CN115330490A

CN115330490A - 一种产品推荐方法、装置、存储介质及设备

Info

Publication number: CN115330490A
Application number: CN202211006021.5A
Authority: CN
Inventors: 王志省
Original assignee: Ping An Bank Co Ltd
Current assignee: Ping An Bank Co Ltd
Priority date: 2022-08-22
Filing date: 2022-08-22
Publication date: 2022-11-11

Abstract

本申请实施例提供一种产品推荐方法、装置、存储介质及设备，该方法中，采取多目标学习的方式，基于多个用户对应的业务数据、产品申请数据以及资质评估数据训练得到产品推荐模型，这样，通过该产品推荐模型，可以判断出目标用户的意愿和资质，进而确定出与其意愿和资质都相匹配的目标产品并推荐给该目标用户。如此，优化了产品推荐效果，也提升了用户使用体验。

Description

一种产品推荐方法、装置、存储介质及设备

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种产品推荐方法、装置、存储介质及设备。

背景技术

产品推荐是公司吸引客户和产品营销的重要方式。贷款是银行的重要业务，在线上场景如何进行贷款产品推荐是一个关键问题。目前的贷款产品推荐方案一般是根据客户在历史推荐结果留存下的曝光点击等行为数据，推断类似客户的行为进而为客户进行推荐。然而，这一方式经常会给客户推送不符合客户资质的结果，浪费了流量资源，同时也影响客户体验。

发明内容

本申请实施例的目的在于提供一种产品推荐方法、装置、存储介质及设备，以解决相关技术中的贷款产品推荐方案经常会给客户推荐不合适的产品，导致流量资源的浪费以及客户体验的下降的问题。

第一方面，本申请实施例提供的一种产品推荐方法，包括：

获取基于目标用户在业务应用中的操作产生的目标业务数据；

将所述目标业务数据输入产品推荐模型，得到指示所述目标用户对不同产品的偏好程度和所述目标用户的资质的输出结果；所述产品推荐模型是基于多个用户对应的业务数据、产品申请数据以及资质评估数据作为训练数据而训练得到的；

根据所述输出结果确定目标产品，并将所述目标产品推荐给所述目标用户。

在上述实现过程中，采取多目标学习的方式，基于多个用户对应的业务数据、产品申请数据以及资质评估数据训练得到产品推荐模型，这样，通过该产品推荐模型，可以判断出目标用户的意愿和资质，进而确定出与其意愿和资质都相匹配的目标产品并推荐给该目标用户。如此，优化了产品推荐效果，也提升了用户使用体验。

进一步地，在一些实施例中，所述目标业务数据是通过大数据处理平台对基于目标用户在业务应用中的操作产生的原始数据进行清洗加工后得到的。

在上述实现过程中，通过对数据进行清洗加工，减少无用数据对模型预测的干扰，提升模型的准确率。

进一步地，在一些实施例中，所述产品申请数据包括：用户对各个产品的详情页的点击数据和申请数据；所述资质评估数据包括以下至少一种：资质评分数据、申请未通过的产品数据、申请通过的产品数据、实际使用的产品数据。

在上述实现过程中，提供产品申请数据和资质评估数据的具体类型。

进一步地，在一些实施例中，所述产品是贷款产品，所述产品数据包括以下至少一种：贷款产品类型、贷款额度、贷款费率、贷款利率、放款模式。

在上述实现过程中，提供应用于贷款产品推荐时的产品数据内容。

进一步地，在一些实施例中，所述产品推荐模型基于以下方式训练得到：

基于初始模型对训练数据中的业务数据进行处理，得到预测结果；

基于所述预测结果以及所述训练数据中的产品申请数据、资质评估数据，构建损失函数；

基于所述损失函数对所述初始模型的模型参数进行调整。

在上述实现过程中，提供产品推荐模型的一种训练方式。

进一步地，在一些实施例中，所述训练数据是周期性采集得到的；所述方法还包括：

在所述产品推荐模型的推理阶段，判断基于本周期采集到的训练数据训练得到的产品推荐模型的效果是否优于基于上一个采集到的训练数据训练得到的产品推荐模型的效果；

若是，利用基于本周期采集到的训练数据训练得到的产品推荐模型对所述目标业务数据进行处理；

若否，利用基于上一个采集到的训练数据训练得到的产品推荐模型对所述目标业务数据进行处理。

在上述实现过程中，通过模型的自动对比优化，提升线上模型的预测效果。

进一步地，在一些实施例中，所述产品推荐模型的效果基于以下至少一种评估指标确定：召回率、AUC、F1分数。

在上述实现过程中，提供对比评估模型效果的评估指标的类型。

第二方面，本申请实施例提供的一种产品推荐装置，包括：

获取模块，用于获取基于目标用户在业务应用中的操作产生的目标业务数据；

推理模块，用于将所述目标业务数据输入产品推荐模型，得到指示所述目标用户对不同产品的偏好程度和所述目标用户的资质的输出结果；所述产品推荐模型是基于多个用户对应的业务数据、产品申请数据以及资质评估数据作为训练数据而训练得到的；

