资源计算子单元1023，用于将所述第一类业务的输出资源信息与所述当前时段的输出资源需求信息相加，得到当前时段的总输出资源信息；

具体的，所述资源计算子单元1023将所述第一类业务的输出资源信息与预测出的所述当前时段的输出资源需求信息相加，即可得到当前时段的总输出资源信息(即当月需要支出的所有金额)。

进一步的，再请一并参见图6，是本发明实施例提供的一种第二确定单元105的结构示意图，所述第二确定单元105可以包括：第一判断子单元1051、类型确定子单元1052、第二判断子单元1053；

所述第一判断子单元1051，用于判断所述用户业务需求指数是否小于预设的第一指数阈值；

所述类型确定子单元1052，用于若所述第一判断子单元1051判断为是，则确定所述用户业务需求类型为第一类业务类型；

所述第二判断子单元1053，用于若所述第一判断子单元1051判断为否，则进一步判断所述用户业务需求指数是否大于或等于预设的第二指数阈值；

所述类型确定子单元1052，还用于若所述第二判断子单元1053判断为是，则确定所述用户业务需求类型为第二类业务类型；

其中，所述第一类业务类型可以为贷款业务类型，所述第二类业务类型可以为理财业务类型。例如，设所述第一指数阈值为1，所述第二指数阈值为6，若所述第一判断子单元1051判断出所述用户业务需求指数小于1，则可以表示用户当前所有可流动资产(即当前所有可用的钱)不足一个月的支出，说明用户很缺钱，因此，所述类型确定子单元1052可以确定用户业务需求类型为贷款业务类型，即该用户属于有贷款需求的用户；若所述第二判断子单元1053判断出所述用户业务需求指数大于或等于6，则表示用户当前所有可流动资产已超过6个月需要支出的所有金额，说明用户有较多可存储的钱，因此，所述类型确定子单元1052可以确定用户业务需求类型为理财业务类型，即该用户属于有理财需求的用户。

其中，当所述用户业务需求指数小于所述第二指数阈值，且大于或等于所述第一指数阈值时，可以表示用户是介于有理财需求和有贷款需求之间的用户，此时，可以随机确定所述用户业务需求类型为第一类业务类型或第二类业务类型。

进一步的，再请一并参见图7，是本发明实施例提供的一种计算推荐模块30的结构示意图，所述计算推荐模块30可以包括：提取生成单元301、关联计算生成单元302、计算推荐单元303；

所述提取生成单元301，用于在所述用户业务资源信息中提取与所述用户业务需求类型相关联的目标用户业务资源信息，并根据所述目标用户业务资源信息生成与所述用户业务需求类型对应的用户特征向量；

所述关联计算生成单元302，用于将所述用户特征向量中的每个特征分别与每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量；

所述计算推荐单元303，用于基于与所述用户业务需求类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据；

具体的，所述提取生成单元301、所述关联计算生成单元302以及所述计算推荐单元303的具体实现方式可以参见上述图2对应实施例中的S207-S209，这里不再进行赘述。

本发明实施例通过计算用户业务需求，并根据用户业务需求指数确定用户业务需求类型，从而可以得知用户所期望的业务产品的类型，进而获取与用户业务需求类型对应的业务产品数据集合，并通过计算用户特征向量与业务产品数据集合中的每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以达到精确的业务产品推荐，即实现了智能地向用户推荐符合用户需求的业务产品。

请参见图8，是本发明实施例提供的一种服务器的结构示意图，如图8示，所述服务器1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

在图8所示的服务器1000中，网络接口1004主要用于连接客户端；而用户接口1003主要用于为用户提供输入的接口，获取用户输出的数据；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现

获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

在一个实施例中，所述处理器1001在执行获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型时，具体执行：

获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；

根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息；

根据所述当前时段的输入资源信息、所述当前时段的总输出资源信息以及历史累计流动资源信息，计算出当前时段的累计流动资源信息；

将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数；

根据所述用户业务需求指数确定用户业务需求类型。

在一个实施例中，所述处理器1001在执行根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息时，具体执行：

在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源；

根据所述至少一个目标历史输出资源以及第一逻辑回归LR模型预测当前时段的输出资源需求信息；

将所述第一类业务的输出资源信息与所述当前时段的输出资源需求信息相加，得到当前时段的总输出资源信息。

在一个实施例中，所述处理器1001在执行根据所述用户业务需求指数确定用户业务需求类型时，具体执行：

判断所述用户业务需求指数是否小于预设的第一指数阈值；

若判断为是，则确定所述用户业务需求类型为第一类业务类型；

若判断为否，则进一步判断所述用户业务需求指数是否大于或等于预设的第二指数阈值；

若判断出所述用户业务需求指数大于或等于预设的第二指数阈值，则确定所述用户业务需求类型为第二类业务类型。

在一个实施例中，所述处理器1001在执行计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据时，具体执行：

