产品推荐方法、装置、计算机设备和存储介质与流程

本发明涉及计算机技术领域，特别是涉及一种产品推荐方法、装置、计算机设备和可读存储介质。

背景技术：

随着保险产品种类的不断增多，越来越多的客户在选择适合自身车辆时感到很迷茫，不知道选择哪款产品，最终只能随大流。

目前商业险交易中，无法给用户推荐更针对性的产品，推荐产品的精准度较低。

技术实现要素：

本发明的目的在于提供一种产品推荐方法、装置、计算机设备和可读存储介质，可以提高产品推荐效率，并且针对不同的待推荐客户有效提高推荐准确性。

本发明的目的通过如下技术方案实现：

一种产品推荐方法，所述方法包括：

获取待推荐客户的客户标识，查询存储的与所述客户标识对应的交易记录；

根据所述交易记录确定所述待推荐客户所在的客户类别；

获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型；

获取所述待推荐客户的交易潜力参考信息，将所述交易潜力参考信息输入所述目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

在一个实施例中，所述根据所述交易记录确定所述待推荐客户所在的客户类别，包括：

提取所述交易记录中所述待推荐客户的交易次数；

查询预存的多种客户类别中，与所述交易次数对应的客户类别，得到所述待推荐客户所在的客户类别。

在一个实施例中，所述获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型，包括：

获取多个训练产品推荐模型；

查询所述多个训练产品推荐模型中，与所述客户类别对应的第一产品推荐模型；

从所述多个第一产品推荐模型中，确定出所述车辆信息对应的目标产品推荐模型。

在一个实施例中，所述获取多个训练产品推荐模型，包括：

查询预存的样本交易潜力参考信息中与所述客户类别对应的第一交易潜力参考信息；

查询所述第一交易潜力参考信息中与所述车辆信息对应的第二交易潜力参考信息；

获取与所述第二交易潜力参考信息对应的样本产品；

根据所述第二交易潜力参考信息和所述样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型。

在一个实施例中，所述根据所述第二交易潜力参考信息和所述样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型，包括：

将所述第二交易潜力参考信息转化为样本输入向量，并将所述样本产品转化为样本输出向量；

将所述样本输入向量输入预设产品推荐模型，得到预测输出向量；

获取所述预测输出向量和所述样本输出向量之间的误差率；

若所述误差率不符合预设条件，则调整所述预设产品推荐模型的参数，直至根据调整参数后的预设产品推荐模型得到的误差率符合预设条件，将所述调整参数后的预设产品推荐模型作为所述训练产品推荐模型。

在一个实施例中，还包括：

获取与所述交易潜力参考信息对应的审核信息，根据所述审核信息对所述待推荐的产品进行筛选，将筛选后的产品推荐给所述待推荐客户。

在一个实施例中，所述交易潜力参考信息包括资产数据和地域信息；所述获取与所述交易潜力参考信息对应的审核信息，根据所述审核信息对所述待推荐的产品进行筛选，将筛选后的产品推荐给所述待推荐客户，包括：

提取所述交易潜力参考信息中的地域信息，查询预存的多种审核信息中，与所述地域信息对应的审核信息；

获取与所述待推荐的产品对应的产品信息，将所述产品信息与所述审核信息进行匹配；

将所述待推荐的产品中，与所述审核信息相匹配的产品推荐给所述待推荐客户。

一种产品推荐装置，所述装置包括：

交易记录获取模块，用于获取待推荐客户的客户标识，查询存储的与所述客户标识对应的交易记录；

客户类别确定模块，用于根据所述交易记录确定所述待推荐客户所在的客户类别；

目标推荐模型获取模块，用于获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型；

产品推荐模块，用于获取所述待推荐客户的交易潜力参考信息，将所述交易潜力参考信息输入所述目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

获取待推荐客户的客户标识，查询存储的与所述客户标识对应的交易记录；

根据所述交易记录确定所述待推荐客户所在的客户类别；

获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型；

获取所述待推荐客户的交易潜力参考信息，将所述交易潜力参考信息输入所述目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

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下步骤：

获取待推荐客户的客户标识，查询存储的与所述客户标识对应的交易记录；

根据所述交易记录确定所述待推荐客户所在的客户类别；

获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型；

获取所述待推荐客户的交易潜力参考信息，将所述交易潜力参考信息输入所述目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