推荐模块，用于根据所述输出结果确定目标产品，并将所述目标产品推荐给所述目标用户。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的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指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。

本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种产品推荐方法的流程图；

图2为本申请实施例提供的一种基于多目标学习算法的产品推荐模型的工作流程的示意图；

图3为本申请实施例提供的一种产品推荐装置的框图；

图4为本申请实施例提供的一种电子设备的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如背景技术记载，目前的贷款产品推荐方案经常会给客户推荐不合适的产品，导致流量资源的浪费以及客户体验的下降。基于此，本申请实施例提供一种Python第三方包处理方法，以解决这一问题。

接下来对本申请实施例进行介绍：

如图1所示，图1是本申请实施例提供的一种产品推荐方法的流程图，所述方法可以应用于服务器，这里的服务器可以是银行系统的服务器，也可以是其他金融机构的平台服务器。用户使用的业务应用可以认为是客户端，该服务器可以通过该业务应用，向用户提供相应的服务。

所述方法包括：

在步骤101、获取基于目标用户在业务应用中的操作产生的目标业务数据；

目标用户在业务应用中的操作可以包括浏览页面、点击产品、填写资料等等。相应地，基于这些操作产生的数据可以包括页面浏览数据、目标用户所点击的产品数据、目标用户填写的资料数据等。这些数据通常会被存放到数据库或发送到消息队列中，而服务器可以从数据库或消息队列中，获取到这些数据。

本实施例中所要用到的目标业务数据可以是能够用于指示目标用户所属人群的数据，如表征目标用户的性别、年龄、工作行业等身份信息的数据，和/或表征目标用户偏好的产品类型的数据等。而基于目标用户在业务应用中的操作产生的各类数据中存在较多无用数据，因此，在一些实施例中，该目标业务数据可以是通过大数据处理平台对基于目标用户在业务应用中的操作产生的原始数据进行清洗加工后得到的。大数据处理平台可以利用大数据分析引擎，对海量的数据进行提取、清洗、分析等处理操作。这里的清洗加工可以包括去除无用数据、去除重复数据、整合关联数据等等。如此，减少无用数据对模型预测的干扰，提升模型的准确率。需要说明的是，这里提到的大数据处理平台的清洗加工功能可以是集成在服务器上的，也就是说，本实施例的服务器本身就可以是一个大数据处理平台。

在步骤102、将所述目标业务数据输入产品推荐模型，得到指示所述目标用户对不同产品的偏好程度和所述目标用户的资质的输出结果；所述产品推荐模型是基于多个用户对应的业务数据、产品申请数据以及资质评估数据作为训练数据而训练得到的；

本实施例中应用了一个产品推荐模型，该产品推荐模型的输入是目标用户的目标业务数据，输出是指示该目标用户对不同产品的偏好程度和该目标用户的资质的结果数据，也就是说，该产品推荐模型可以用于判断客户对不同产品的偏好程度和实际的资质。

具体地，该产品推荐模型的训练数据是多个用户对应的业务数据、产品申请数据以及资质评估数据。这里的产品申请数据是指用户对各个产品的申请状况的数据，其记录了产品从曝光到申请的数据，代表了该用户的申请意愿，可选地，该产品申请数据可以包括：用户对各个产品的详情页的点击数据和申请数据。这里的资质评估数据是指服务器对用户资质的审批状态的数据，其记录了产品从申请到供应的数据，代表了该用户的实际资质，可选地，该资质评估数据可以包括至少一种：资质评分数据、申请未通过的产品数据、申请通过的产品数据、实际使用的产品数据。用户在业务应用中浏览、提交申请的记录，以及后台管理员审批的记录等历史数据都会存储在服务器上，而本实施例的训练数据，可以从这些历史数据中获取得到。

在一些实施例中，该产品推荐模型可以基于以下方式训练得到：基于初始模型对训练数据中的业务数据进行处理，得到预测结果；基于所述预测结果以及所述训练数据中的产品申请数据、资质评估数据，构建损失函数；基于所述损失函数对所述初始模型的模型参数进行调整。也就是说，在模型训练时，将训练数据中的业务数据作为自变量X，将训练数据中的产品申请数据和资质评估数据分别作为模型的目标变量Y1和Y2，将自变量X输入初始模型，得到初始模型输出的预测结果Yp1和Yp2，则基于Y1、Y2、Yp1和Yp2构建损失函数，利用该损失函数进行反向传播，以更新当前的初始模型的模型参数，迭代结束后，将当前的初始模型确定为最终训练得到的产品推荐模型。可选地，迭代停止条件可以包括：迭代次数达到预设次数阈值；或，当前的损失函数与上一次迭代过程中的损失函数之间的差值不超过预设差值阈值。

