CN113870007A - 一种产品推荐方法、装置、设备及介质 - Google Patents

Abstract

本申请的实施例提供了一种产品推荐方法、装置、设备及介质，属于大数据技术领域，方法包括：获取用户的第一风险评分数据和第一偏好数据；获取用户的第二风险评分数据和第二偏好数据；将历史财务风险数据与当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，将历史信誉风险数据与当前信誉风险数据输入至预先训练的信誉风险评估模型得到第二输出结果；基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。本申请实施例的技术方案能够降低因评估人员的知识和经验形成的主观偏差，提高评估的客观性，进而保证产品的推荐精度。

Description

一种产品推荐方法、装置、设备及介质

技术领域

本申请涉及大数据领域，具体而言，涉及一种产品推荐方法、系统、计算机可读存储介质及电子设备。

背景技术

金融行业具有银行、证券、保险、信托、租赁等5大业务版块，经营存贷款、证券、基金、保险、债券等业务。金融企业通过货币经营，满足货币供需方需求，实现货币资金的重新配置，提高社会经济运行效率。

不同于提供产品和服务的生产型企业，金融企业一方面需要管理金融风险，一方面则需要通过提供金融产品和服务来获得经营收入。目前金融企业的风险管理方法更多地从用户财务状况、经营状况、发展前景等几个方面来进行评估，更多地依赖风险评估人员的分析报告这样的定性评估方式来制约用户能够获取的产品从而达到控制风险的目标。由于评估人员的知识能力和经验水平对信用评估结果起到非常重要影响，使评估结果存在很多主观因素，进而导致对用户的产品的推荐精度不高。

因此，如何能够提产品的推荐精度一直是本领域技术人员亟需解决的问题。

发明内容

本申请提供了一种产品推荐方法、装置、设备及介质，能够提高产品的推荐精度。

本申请的实施例提供了一种本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的一个方面，所提供的产品推荐方法，包括：获取用户的第一风险评分数据和第一偏好数据，其中，第一风险评分数据包括通过大数据采集的当前用户历史财务风险数据和历史信誉风险数据，第一偏好数据包括历史投资风险偏好和历史投资种类偏好；获取用户的第二风险评分数据和第二偏好数据，其中，第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好；将历史财务风险数据与当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，将历史信誉风险数据与当前信誉风险数据输入至预先训练的信誉风险评估模型得到第二输出结果，并基于当前投资风险偏好以及当前投资种类偏好更新用户的第一偏好数据；基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

在一些实施例中，将历史财务风险数据与当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，包括:获取历史财务风险数据的第一特征数据，第一特征数据至少包括反映历史盈利能力的数据、反映历史经营能力的数据、反映历史发展能力的数据以及反映历史偿债能力的数据中的一种；获取当前财务风险数据的第二特征数据，第二特征数据至少包括当前盈利能力的数据、反映当前经营能力的数据、反映当前发展能力的数据以及反映当前偿债能力的数据中的一种；将第一特征数据以及第二特征数据输入至预先训练的财务风险评估模型，以获取第一输出结果，第一输出结果用于反映用户的财务风险的预测信息。

在一些实施例中，将历史信誉风险数据与当前信誉风险数据输入至预先训练的信誉风险评估模型得到第二输出结果，包括：根据历史信誉风险数据以及当前信誉风险数据，得到用户的信誉风险特征，信誉风险特征包括历史违约特征以及当前违约特征；将历史违约特征以及当前违约特征输入至预先训练的信誉风险评估模型，得到第二输出结果，第二输出结果用于对用户的信誉风险进行预测。

在一些实施例中，基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐，包括：将第一输出结果、第二输出结果、以及更新后的第一偏好数据输入至产品推荐模型，生成用户与多个产品分别对应的推荐值；基于推荐值，生成针对用户的推荐产品。

在一些实施例中，第二风险评分数据是在银行的现场调查任务中获取的，获取用户的第二风险评分数据，包括：获取现场调查任务的现场数据以及标准数据；对比现场数据与标准数据，得到用户的第二风险评分数据。

