本技术涉及金融科技领域或其他相关领域，具体而言，涉及一种产品的推荐方法、装置、计算机存储介质以及电子设备。
背景技术：
1、随着金融产品的快速发展，金融机构可以利用推荐系统向不同的金融用户推荐不同的金融产品。传统的推荐系统主要依赖于用户的基本信息和历史交易数据，通过协同过滤、基于内容的推荐等方法为用户提供产品推荐。然而，这些方法存在一些局限性。
2、首先，传统推荐系统主要依赖于用户的历史行为数据，而忽略了用户在社交网络和其他在线平台上的丰富信息，因此，传统的推荐系统存在着信息来源有限的问题；其次，基于用户历史行为的推荐系统往往难以捕捉到用户的深层次兴趣和偏好，导致推荐结果的个性化程度不足；用户属性信息在推荐系统中起着关键作用，但其稀疏性被传统方法忽视，导致推荐系统的性能受限。
3、针对相关技术中向用户推荐金融产品时存在推荐准确率低的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本技术的主要目的在于提供一种产品的推荐方法、装置、计算机存储介质以及电子设备，以解决相关技术中向用户推荐金融产品时存在推荐准确率低的问题。
2、为了实现上述目的，根据本技术的一个方面，提供了一种产品的推荐方法。该方法包括：获取待推荐用户的社交网络数据以及第一历史产品数据，分别对社交网络数据和第一历史产品数据进行处理，得到第一数据特征和第二数据特征，由第一数据特征和第二数据特征构成用户数据特征，其中，第一历史产品数据是指待推荐用户在历史时间段使用的金融产品的数据；获取待推荐用户的产品预期信息，根据产品预期信息确定目标产品推荐模型，将用户数据特征输入目标产品推荐模型，输出推荐产品评分，其中，推荐产品评分用于表征待推荐用户对x种金融产品的偏好程度，x为正整数；根据推荐产品评分对x种金融产品进行排序，得到排序结果，根据排序结果确定目标金融产品，并将目标金融产品推荐至待推荐用户。
3、进一步地，目标产品推荐模型通过以下方式得到：获取m个用户的历史社交网络数据，并获取m个用户的第二历史产品数据，其中，第二历史产品数据是指m个用户在历史时间段使用的金融产品的数据，m为正整数；将历史社交网络数据和第二历史产品数据进行关联，得到历史网络数据，对历史网络数据进行向量特征处理，得到历史网络矩阵，其中，历史网络矩阵包括历史网络拓扑矩阵和属性矩阵，历史网络拓扑矩阵用于表征历史网络数据的拓扑结构，属性矩阵用于表征历史网络数据的属性信息；获取深度自编码器，利用深度自编码器对历史网络矩阵进行处理，得到初始数据特征，并通过注意力机制对初始数据特征进行稀疏优化处理，得到历史数据特征，其中，初始数据特征包括历史网络特征和历史属性特征；获取初始产品推荐模型，利用历史数据特征对初始产品推荐模型进行训练，得到训练后的产品推荐模型；利用机器学习算法对训练后的产品推荐模型进行优化，得到优化产品推荐模型，将优化产品推荐模型确定为目标产品推荐模型。
4、进一步地，将历史社交网络数据和第二历史产品数据进行关联，得到历史网络数据包括：分别对历史社交网络数据和第二历史产品数据进行数据预处理，得到处理后的社交网络数据和第一处理后的历史产品数据；从第一处理后的历史产品数据中提取文本数据，得到第二处理后的历史产品数据；从处理后的社交网络数据和第二处理后的历史产品数据中提取共同特征，并根据共同特征将处理后的社交网络数据和第二处理后的历史产品数据进行对接，得到历史网络数据。
5、进一步地，历史网络拓扑矩阵包括第一网络矩阵，对历史网络数据进行向量特征处理，得到历史网络矩阵包括：从历史网络数据中提取高阶临近数据和结构角色相似数据，其中，高阶临近数据用于表征每个用户关联的历史社交网络数据的性质，结构角色相似数据用于表征每个用户关联的历史社交网络数据的相似度情况；根据高阶临近数据创建预设网络数据，从预设网络数据中提取n个邻接矩阵，并对n个邻接矩阵进行标准化处理，得到n个处理后的标准化邻接矩阵，其中，n为正整数；对n个处理后的标准化邻接矩阵进行向量和计算，得到第一网络矩阵。
6、进一步地，历史网络拓扑矩阵包括第二网络矩阵，对历史网络数据进行向量特征处理，得到历史网络矩阵包括：获取历史网络数据中每两个节点的之间的距离，得到节点距离集，并获取历史社交网络数据的网络属性，得到历史网络属性，其中，节点距离集包括k个节点距离，k为正整数；根据历史网络属性确定第一参数，计算节点距离集中每个节点距离与第一参数的比值，得到k个距离比值，并计算k个距离比值的总和，得到距离数据；计算k个节点的质量，得到k个节点质量值，并根据k个节点质量值和距离数据计算网络向量元素值，根据网络向量元素值构成网络向量矩阵，将网络向量矩阵确定为第二网络矩阵。
7、进一步地，获取深度自编码器，利用深度自编码器对历史网络矩阵进行处理，得到初始数据特征包括：根据历史网络矩阵中的第一网络矩阵计算编码器误差函数，得到第一误差函数，根据历史网络矩阵中的第二网络矩阵计算编码器误差函数，得到第二误差函数；获取初始深度自编码器，利用第一误差函数和第二误差函数对初始深度自编码器进行重构处理，得到深度自编码器；利用深度自编码器关联的非线性激活函数分别对第一网络矩阵和第二网络矩阵进行计算，得到第一输出值和第二输出值，利用非线性激活函数对第一输出值和第二输出值进行计算，得到初始数据特征。