需要说明的是，该产品推荐模型可以是一个概率模型，该初始模型可以是一个能用于概率预测的神经网络模型，如GAN(Generative Adversarial Network，生成式对抗网络)、CNN(Convolutional Neural Network，卷积神经网络)等；模型训练前，可以对训练数据进行预处理，以将训练数据转换成特征向量，例如，预处理的方式可以采用独热编码(One-Hot Encoding)，其具体过程参见相关技术中的介绍，本申请对此不作赘述。

另外，进一步地，在另外一些实施例中，还可以基于以下方式对模型进行自动更新优化：该训练数据是周期性采集得到的，该方法还包括：在该产品推荐模型的推理阶段，判断基于本周期采集到的训练数据训练得到的产品推荐模型的效果是否优于基于上一个采集到的训练数据训练得到的产品推荐模型的效果；若是，利用基于本周期采集到的训练数据训练得到的产品推荐模型对该目标业务数据进行处理；若否，利用基于上一个采集到的训练数据训练得到的产品推荐模型对该目标业务数据进行处理。也就是说，该产品推荐模型可以按照一定的周期，如一天、一周等进行重新训练，若重新训练得到的模型优于之前的模型，则替代之前的模型成为线上模型，否则仍由之前的模型作为线上模型。这样，可以实现模型的自动更新优化，提升线上模型的预测效果。

其中，在对比评估模型效果时，可以采用以下至少一种评估指标：召回率、AUC(Area Under Curve，ROC曲线下的面积)、F1分数。以AUC这一评估指标为例，其可以认为是ROC的积分，模型的AUC值越大，表明该模型的性能越好。当然，在其他实施例中，也可以采取其他的评估指标，如精确率、准确率等。

在步骤103、根据所述输出结果确定目标产品，并将所述目标产品推荐给所述目标用户。

在获取产品推荐模型的输出结果后，可以基于该输出结果确定目标产品，此时的目标产品与目标用户的申请意愿以及资质是相匹配的，也就是说，该目标产品极大可能既是该目标用户偏好的产品，也是该目标用户能够承担的产品(如，符合用户信贷资质的产品)。这种情况下，将该目标产品推荐给该目标用户，更为符合目标用户的实际需求，优化了产品推荐效果，也提升了用户使用体验。

在一些实施例中，该产品是贷款产品，前面提到的产品数据包括以下至少一种：贷款产品类型、贷款额度、贷款费率、贷款利率、放款模式。这里的贷款产品类型包括寿险贷、车主贷、优房贷等；贷款额度是发放贷款的最高计划限额；贷款费率是指贷款产品各类收费项目，如咨询费、担保费等占总体贷款款项的比例；贷款利率是向用户收取利息的比例；放款模式是指银行或其他金融机构将贷款款项发放给用户的模式，其按照放款条件可包括抵押放款、信用放款等，按照放款期限可分为短期放款、中长期放款等。这些产品数据体现了不同贷款产品的特点，不同于其他产品，贷款产品的申请过程需要经过风控审核等环节，客户申请需要满足相应资质才可能放款，而本实施例的方法，可以根据客户群体的历史意向申请数据和申请后的贷款放款数据，权衡客户在不同贷款产品上的申请意愿和客户申请后的放款概率，既可以提升客户体验，也可以提高客户的业务转化。需要说明的是，该产品也可以是需要审核客户资质的其他类型产品，例如，包括车、房、首饰在内的高价值产品、包括基金、股票在内的理财产品等。

本申请实施例，采取多目标学习的方式，基于多个用户对应的业务数据、产品申请数据以及资质评估数据训练得到产品推荐模型，这样，通过该产品推荐模型，可以判断出目标用户的意愿和资质，进而确定出与其意愿和资质都相匹配的目标产品并推荐给该目标用户。如此，优化了产品推荐效果，也提升了用户使用体验。

为了对本申请的方案做更为详细的说明，接下来介绍一具体实施例：

本实施例中，银行系统的服务器基于产品推荐模型对客户在业务应用中的操作产生的业务数据进行处理，判断出符合该客户意愿和资质的贷款产品，并将该贷款产品的相关信息推送到该客户的业务应用上。如图2所示，图2是本申请实施例提供的一种基于多目标学习算法的产品推荐模型的工作流程的示意图，该工作流程包括：