在一些实施例中，在获取用户的第一风险评分数据和第一偏好数据之前，方法还包括：建立第一风险评分数据库以及第一偏好数据库，第一风险评分数据库中包含了若干用户以及各个用户对应的历史财务风险数据与历史信誉风险数据，第一偏好数据库中包含了若干用户以及各个用户对应的历史投资风险偏好与历史投资种类偏好；获取用户的第一风险评分数据和第一偏好数据，包括：从第一风险评分数据库中获取用户的第一风险评分数据，以及从第一偏好数据库获取用户的第一偏好数据。

在一些实施例中，现场采集的当前财务风险数据包括财务报表；获取用户的第二风险评分数据，包括：获取财务报表的图片；对图片进行二值化处理，并识别二值化处理后的图片中的直线，直线包括横向直线以及纵向直线；提取横向直线以及纵向直线所限定的范围内的文字以及数字；对所提取的文字以及数字进行处理，以获取财务报表内的数据；将财务报表内的数据作为第二风险评分数据。

根据本申请的又一个方面，还提供了一种产品推荐装置，其特征在于，装置包括：

第一获取单元，用于获取用户的第一风险评分数据和第一偏好数据，其中，第一风险评分数据包括当前用户历史财务风险数据和历史信誉风险数据，第一偏好数据包括历史投资风险偏好和历史投资种类偏好；

第二获取单元，用于获取用户的第二风险评分数据和第二偏好数据，其中，第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好；

处理单元，用于将历史财务风险数据与当前财务风险数据输入至财务风险评估模型得到第一输出结果，将历史信誉风险数据与当前信誉风险数据输入至信誉风险评估模型得到第二输出结果，并基于当前投资风险偏好以及当前投资种类偏好更新用户的第一偏好数据；

推荐单元，用于基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

根据本申请的又一个方面，还提供了一种电子设备，包括：处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如前所描述的产品推荐方法。

根据本申请的又一个方面，还提供了一种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如前所描述的产品推荐方法。

在本申请的一些实施例所提供的技术方案中，通过大数据生成当前用户历史财务风险数据、历史信誉风险数据、历史投资风险偏好以及历史投资种类偏好，在此基础上，再现场采集第二风险评分数据，以根据现场采集的当前财务风险数据和当前信誉风险数据协同确定用户的风险情况以及偏好情况，从而降低主观因素占比，提高评估结果的准确性，进而提高依据金融产品推荐的准确性，且能够降低银行的风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图2示出了根据本申请的一个实施例的产品推荐方法的流程图；

图3是根据本申请一实施例提供的获取第一输出结果的方法流程图；

图4是根据本申请一实施例提供的获取第二输出结果的方法流程图。

图5是根据本申请一实施例提供的产品推荐装置的结构示意图；

图6示出了应用于本申请的电子设备的计算机系统600的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在本申请的相关技术中，金融机构对企业的传统的财务风险评分方法一般从经济实力、资金结构、经营效益、发展前景等几个方面对企业进行评估。其中，资金结构包括资产负债率、速动比率、流动比率、经营活动现金净流量等，经济效益包括总资产净利率、销售利润率、利息保障倍数、应收账款票据周期次数等。传统的信誉风险的评估方法一般从领导者素质、贷款质量、贷款付息、存贷款占比、逾期情况等几个方面对企业进行评估。可以看出，目前的评估方式更多地依赖评估人员的分析报告这样的定性评估方式，然后再用评分的方式进行量化。信用评估人员的知识能力和经验水平对信用评估结果起到非常重要影响，信用评估结果存在很多主观因素。本申请的技术方法能够降低评估人员的主观因素占比，提高评估结果的准确性，进而提高依据金融产品推荐的准确性。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器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，例如有线通信链路、无线通信链路等等。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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。比如服务器105可以是多个服务器组成的服务器集群等。