本发明提供的产品推荐方法，其获取待推荐客户的客户标识，查询存储的与所述客户标识对应的交易记录；根据所述交易记录确定所述待推荐客户所在的客户类别；获取所述待推荐客户的车辆信息，根据所述客户类别和所述车辆信息，确定目标产品推荐模型，针对不同的客户类别和车辆信息，确定待推荐客户适用的目标产品推荐模型；获取所述待推荐客户的交易潜力参考信息，将所述交易潜力参考信息输入所述目标产品推荐模型，得到待推荐的产品，所述交易潜力参考信息用于描述客户进行交易的可能性大小，提高产品推荐效率，并且针对不同的待推荐客户有效提高推荐准确性。

附图说明

图1为一个实施例中产品推荐方法的应用环境图；

图2为一个实施例中产品推荐方法的流程示意图；

图3为一个实施例中产品推荐方法的流程示意图；

图4为一个实施例中产品推荐方法的流程示意图；

图5为一个实施例中产品推荐方法的流程示意图；

图6为另一个实施例中产品推荐方法的流程示意图；

图7为一个实施例中产品推荐装置的结构框图；

图8为另一个实施例中产品推荐装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的产品推荐方法，可以应用于如图1所示的应用环境中。具体的，客户端102接收客户输入的客户标识，服务器104从客户端102获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录；服务器104根据交易记录确定待推荐客户所在的客户类别；服务器104获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型；服务器104获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。其中，客户端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种产品推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤s201，获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录。

其中，客户标识是指代表客户身份信息的标识，可以是客户姓名、客户代号、身份证号等等；交易记录是指客户的期货交易所中达成交易的有关资料的文字性记载。

在具体实施过程中，服务器中存储有多种交易记录，各交易记录分别与客户标识相对应，只需要输入待推荐客户的客户标识，就可以查询到和客户标识对应的交易记录，如果客户之前没有进行过交易，那么对应交易记录为无。

步骤s202，根据交易记录确定待推荐客户所在的客户类别。

其中，客户类别是指根据客户的交易记录的不同，将客户分成不同的类别。

在具体实施过程中，服务器中存储有多种客户类别，各客户类别分别和多种交易记录对应，查询到待推荐客户的交易记录，就可以查询到和交易记录对应的客户类别。

例如，按照交易记录中的交易次数对客户进行分类，交易次数小于2次为新客户，交易次数大于等于3次为老客户等等。

步骤s203，获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型。

其中，目标产品推荐模型为一种建立了客户的交易潜力参考信息和推荐的产品之间关联关系的学习模型。

在具体实施过程中，服务器中存储有多种产品推荐模型，各产品推荐模型分别设置有对应的客户类别和车辆信息，输入客户类别和车辆信息到服务器中，就可以查询到对应的目标产品推荐模型。

步骤s204，获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

其中，交易潜力参考信息代表客户进行交易的可能性，包括客户的地域信息、资产信息等等。

在具体实施中，服务器中预存有多个客户的交易潜力参考信息，各交易潜力参考信息分别客户标识相对应，输入待推荐客户的客户标识，就可以查询得到待推荐客户的交易潜力参考信息。

在具体实施中，获取多个样本交易潜力参考信息和对应的产品，对预设的产品推荐模型进行训练，得到训练后的产品推荐模型，那么训练后的产品推荐模型中就建立了交易潜力参考信息和推荐产品之间的关联关系，将待推荐客户的交易潜力参考信息作为输入数据，输入目标产品推荐模型，就可以输出待推荐产品。

上述产品推荐方法中，通过获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录；根据交易记录确定待推荐客户所在的客户类别；获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型，针对不同的客户类别和车辆信息，确定待推荐客户适用的目标产品推荐模型；获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品，提高产品推荐效率，并且针对不同的待推荐客户有效提高推荐准确性。