S201、业务应用阶段，客户进入业务应用，会开始浏览页面、点击贷款产品或者填写资料，基于这些操作产生的各类数据将被存放到数据库或发送到消息队列中；服务器从数据库或消息队列中获取这些数据，并通过大数据处理平台对其进行清洗加工，形成业务数据，再输入到下一个阶段；

S202、数据采集阶段，通过对实际业务数据进行加工，生成申请数据21和放款数据22，其中，申请数据21记录了贷款产品从曝光到申请的数据，代表客户的申请意愿，放款数据22记录了贷款产品从申请到放款的数据，代表客户的信贷资质；

具体地，申请数据21包括客户对不同贷款产品的点击次数和申请状况，这些数据可以是从业务数据中获取得到的；放款数据22包括客户的资质评分、客户申请未通过的贷款产品、客户申请通过的贷款产品、客户实际使用的贷款额度等，这些数据可以是从服务器存储的历史放款记录中获取得到的；

S203、模型训练阶段，将申请数据21和放款数据22一起作为模型的目标变量，依次分别为Y1和Y2，将数据采集阶段获取的客户其他数据作为自变量X，产生的模型是一个概率模型，可以判断客户对不同贷款产品的偏好程度和实际的贷款资质；

具体地，客户其他数据包括指示客户的年龄、性别、工作行业、户籍等身份信息的数据，这些数据可以是从客户填写并递交的资料中获取到的，表示客户特征；

S204、模型推理阶段，上一次训练得到的模型M_t和本次训练得到的模型M_t+1进行自动对比评估，若模型M_t+1明显优于模型M_t，则替代M_t成为线上模型，系统进入新一轮的自动训练更新；

具体地，该模型在应用时，根据目标客户在业务应用中产生的数据，判断出该目标客户对不同贷款产品的偏好程度和实际的贷款资质，并基于此确定出符合该目标客户意愿和贷款资质的贷款产品，同时将该贷款产品的相关信息推送到该目标客户的业务应用上，如推送到业务应用的首页，通过滚动条的形式推送在页面上方等；另外，该模型每隔一天进行一次重新训练，重新训练时，将当天产生的业务数据、申请数据、放款数据一并加入训练数据。

本实施例中，基于申请数据和放款数据实现多目标学习的方法能将业务经验与实际数据相融合，通过模型实现量化计算，将客户意愿和信贷资质的匹配关系输出概率分值，更容易部署上线和效果评估；防止人为因素可能引入的偏差导致系统结果出现硬性错误；同时基于实际数据能明显加快模型迭代速度，提升模型自适应客户群体变化的能力，在一定程度上提升模型的稳定。

与前述方法的实施例相对应，本申请还提供产品推荐装置及其应用的终端的实施例：

如图3所示，图3是本申请实施例提供的一种产品推荐装置的框图，所述装置包括：

获取模块31，用于获取基于目标用户在业务应用中的操作产生的目标业务数据；

推理模块32，用于将所述目标业务数据输入产品推荐模型，得到指示所述目标用户对不同产品的偏好程度和所述目标用户的资质的输出结果；所述产品推荐模型是基于多个用户对应的业务数据、产品申请数据以及资质评估数据作为训练数据而训练得到的；

推荐模块33，用于根据所述输出结果确定目标产品，并将所述目标产品推荐给所述目标用户。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

本申请还提供一种电子设备，请参见图4，图4为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器410、通信接口420、存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口420用于与其他节点设备进行信令或数据的通信。处理器410可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器410可以是通用处理器，包括中央处理器(CPU，Central ProcessingUnit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器410也可以是任何常规的处理器等。

存储器430可以是，但不限于，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory)等。存储器430中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器410执行时，电子设备可以执行上述图1至图2方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。

所述存储器430、存储控制器、处理器410、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线440实现电性连接。所述处理器410用于执行存储器430中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种产品推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述目标业务数据是通过大数据处理平台对基于目标用户在业务应用中的操作产生的原始数据进行清洗加工后得到的。

3.根据权利要求1所述的方法，其特征在于，所述产品申请数据包括：用户对各个产品的详情页的点击数据和申请数据；所述资质评估数据包括以下至少一种：资质评分数据、申请未通过的产品数据、申请通过的产品数据、实际使用的产品数据。

4.根据权利要求3所述的方法，其特征在于，所述产品是贷款产品，所述产品数据包括以下至少一种：贷款产品类型、贷款额度、贷款费率、贷款利率、放款模式。

5.根据权利要求1所述的方法，其特征在于，所述产品推荐模型基于以下方式训练得到：

基于所述损失函数对所述初始模型的模型参数进行调整。

6.根据权利要求5所述的方法，其特征在于，所述训练数据是周期性采集得到的；所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述产品推荐模型的效果基于以下至少一种评估指标确定：召回率、AUC、F1分数。

8.一种产品推荐装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，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权利要求1至7任一项所述的方法。

10.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。