用户可以使用终端设备通过网络104与服务器105交互，以接收或发送消息等。服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105上传了待处理的消息集合，服务器105可以从该消息集合中获取具有关联关系的多条消息，然后生成这多条消息中每条消息对应的主题标签的分布模型、功能标签的分布模型和词类别标签的分布模型，且该词类别标签的分布模型用于表示具有不同功能标签的消息包含各种类型的词的概率，进而可以基于生成的主题标签的分布模型、功能标签的分布模型和词类别标签的分布模型，确定主题标签的词分布概率，以根据主题标签的词分布概率，确定该多条消息的主题。

需要说明的是，本申请实施例所提供的产品推荐方法一般由服务器105执行，相应地，产品推荐装置一般设置于服务器105中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的产品推荐方法。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示出了根据本申请的一个实施例的产品推荐方法的流程图。该产品推荐方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该产品推荐方法至少包括步骤S210至步骤S240，详细介绍如下：

步骤S210，获取用户的第一风险评分数据和第一偏好数据，其中，第一风险评分数据包括通过大数据采集的当前用户历史财务风险数据和历史信誉风险数据，第一偏好数据包括历史投资风险偏好和历史投资种类偏好。

第一风险评分数据包括当前用户历史财务风险数据和历史信誉风险数据。其中，历史信誉风险数据包括拖欠货款、贷款、税款、违约、价格欺诈、制售假冒伪劣产品、商标侵权、专利技术侵权、披露虚假信息等历史数据信息。历史财务风险数据包括流动性风险、是否有大规模的对外投资、历史上是否有劳资纠纷与债务纠纷等。

银行可通过大数据汇集银行内部数据以及各种外部数据来综合分析用户，特别是企业用户的第一风险评分数据和第一偏好数据，从而为后续企业推荐合适的金融产品作出基础。具体的，可在用户的授权之下，通过大数据从银行内部系统、web网站和物联网系统中全面地获取各个企业用户的基本信息以及客户相关的事件，还可从银行内部系统中获取征信，银行流水，有无套现行为等，以从中获取第一风险评分数据以及第一偏好数据。

步骤S220，获取用户的第二风险评分数据和第二偏好数据，其中，第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好。

第二风险评分数据和第二偏好数据可以在特定的对用户的调查活动中获取，也可以在与用户的其他交流过程中获取。容易理解的，由于金融企业经营货币，用户在与金融企业的交流过程中，金融企业将有较大概率能够得到用户财务等状况。示意性的，在企业用户的运营过程中，将不可避免地与银行之间开展的交互业务，如企业用户开对公户或企业贷款等。对于银行来说，为了保证业务的有效进行，在开展业务之前将会对企业进行尽职调查。发起尽职调查的主体将设置现场尽调任务，目的在于获取待调企业的实际运营情况。示意性的，尽调项目可包括法人图片、统一社会信用代码、营业执照、企业办公地址、员工人数、企业评分、年营收额以及年营收增益等。在该实施例中，可以在用户的授权下，将尽职调查过程中所获取的企业运营过程中的若干财务数据以及若干信誉数据进行分析，示意性的，可分析企业的财务报表，从而从中提取资产负债率、销售利润率、经营活动现金净流量等数据，并将其作为当前财务风险数据，以用于给对用户进行财务风险评分，还可获取其他的财务风险数据，例如，企业在多家银行的存贷款情况、贷款付息情况，并将其作为历史财务风险数据。

在一个实施例中，第二风险评分数据是在银行的现场调查任务中获取的，获取用户的第二风险评分数据，具体可包括以下几个步骤：获取现场调查任务的现场数据以及标准数据；对比现场数据与标准数据，得到所述用户的第二风险评分数据。具体的，标准数据可为确定无风险的临界数据，将所获取的现场数据与该临界数据进行对比，进而确定对客户进行风险预测。

值得一提的是，由于在对企业管理者，例如职业经理人的访谈中，容易在现场获取到企业的投资风险偏好、投资种类偏好等主观偏好信息，可将其为企业管理者的主观偏好信息作为第二偏好数据，第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好，从而可基于偏好数据对用户进行金融产品推荐，从而提高推荐成功率。

步骤S230，将所述历史财务风险数据与所述当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，将所述历史信誉风险数据与所述当前信誉风险数据输入至信誉风险评估模型得到第二输出结果，并基于所述当前投资风险偏好以及所述当前投资种类偏好更新所述用户的第一偏好数据。

