【技术实现步骤摘要】
本公开涉及金融科技和人工智能，尤其涉及一种产品推荐方法、装置、设备、存储介质及程序产品。
技术介绍
1、随着金融科技技术的发展，产品交易数据也日益增加。尤其金融市场中的产品交易数据之间多是呈现非线性的关系，常需利用海量交易数据对产品进行分析及预测，得到针对未来时刻的产品交易数据，从而向用户推荐相关产品。
2、由于预测非线性的产品数据往往需要海量交易数据，数据质量并不能得到保证，造成计算机运行性能降低，也影响产品推荐的准确性。
技术实现思路
1、鉴于上述问题，本公开提供了产品推荐方法、装置、设备、存储介质及程序产品。
2、根据本公开的第一个方面，提供了一种产品推荐方法，包括：
3、基于数据接口获取产品的交易数据序列，交易数据序列是基于时序关系排列的多个交易数据构建的。根据交易数据序列的时序关系，对交易数据序列进行数据处理，得到差分数据序列。将差分数据序列输入预测模型，得到产品的预测交易数据，预测模型的模型参数是利用历史交易数据序列训练得到的，模型参数用于将历史交易数据序列进行相空间重构，历史交易数据序列是基于时序关系排列的多个历史交易数据构建的。根据产品的预测交易数据生成产品推荐结果。
4、根据本公开的实施例，根据交易数据序列的时序关系，对交易数据序列进行数据处理，得到差分数据序列包括：根据交易数据序列的时序关系，从交易数据序列中确定目标交易数据。根据目标交易数据，对交易数据序列进行预处理，得到预处理数据序列。根据预处理数据序列中相邻交
5、根据本公开的实施例，根据目标交易数据，对交易数据序列进行预处理，得到预处理数据序列包括：在目标交易数据不满足预设阈值的情况下，将交易数据序列中的目标交易数据进行删除，得到正常数据序列。在多个目标交易数据之间的时长超出预设时长的情况下，根据多个目标交易数据对正常数据序列进行数据填充，得到预处理数据序列。
6、根据本公开的实施例，在多个目标交易数据之间的时长超出预设时长的情况下，根据多个目标交易数据对正常数据序列进行数据填充，得到预处理数据序列包括：在多个目标交易数据之间的时长超出预设时长的情况下，确定多个目标交易数据的平均交易数据。利用插值法对多个目标交易数据和平均交易数据进行处理，得到插值交易数据。将插值交易数据填充至正常数据序列，得到预处理数据序列。
7、根据本公开的实施例，将差分数据序列输入预测模型，得到产品的预测交易数据包括：根据模型参数对差分数据序列进行相空间重构，得到混沌数据序列。对混沌数据序列进行特征提取，得到混沌特征。根据混沌特征对沌数据序列进行预测，得到产品的预测交易数据。
8、根据本公开的实施例，模型参数包括延迟时间和嵌入维数，根据模型参数对差分数据序列进行相空间重构，得到混沌数据序列包括：根据延迟时间对差分交易数据序列的时间间隔进行调整，得到延迟数据序列。根据嵌入维数，向延迟数据序列中嵌入交易数据向量，得到混沌数据序列，交易数据向量与差分交易数据序列中的差分交易数据具有相关性。
9、根据本公开的实施例，上述方法还包括：计算历史交易数据序列的自相关函数值和互相关函数值。基于自相关函数值和互相关函数值更新预测模型的模型参数，得到预测模型的目标模型参数。将目标模型参数作为延迟时间。
10、根据本公开的实施例，上述方法还包括：计算历史交易数据序列的李雅普诺夫指数。利用李雅普诺夫指数对嵌入维数进行估计。
11、本公开的第二方面提供了一种产品推荐装置，包括：获取模块，用于基于数据接口获取产品的交易数据序列，交易数据序列是基于时序关系排列的多个交易数据构建的。数据处理模块，用于根据交易数据序列的时序关系，对交易数据序列进行数据处理，得到差分数据序列。输入模块，用于将差分数据序列输入预测模型，得到产品的预测交易数据，预测模型的模型参数是利用历史交易数据序列训练得到的，模型参数用于将历史交易数据序列进行相空间重构，历史交易数据序列是基于时序关系排列的多个历史交易数据构建的。生成模块，用于根据产品的预测交易数据生成产品推荐结果。
12、本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，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上述方法。
13、本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
14、本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该上述计算机程序被处理器执行时实现上述方法的步骤。
15、根据本公开提供的产品推荐方法、装置、设备、存储介质及程序产品，通过基于数据接口获取产品的交易数据序列，交易数据序列是基于时序关系排列的多个交易数据构建的。根据交易数据序列的时序关系，对交易数据序列进行数据处理，得到差分数据序列，由于差分数据序列可以消除季节性或趋势性特征，更好的反映非线性特性与混沌特性，提高数据质量，也提升了后续预测过程中计算机运行性能。
16、由于模型参数用于将历史交易数据序列进行相空间重构，以使历史交易数据序列更具明显混沌特性，历史交易数据序列是基于时序关系排列的多个历史交易数据构建的，而预测模型的模型参数是利用历史交易数据序列训练得到的，因此，预测模型更适合预测具有混沌特性的数据。进而将具有混沌特性的差分数据序列输入预测模型，得到更为精准的产品的预测交易数据；根据产品的预测交易数据生成产品推荐结果，使得产品推荐结果更准确。
本文档来自技高网...【技术保护点】
1.一种产品推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述交易数据序列的所述时序关系，对所述交易数据序列进行数据处理，得到差分数据序列包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标交易数据，对所述交易数据序列进行预处理，得到预处理数据序列包括：
4.根据权利要求3所述的方法，其特征在于，所述在多个所述目标交易数据之间的时长超出预设时长的情况下，根据多个所述目标交易数据对所述正常数据序列进行数据填充，得到所述预处理数据序列包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述差分数据序列输入预测模型，得到所述产品的预测交易数据包括：
6.根据权利要求5所述的方法，其特征在于，所述模型参数包括延迟时间和嵌入维数，所述根据所述模型参数对所述差分数据序列进行相空间重构，得到混沌数据序列包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
9.一种产品
10.一种电子设备，包括：
11.一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，该所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种产品推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述交易数据序列的所述时序关系，对所述交易数据序列进行数据处理，得到差分数据序列包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标交易数据，对所述交易数据序列进行预处理，得到预处理数据序列包括：
4.根据权利要求3所述的方法，其特征在于，所述在多个所述目标交易数据之间的时长超出预设时长的情况下，根据多个所述目标交易数据对所述正常数据序列进行数据填充，得到所述预处理数据序列包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述差分数据序列输入预测模型，得到所述产品的预测交易数据包括：
6.根据权利要...
【专利技术属性】
技术研发人员：吴冰璇，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。