8、进一步地，通过注意力机制对初始数据特征进行稀疏优化处理，得到历史数据特征包括：获取初始数据特征关联的历史网络特征和历史属性特征；获取历史网络特征中的节点嵌入数据，得到第一嵌入数据，获取历史属性特征中的节点嵌入数据，得到第二嵌入数据，根据第一嵌入数据的属性值和第二嵌入数据的属性值确定节点属性值；利用第一嵌入数据、第一嵌入数据和节点属性值进行非线性变换处理，得到历史数据特征。
9、进一步地，在将目标金融产品推荐至待推荐用户之后，该方法还包括：获取待推荐用户的使用目标金融产品的产品反馈信息，并对产品反馈信息进行识别，得到用户使用指标，其中，用户使用指标包括用户满意率、点击率以及转化率；根据用户使用指标对目标产品推荐模型进行模型参数调整，得到调整后的产品推荐模型，并将调整后的产品推荐模型存储至数据库。
10、为了实现上述目的，根据本技术的另一方面，提供了一种产品的推荐装置。该装置包括：第一获取单元，用于获取待推荐用户的社交网络数据以及第一历史产品数据，分别对社交网络数据和第一历史产品数据进行处理，得到第一数据特征和第二数据特征，由第一数据特征和第二数据特征构成用户数据特征，其中，第一历史产品数据是指待推荐用户在历史时间段使用的金融产品的数据；第二获取单元，用于获取待推荐用户的产品预期信息，根据产品预期信息确定目标产品推荐模型，将用户数据特征输入目标产品推荐模型，输出推荐产品评分，其中，推荐产品评分用于表征待推荐用户对x种金融产品的偏好程度，x为正整数；排序单元，用于根据推荐产品评分对x种金融产品进行排序，得到排序结果，根据排序结果确定目标金融产品，并将目标金融产品推荐至待推荐用户。
11、根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种产品的推荐方法。
12、根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种产品的推荐方法。
13、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时执行一种产品的推荐方法。
14、通过本技术，采用以下步骤：获取待推荐用户的社交网络数据以及第一历史产品数据，分别对社交网络数据和第一历史产品数据进行处理，得到第一数据特征和第二数据特征，由第一数据特征和第二数据特征构成用户数据特征，其中，第一历史产品数据是指待推荐用户在历史时间段使用的金融产品的数据；获取待推荐用户的产品预期信息，根据产品预期信息确定目标产品推荐模型，将用户数据特征输入目标产品推荐模型，输出推荐产品评分，其中，推荐产品评分用于表征待推荐用户对x种金融产品的偏好程度，x为正整数；根据推荐产品评分对x种金融产品进行排序，得到排序结果，根据排序结果确定目标金融产品，并将目标金融产品推荐至待推荐用户，解决了相关技术中向用户推荐金融产品时存在推荐准确率低的问题，通过获取待推荐用户的社交网络数据以及历史产品数据，由社交网络数据以及历史产品数据构成用户数据特征，将用户数据特征输入目标产品推荐模型，输出推荐产品评分，根据推荐产品评分对多种金融产品进行排序，从而确定目标金融产品，并将目标金融产品推荐至待推荐用户，进而达到了提高推荐产品的准确率以及效率的效果。
1.一种产品的推荐方法，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，所述目标产品推荐模型通过以下方式得到：
3.根据权利要求2所述的方法，其特征在于，将所述历史社交网络数据和所述第二历史产品数据进行关联，得到历史网络数据包括：
4.根据权利要求2所述的方法，其特征在于，所述历史网络拓扑矩阵包括第一网络矩阵，对所述历史网络数据进行向量特征处理，得到历史网络矩阵包括：
5.根据权利要求2所述的方法，其特征在于，所述历史网络拓扑矩阵包括第二网络矩阵，对所述历史网络数据进行向量特征处理，得到历史网络矩阵包括：
6.根据权利要求2所述的方法，其特征在于，获取深度自编码器，利用所述深度自编码器对所述历史网络矩阵进行处理，得到初始数据特征包括：
7.根据权利要求2所述的方法，其特征在于，通过注意力机制对所述初始数据特征进行稀疏优化处理，得到历史数据特征包括：
8.根据权利要求1所述的方法，其特征在于，在将所述目标金融产品推荐至所述待推荐用户之后，所述方法还包括：
9.一种产品的推荐装置，其特征在于，包括：
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序，其中，所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至8中任意一项所述的产品的推荐方法。
11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述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，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的产品的推荐方法。