具体的，将通过大数据获取的用户的历史财务风险数据与在现场交互获得中所获取的当前财务风险数据输入至财务风险评估模型得到第一输出结果，第一输出结果用于对用户的财务风险进行预测。将通过大数据获取的历史信誉风险数据与在现场交互获得中所获取的当前信誉风险数据输入至信誉风险评估模型得到第二输出结果，第二输出结果用于对用户的信誉风险进行预测。

容易理解的，用户的投资风险偏好以及投资种类偏好是可变地。由此，可基于当场获取的当前投资风险偏好以及当前投资种类偏好更新用户的第一偏好数据，从而使用户的风险偏好以及投资种类偏好的获取更为精确。

步骤S240，基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

预设产品数据库中具有多种金融产品，各个金融产品具有不同的属性。在本实施例中，基于对用户信誉及财务风险的预测结果以及用户的偏好对用户进行预设产品数据库中的金融产品的推荐。

在一个实施例中，通过产品推荐模型可生成该用户与多个产品分别对应的推荐值，从而基于多个推荐值，生成针对用户的金融产品推荐序列。具体的，可生成各个金融产品按推荐值高低排列的产品推荐序列，以供用户进行选择。

由此，在通过大数据生成当前用户历史财务风险数据、历史信誉风险数据、历史投资风险偏好以及历史投资种类偏好，在此基础上，再现场采集第二风险评分数据，以根据现场采集的当前财务风险数据和当前信誉风险数据协同确定用户的风险情况以及偏好情况，从而降低主观因素占比，提高评估结果的准确性，进而提高依据金融产品推荐的准确性，且能够降低银行的风险。

图3是根据本申请一实施例提供的获取第一输出结果的方法流程图。如图3所示，在该实施例中，将历史财务风险数据与当前财务风险数据输入至财务风险评估模型得到第一输出结果，具体可包括以下步骤S310至S330。

步骤S310，获取历史财务风险数据的第一特征数据，第一特征数据至少包括反映历史盈利能力的数据、反映历史经营能力的数据、反映历史发展能力的数据以及反映历史偿债能力的数据中的一种；

步骤S320，获取当前财务风险数据的第二特征数据，第二特征数据至少包括当前盈利能力的数据、反映当前经营能力的数据、反映当前发展能力的数据以及反映当前偿债能力的数据中的一种；

步骤S330，将第一特征数据以及第二特征数据输入至预先训练的财务风险评估模型，以获取第一输出结果，第一输出结果用于反映用户的财务风险的预测信息。

具体的，财务风险评估模型可通过多种方式训练得到。在一个实施例中，可首先获取训练样本集合，训练样本包括多种财务数据，以及用于根据财务数据确定是否具有财务风险的标注信息。样本的标注方法可以是人工给定，也可以是通过无监督的方法自动计算得到。示意性的，为了采用无监督方式训练该财务风险评估模型，可采用如下方式获取训练样本集合：根据历史财务风险数据得到训练样本集合的财务数据；分别计算各训练样本的财务数据的T2值和SPE值，将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值，其中，T2统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；SPE统计量刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。对训练样本集合中任一训练样本，若该训练样本的财务数据的T2值小于所述T2阈值，且该训练样本的财务数据的SPE值小于所述SPE阈值，则确定该训练样本的标注信息为正常状态，否则确定该训练样本的标注信息为风险状态。之后，利用深度学习的方法，将训练样本集合中的训练样本中的财务数据作为初始化的财务风险评估模型的输入，将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出，从而训练得到财务风险识别模型。

第一特征数据用于反应历史财务风险的情况。第一特征数据至少包括反映历史盈利能力的数据、反映历史经营能力的数据、反映历史发展能力的数据以及反映历史偿债能力的数据中的一种。可将通过大数据从银行内部和外部获取的企业的历史财务风险数据进行标准化处理，以得到第一特征数据。标准化处理可采取多种方式，例如根据所获取的财务数据的平均值和标准差对财务数据进行标准化处理。需要说明的是，由于通过大数据获取的财务风险数据具有不规则化的特点，因此，可首先针对获取的财务风险数据中的缺失值、重复值和异常值采用数据填补、中位数填补等方式进行数据处理。