在所述用户业务资源信息中提取与所述用户业务需求类型相关联的目标用户业务资源信息，并根据所述目标用户业务资源信息生成与所述用户业务需求类型对应的用户特征向量；

将所述用户特征向量中的每个特征分别与每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量；

基于与所述用户业务需求类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

本发明实施例通过计算用户业务需求，并根据用户业务需求指数确定用户业务需求类型，从而可以得知用户所期望的业务产品的类型，进而获取与用户业务需求类型对应的业务产品数据集合，并通过计算用户特征向量与业务产品数据集合中的每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，从而可以达到精确的业务产品推荐，即实现了智能地向用户推荐符合用户需求的业务产品。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种数据推荐处理方法，其特征在于，包括：

获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

2.如权利要求1所述的方法，其特征在于，所述获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型，包括：

获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；

根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息；

根据所述当前时段的输入资源信息、所述当前时段的总输出资源信息以及历史累计流动资源信息，计算出当前时段的累计流动资源信息；

将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数；

根据所述用户业务需求指数确定用户业务需求类型。

3.如权利要求2所述的方法，其特征在于，所述根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息，包括：

在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源；

根据所述至少一个目标历史输出资源以及第一逻辑回归LR模型预测当前时段的输出资源需求信息；

将所述第一类业务的输出资源信息与所述当前时段的输出资源需求信息相加，得到当前时段的总输出资源信息。

4.如权利要求2或3所述的方法，其特征在于，所述根据所述用户业务需求指数确定用户业务需求类型，包括：

判断所述用户业务需求指数是否小于预设的第一指数阈值；

若判断为是，则确定所述用户业务需求类型为第一类业务类型；

若判断为否，则进一步判断所述用户业务需求指数是否大于或等于预设的第二指数阈值；

若判断出所述用户业务需求指数大于或等于预设的第二指数阈值，则确定所述用户业务需求类型为第二类业务类型。

5.如权利要求1所述的方法，其特征在于，所述计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据，包括：

在所述用户业务资源信息中提取与所述用户业务需求类型相关联的目标用户业务资源信息，并根据所述目标用户业务资源信息生成与所述用户业务需求类型对应的用户特征向量；

将所述用户特征向量中的每个特征分别与每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量；

基于与所述用户业务需求类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

6.一种数据推荐处理装置，其特征在于，包括：

第一计算模块，用于获取用户业务资源信息，并根据所述用户业务资源信息计算用户业务需求指数，并根据所述用户业务需求指数确定用户业务需求类型；

第二计算模块，用于获取与所述用户业务需求类型对应的业务产品数据集合，并计算所述业务产品数据集合中的至少一个业务产品数据的业务特征向量；

计算推荐模块，用于计算与所述用户业务需求类型对应的用户特征向量，并分别计算所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。

7.如权利要求6所述的装置，其特征在于，所述第一计算模块包括：

获取单元，用于获取用户业务资源信息；所述用户业务资源信息包括当前时段的输入资源信息、第一类业务的输出资源信息、多个历史输出资源信息以及历史累计流动资源信息；

预测单元，用于根据所述多个历史输出资源信息和所述第一类业务的输出资源信息，预测当前时段的总输出资源信息；

流动资源计算单元，用于根据所述当前时段的输入资源信息、所述当前时段的总输出资源信息以及历史累计流动资源信息，计算出当前时段的累计流动资源信息；

第一确定单元，用于将所述当前时段的累计流动资源信息与所述当前时段的总输出资源信息的比值确定为所述用户业务需求指数；

第二确定单元，用于根据所述用户业务需求指数确定用户业务需求类型。

8.如权利要求7所述的装置，其特征在于，所述预测单元包括：

选择子单元，用于在所述多个历史输出资源信息中选择出与所述当前时段对应的至少一个目标历史输出资源；

信息预测子单元，用于根据所述至少一个目标历史输出资源以及第一逻辑回归LR模型预测当前时段的输出资源需求信息；

资源计算子单元，用于将所述第一类业务的输出资源信息与所述当前时段的输出资源需求信息相加，得到当前时段的总输出资源信息。

9.如权利要求7或8所述的装置，其特征在于，所述第二确定单元包括：

第一判断子单元，用于判断所述用户业务需求指数是否小于预设的第一指数阈值；

类型确定子单元，用于若所述第一判断子单元判断为是，则确定所述用户业务需求类型为第一类业务类型；

第二判断子单元，用于若所述第一判断子单元判断为否，则进一步判断所述用户业务需求指数是否大于或等于预设的第二指数阈值；

所述类型确定子单元，还用于若所述第二判断子单元判断为是，则确定所述用户业务需求类型为第二类业务类型。

10.如权利要求6所述的装置，其特征在于，所述计算推荐模块包括：

提取生成单元，用于在所述用户业务资源信息中提取与所述用户业务需求类型相关联的目标用户业务资源信息，并根据所述目标用户业务资源信息生成与所述用户业务需求类型对应的用户特征向量；

关联计算生成单元，用于将所述用户特征向量中的每个特征分别与每个业务产品数据的业务特征向量中的每个特征进行关联计算，以生成所述用户特征向量与每个业务产品数据的业务特征向量之间的匹配特征向量；

计算推荐单元，用于基于与所述用户业务需求类型对应的第二LR模型，计算每个所述匹配特征向量分别对应的匹配值，并将最大匹配值对应的业务产品数据作为推荐数据。