在一个实施例中，如图3所示，根据交易记录确定待推荐客户所在的客户类别，包括：

步骤s210，提取交易记录中的所述待推荐客户交易次数。

其中，交易记录包括交易次数、每一次交易对象、交易时间和交易数值。

在具体实施过程中，服务器中查询和客户标识对应的交易记录，统计交易记录中交易次数。

步骤s220，查询预存的多种客户类别中，与交易次数对应的客户类别，得到所述待推荐客户所在的客户类别。

在具体实施过程中，服务器中对不同范围的交易次数设置不同的客户类别，查询待推荐的客户的交易次数位于哪一交易次数范围内，就可以查询到对应的客户类别。

例如，交易次数小于2次为新客户，交易次数大于等于3次为老客户，待推荐客户的交易次数为4，符合交易次数大于3的范围，说明待推荐客户为来客户这一客户类别。

在一个实施例中，如图4所示，根据客户类别和车辆信息，确定目标产品推荐模型，包括：

步骤s310，获取多个训练产品推荐模型。

其中，训练产品推荐模型建立了交易潜力参考信息和推荐产品之间的关联关系。

在具体实施过程中，针对不同的客户类别和不同的车辆信息，采用不同的样本交易潜力参考信息和对应的产品对预设的产品推荐模型进行训练，得到多种训练产品推荐模型。

步骤s320，查询多个训练产品推荐模型中，与客户类别对应的第一产品推荐模型。

在具体实施过程中，由于不同的客户类别和不同的车辆信息，采用不同的样本交易潜力参考信息和对应的产品对预设的产品推荐模型进行训练，因此，查询和客户类别对应的多个第一产品推荐模型。

步骤s330，从所述第一产品推荐模型中，确定出与车辆信息对应的目标产品推荐模型。

在具体实施过程中，查询得到的多个第一产品推荐模型中，和车辆信息对应的第一产品推荐模型，就可以得到和客户类别、车辆信息分别对应的目标产品推荐模型。

在其他实施过程中，还可以先查询多个训练产品推荐模型中，与车辆信息对应的多个第二产品推荐模型，然后查询多个第二产品推荐模型中，和客户类别对应的目标产品推荐模型。

在一个实施例中，获取多个训练产品推荐模型，包括：

查询预存的样本交易潜力参考信息中与客户类别对应的第一交易潜力参考信息。

其中，样本交易潜力信息是指用于对预设的产品推荐模型进行训练的交易潜力参考信息。

在具体实施过程中，服务器中预存有多种样本交易潜力参考信息，由于不同地域、具有不同资产的客户的交易潜力不一样，因此，各样本交易潜力参考信息分别设置有对应的客户类别和对应的车辆信息。

查询第一交易潜力参考信息中与车辆信息对应的第二交易潜力参考信息；获取与第二交易潜力参考信息对应的样本产品。

在一种实施过程中，可以先查询预存的样本交易潜力参考信息中与客户类别对应的第一交易潜力参考信息，然后查询第一交易潜力参考信息中和车辆信息对应的第二交易潜力参考信息。

在另一种实施过程中，可以先查询预存的样本交易潜力参考信息中与车辆信息对应的第三交易潜力参考信息，然后查询第三交易潜力参考信息中和客户类别对应的第二交易潜力参考信息。

根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型。

其中，预设的产品推荐模型可以是包括多种学习模型，例如gbdt(gradientboostdecisiontree迭代决策树模型)、lightgbm(lightgradientboostingmachine，轻量级梯度提升树算法)、xgboost(extremegradientboosting，极值梯度提升树算法)等模型。

在具体实施过程中，对预设的产品推荐模型进行训练的过程，是建立交易潜力参考信息和对应的产品之间的关联关系的过程，通过不断输入样本交易潜力参考信息到预设的产品推荐模型中，使的产品推荐模型输出接近对应的样本产品。

在一个实施例中，根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型，包括：

将第二交易潜力参考信息转化为样本输入向量，并将样本产品转化为样本输出向量。

在具体实施过程中，为了便于对预设的产品推荐模型进行训练，需要先通过预设学习算法，将第二交易潜力参考信息转化为样本输入向量，并通过预设学习算法将样本产品转化为样本输出向量。

将样本输入向量输入预设产品推荐模型，得到预测输出向量；获取预测输出向量和样本输出向量之间的误差率。

在具体实施过程中，对预设产品推荐模型进行训练的过程，是使预测输出向量和实际的样本输出向量之间的差异最小化的过程。

若所述误差率不符合预设条件，则调整预设产品推荐模型的参数，直至根据调整参数后的预设产品推荐模型得到的误差率符合预设条件，将调整参数后的预设产品推荐模型作为训练产品推荐模型。

在具体实施过程中，每次输入样本输入向量，得到预测输出向量，计算预测输出向量和样本输出向量之间的误差率，调整参数，重新输入样本输入向量进行训练，再次计算预测输出向量和样本输出向量之间的误差率，不断调整参数，使误差率不断减小，直到误差率小于预设阈值，说明当前的参数为最优参数，预设产品推荐模型的训练完成。