第二特征数据是根据现场采集的财务数据得到。第二特征数据至少包括当前盈利能力的数据、反映当前经营能力的数据、反映当前发展能力的数据以及反映当前偿债能力的数据中的一种。现场采集的财务数据包括财务报表，为提高现场数据的获取效率，可采用以下方式对所获取的财务报表进行处理，处理方法包括：获取所述财务报表的图片；对所述图片进行二值化处理，并识别二值化处理后的图片中的直线，所述直线包括横向直线以及纵向直线；提取所述横向直线以及纵向直线所限定的范围内的文字以及数字；对所提取的文字以及数字进行处理，以获取财务报表内的数据；将所述财务报表内的数据作为第二风险评分数据。

具体的，可对所拍摄的图像进行自适应二值化处理得出二值化图像后，再对图像中的直线进行标记，对判断出含有直线的图像进行两种处理，一种是检测横向直线组，另一种是检测纵向直线组。最后，分别对检测出的两类直线组通过直线拼接、干扰线删除、直线补偿、直线交点缺陷补偿等步骤实现直线标记。对于直线拼接与干扰直线删除两个步骤中，通过图像中检测的到的短线中进行判断是否属于图像中同一条直线上，由于图像中检测到的直线组的斜率不能完全一样，所以不能简单按照两平行直线求其之间距离的方案来进行计算，根据各直线的角度是否在设定的阈值范围内，从而判定两条直线是否属于图像中同一条直线，即可进行后续的直线拼接、重复直线删除干扰工作。之后，再对表格所限定内的空间内的内容进行分析提取，包括数字提取，文字提取等。从而生成现场数据信息。另外，当上传的数据是图片格式时，还可通过OCR识别服务器集群识别、矫正图片、切割识别后图片，并将这些文件存放在识别结果存放路中。

将用于表征的历史财务风险的第一特征数据以及用于表征当前财务风险的第二特征数据输入上述预先训练的财务风险评估模型，从而得到用户的财务风险预测结果信息，从而可降低评估人员主观因素占比，提高预测的客观性以及精确性，使所预测的财务风险更为全面与精准，进而提升银行的风险管理的全面性。

图4是根据本申请一实施例提供的获取第二输出结果的方法流程图。如图4所示，在该实施例中，获取第二输出结果的方法具体可包括以下步骤。

步骤S410，根据历史信誉风险数据以及当前信誉风险数据，得到用户的多个信誉风险特征，信誉风险特征包括历史违约特征以及当前违约特征；

步骤S420，将历史违约特征以及当前违约特征分别输入至预先训练的信誉风险评估模型，得到第二输出结果，第二输出结果用于对用户的信誉风险进行预测。

具体的，信誉风险评估模型可根据样本企业的样本数据进行训练，样本企业中包括信誉风险较低的优质企业，以及信誉风险较大的具有多次违约记录的企业。样本企业的数量可根据需求自行设定。

为了保证样本评估数据的统一性，提高训练准确性，选取样本企业的评估数据的时间起点和时间终点时，所有样本企业都设定为均为同样的时间起点和时间终点。示意性的，所有样本评估数据均选取样本企业2015年至2020年的数据。其中，2015年至2019年的数据作为历史数据，2020年度的数据作为当前数据。

信誉风险评估模型的训练方法具体如下：获取多个样本企业分别对应的历史违约特征以及当前违约特征，以及历史违约特征以及当前违约特征分别对应的阈值。之后，利用深度学习的方法，将多个样本企业的训练样本中的历史违约特征以及当前违约特征作为初始化的信誉风险评估模型的输入，将其对应的阈值作为初始化的信誉风险评估模型的期望输出，从而训练得到信誉风险评估模型。换言之，阈值是信誉风险是否合规的临界值，若一个违约特征的输入信誉风险评估模型至得到的值低于该阈值，则确定该违约特征所表征的项目的信誉风险过高，不符合预设准入条件。

如前所述，历史信誉风险数据包括“拖欠货款、贷款、税款”、“违约”、“价格欺诈”、“制售假冒伪劣产品”、“商标侵权”、“专利技术侵权”、“披露虚假信息”等信息。其中，历史信誉风险数据可通过爬虫工具从网上抓取数据，还可以经企业授权后获取所述企业的历史信誉风险数据，把历史信誉风险数据存储到后台数据服务器或者其他存储设备中，在获取数据时直接从后台服务器或者其他存储设备中获取即可，当然还可以通过其他方法进行获取，此处不做限制。而当前信誉风险数据可在企业的授权下获取，当前信誉风险数据包括企业在多家银行的存贷款情况、贷款付息等情况。

在获取历史信誉风险数据以及当前信誉风险数据之后，根据历史信誉风险数据以及当前信誉风险数据提取历史违约特征以及当前违约特征。所提取的历史违约特征可包括反映知识产权侵权情况的特征、反映存贷款占比的特征、反映逾期情况的特征中的一个或多个。

将各个历史违约特征以及当前违约特征输入至预先训练的信誉风险评估模型，可得到多个预测结果，将各个预测结果与所设定的阈值进行对比，可得到各个违约特征是否符合条件，从而可确定当前用户的信誉是否符合预设的准入条件。

在一个实施例中，可对大数据的历史信誉风险数据对应的特征赋予一个较小的权重，并对现场获取的当前信誉风险数据对应的特征赋予一个较大的权重，以使当前信誉风险数据的作用大于历史信誉风险数据的作用，从而在评估用户信誉风险时既能纳入历史数据，又能使评估结果向用户当前的实际情况倾斜。由此，通过大数据的历史信誉风险数据以及现场获取的当前信誉风险数据进行进行用户信誉风险的总和评估，能提高评估结果的准确性和客观性。

在一个实施例中，在所述获取用户的第一风险评分数据和第一偏好数据之前，还可以包括以下步骤：建立第一风险评分数据库以及第一偏好数据库，所述第一风险评分数据库中包含了若干用户以及各个所述用户对应的历史财务风险数据与历史信誉风险数据，所述第一偏好数据库中包含了若干所述用户以及各个所述用户对应的历史投资风险偏好与历史投资种类偏好，以从所述第一风险评分数据库中获取所述用户的第一风险评分数据，以及从所述第一偏好数据库获取所述用户的第一偏好数据。

具体的，若干用户可以是存量用户，也可以是增量用户。历史财务风险数据与历史信誉风险数据可包括存款金额、曾经投资过的金融产品、诉讼数据、工商数据、负面舆情数据、征信评分中的一种或多种信息。存款金额、曾经投资过的金融产品、征信评分等可从银行系统内获取，进而生成包含若干用户的风险数据和偏好数据的第一风险评分数据库和第一偏好数据库。其中，工商数据可通过关键词从企业、政府等网站获取。负面舆情数据可从互动类网站获取。获取历史财务风险数据与历史信誉风险数据的目的在于加深对所服务的企业客户的了解，以便精准地荐金融产品。

图5是根据本申请一实施例提供的产品推荐装置的结构示意图，如图5所示，产品推荐装置可包括：

第一获取单元510，用于获取用户的第一风险评分数据和第一偏好数据，其中，所述第一风险评分数据包括当前用户历史财务风险数据和历史信誉风险数据，所述第一偏好数据包括历史投资风险偏好和历史投资种类偏好；

第二获取单元520，用于获取用户的第二风险评分数据和第二偏好数据，其中，所述第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，所述第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好；

处理单元530，用于将所述历史财务风险数据与所述当前财务风险数据输入至财务风险评估模型得到第一输出结果，将所述历史信誉风险数据与所述当前信誉风险数据输入至信誉风险评估模型得到第二输出结果，并基于所述当前投资风险偏好以及所述当前投资种类偏好更新所述用户的第一偏好数据；

推荐单元540，用于基于所述第一输出结果、所述第二输出结果、以及更新后的所述第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

在一些实施例中，处理单元530还用于获取历史财务风险数据的第一特征数据，第一特征数据至少包括反映历史盈利能力的数据、反映历史经营能力的数据、反映历史发展能力的数据以及反映历史偿债能力的数据中的一种；获取当前财务风险数据的第二特征数据，第二特征数据至少包括当前盈利能力的数据、反映当前经营能力的数据、反映当前发展能力的数据以及反映当前偿债能力的数据中的一种；将第一特征数据以及第二特征数据输入至预先训练的财务风险评估模型，以获取第一输出结果，第一输出结果用于反映用户的财务风险的预测信息。

在一些实施例中，处理单元530根据历史信誉风险数据以及当前信誉风险数据，得到用户的信誉风险特征，信誉风险特征包括历史违约特征以及当前违约特征；将历史违约特征以及当前违约特征输入至预先训练的信誉风险评估模型，得到第二输出结果，第二输出结果用于对用户的信誉风险进行预测。

在一些实施例中，推荐单元540还用于基于第一输出结果、第二输出结果、以及更新后的第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐，包括：将第一输出结果、第二输出结果、以及更新后的第一偏好数据输入至产品推荐模型，生成用户与多个产品分别对应的推荐值；基于推荐值，生成针对用户的推荐产品。

在一些实施例中，第二获取单元520还用于获取现场调查任务的现场数据以及标准数据；对比现场数据与标准数据，得到用户的第二风险评分数据。

在一些实施例中，第一获取单元510还用于建立第一风险评分数据库以及第一偏好数据库，第一风险评分数据库中包含了若干用户以及各个用户对应的历史财务风险数据与历史信誉风险数据，第一偏好数据库中包含了若干用户以及各个用户对应的历史投资风险偏好与历史投资种类偏好；获取用户的第一风险评分数据和第一偏好数据，包括：从第一风险评分数据库中获取用户的第一风险评分数据，以及从第一偏好数据库获取用户的第一偏好数据。

在一些实施例中，现场采集的当前财务风险数据包括财务报表；第二获取单元520还用于获取财务报表的图片；对图片进行二值化处理，并识别二值化处理后的图片中的直线，直线包括横向直线以及纵向直线；提取横向直线以及纵向直线所限定的范围内的文字以及数字；对所提取的文字以及数字进行处理，以获取财务报表内的数据；将财务报表内的数据作为第二风险评分数据。

以上装置的实施例与前述产品推荐方法的发明构思一致，此处不再进行赘述。

图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图6示出的电子设备的计算机系统600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(Central Processing Unit，CPU)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从存储部分608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output，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(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，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(Local Area Network，局域网)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计算机程序。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各种功能。

需要说明的是，本申请实施例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是——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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，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计算机程序。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计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

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。其中，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。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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种产品推荐方法，其特征在于，所述方法包括：

获取用户的第一风险评分数据和第一偏好数据，其中，所述第一风险评分数据包括通过大数据采集的当前用户的历史财务风险数据和历史信誉风险数据，所述第一偏好数据包括历史投资风险偏好和历史投资种类偏好；

获取用户的第二风险评分数据和第二偏好数据，其中，所述第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，所述第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好；

将所述历史财务风险数据与所述当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，将所述历史信誉风险数据与所述当前信誉风险数据输入至预先训练的信誉风险评估模型得到第二输出结果，并基于所述当前投资风险偏好以及所述当前投资种类偏好更新所述用户的第一偏好数据；

基于所述第一输出结果、所述第二输出结果、以及更新后的所述第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

2.根据权利要求1所述的方法，其特征在于，将所述历史财务风险数据与所述当前财务风险数据输入至预先训练的财务风险评估模型得到第一输出结果，包括:

获取所述历史财务风险数据的第一特征数据，所述第一特征数据至少包括反映历史盈利能力的数据、反映历史经营能力的数据、反映历史发展能力的数据以及反映历史偿债能力的数据中的一种；

获取所述当前财务风险数据的第二特征数据，所述第二特征数据至少包括当前盈利能力的数据、反映当前经营能力的数据、反映当前发展能力的数据以及反映当前偿债能力的数据中的一种；

将所述第一特征数据以及所述第二特征数据输入至预先训练的财务风险评估模型，以获取第一输出结果，所述第一输出结果用于反映所述用户的财务风险的预测信息。

3.根据权利要求1所述的方法，其特征在于，将所述历史信誉风险数据与所述当前信誉风险数据输入至预先训练的信誉风险评估模型得到第二输出结果，包括：

根据所述历史信誉风险数据以及所述当前信誉风险数据，得到所述用户的信誉风险特征，所述信誉风险特征包括历史违约特征以及当前违约特征；

将所述历史违约特征以及所述当前违约特征输入至预先训练的信誉风险评估模型，得到第二输出结果，所述第二输出结果包括对所述用户的信誉风险的预测信息。

4.根据权利要求2或3所述的方法，其特征在于，所述基于所述第一输出结果、所述第二输出结果、以及更新后的所述第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐，包括：

将所述第一输出结果、所述第二输出结果、以及更新后的所述第一偏好数据输入至产品推荐模型，生成所述用户与多个产品分别对应的推荐值；

基于所述推荐值，生成针对所述用户的推荐产品。

5.根据权利要求1所述的方法，其特征在于，所述第二风险评分数据是在银行的现场调查任务中获取的，所述获取用户的第二风险评分数据，包括：

获取所述现场调查任务的现场数据以及标准数据；

对比所述现场数据与所述标准数据，得到所述用户的第二风险评分数据。

6.根据权利要求1所述的方法，其特征在于，在所述获取用户的第一风险评分数据和第一偏好数据之前，所述方法还包括：

建立第一风险评分数据库以及第一偏好数据库，所述第一风险评分数据库中包含了若干用户以及各个所述用户对应的历史财务风险数据与历史信誉风险数据，所述第一偏好数据库中包含了若干所述用户以及各个所述用户对应的历史投资风险偏好与历史投资种类偏好；

所述获取用户的第一风险评分数据和第一偏好数据，包括：

从所述第一风险评分数据库中获取所述用户的第一风险评分数据，以及从所述第一偏好数据库获取所述用户的第一偏好数据。

7.根据权利要求1所述的方法，其特征在于，现场采集的所述当前财务风险数据包括财务报表；所述获取用户的第二风险评分数据，包括：

获取所述财务报表的图片；

对所述图片进行二值化处理，并识别二值化处理后的图片中的直线，所述直线包括横向直线以及纵向直线；

提取所述横向直线以及纵向直线所限定的范围内的文字以及数字；

对所提取的文字以及数字进行处理，以获取财务报表内的数据；

将所述财务报表内的数据作为第二风险评分数据。

8.一种产品推荐装置，其特征在于，所述装置包括：

第一获取单元，用于获取用户的第一风险评分数据和第一偏好数据，其中，所述第一风险评分数据包括当前用户历史财务风险数据和历史信誉风险数据，所述第一偏好数据包括历史投资风险偏好和历史投资种类偏好；

第二获取单元，用于获取用户的第二风险评分数据和第二偏好数据，其中，所述第二风险评分数据包括现场采集的当前财务风险数据和当前信誉风险数据，所述第二偏好数据包括当前采集的当前投资风险偏好和当前投资种类偏好；

处理单元，用于将所述历史财务风险数据与所述当前财务风险数据输入至财务风险评估模型得到第一输出结果，将所述历史信誉风险数据与所述当前信誉风险数据输入至信誉风险评估模型得到第二输出结果，并基于所述当前投资风险偏好以及所述当前投资种类偏好更新所述用户的第一偏好数据；

推荐单元，用于基于所述第一输出结果、所述第二输出结果、以及更新后的所述第一偏好数据在预设产品数据库中匹配推荐产品，并进行推荐。

9.一种电子设备，其特征在于，包括：

处理器；及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使所述电子设备实现如权利要求1至7中任一项所述产品推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述产品推荐方法。

Images