在一个实施例中，如图5所示，还包括：

步骤s205，获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户。

其中，审核信息是指针对不同的产品进行评判与分类，进而决定是否可以将产品进行交易的过程。

在具体实施过程中，由于不同地域的审核信息之间具有差异，服务器中存储有多种审核信息，各审核信息分别和多种地域信息之间对应，查询到和交易潜力参考信息中的低于信息对应的审核信息，根据查询到的审核信息判定待推荐的产品是不是可以推荐给客户。

在一个实施例中，交易潜力参考信息包括资产数据和地域信息；如图6所示，获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户，包括：

步骤s510，提取交易潜力参考信息中的地域信息，查询预存的多种审核信息中，与地域信息对应的审核信息。

在具体实施过程中，不同地域的审核信息之间具有差异，服务器中存储有多种审核信息，各审核信息分别和多种地域信息之间对应，提取交易潜力参考信息中的地域信息，查询和地域信息对应的审核信息。

步骤s520，获取与待推荐的产品对应的产品信息，将产品信息与审核信息进行匹配。

在具体实施过程中，根据审核信息判定待推荐的产品的产品信息是否可交易。

例如，查询到对应的审核信息为，客户对应的地域不能具有第三者责任保险产品，而获取到的待推荐的产品中的一种具有第三者责任保险产品，具有第三者责任保险产品将被删除，不再推荐给客户。

步骤s530，将待推荐的产品中，与审核信息相匹配的产品推荐给待推荐客户。

其中，与审核信息相匹配的产品是指符合审核信息的要求的产品。

在具体实施过程中，还可以将待推荐的产品的产品信息发送到客户端，并将查询到的审核信息发送到客户端，接收客户端返回与审核信息相匹配的产品。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，如图7所示，提供了一种产品推荐装置，装置包括：

交易记录获取模块701，用于获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录；

客户类别确定模块702，用于根据交易记录确定待推荐客户所在的客户类别；

目标推荐模型获取模块703，用于获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型；

产品推荐模块704，用于获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

在其中一个实施例中，客户类别确定模块702包括：

交易次数提取单元，用于提取交易记录中所述待推荐客户的交易次数；

客户类别查询单元，用于查询预存的多种客户类别中，与交易次数对应的客户类别，得到所述待推荐客户所在的客户类别。

在其中一个实施例中，目标推荐模型获取模块703包括：

训练模型获取单元，用于获取多个训练产品推荐模型；

第一查询单元，用于查询多个训练产品推荐模型中，与客户类别对应的第一产品推荐模型；

第二查询单元，从所述第一产品推荐模型中，确定出与车辆信息对应的目标产品推荐模型。

在一个实施例中，训练模型获取单元具体用于：

查询预存的样本交易潜力参考信息中与客户类别对应的第一交易潜力参考信息；

查询第一交易潜力参考信息中与车辆信息对应的第二交易潜力参考信息；

获取与第二交易潜力参考信息对应的样本产品；

根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型。

在一个实施例中，根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型，包括：

将第二交易潜力参考信息转化为样本输入向量，并将样本产品转化为样本输出向量；

将样本输入向量输入预设产品推荐模型，得到预测输出向量；

获取预测输出向量和样本输出向量之间的误差率；

若所述误差率不符合预设条件，则调整预设产品推荐模型的参数，直至根据调整参数后的预设产品推荐模型得到的误差率符合预设条件，将调整参数后的预设产品推荐模型作为训练产品推荐模型。

在一个实施例中，如图8所示，装置还包括审核模块705，用于获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户。

在一个实施例中，交易潜力参考信息包括资产数据和地域信息；审核模块705包括：

审核信息查询单元，用于提取交易潜力参考信息中的地域信息，查询预存的多种审核信息中，与地域信息对应的审核信息；

匹配单元，用于获取与待推荐的产品对应的产品信息，将产品信息与审核信息进行匹配；

推荐单元，用于将待推荐的产品中，与审核信息相匹配的产品推荐给待推荐客户。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过装置总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作装置和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品推荐涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推荐方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录；根据交易记录确定待推荐客户所在的客户类别；获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型；获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

在其中一个实施例中，处理器执行计算机程序时根据所述交易记录确定所述待推荐客户所在的客户类别，包括：提取所述交易记录中所述待推荐客户的交易次数；查询预存的多种客户类别中，与所述交易次数对应的客户类别，得到所述待推荐客户所在的客户类别。

在其中一个实施例中，处理器执行计算机程序时根据客户类别和车辆信息，确定目标产品推荐模型，包括：获取多个训练产品推荐模型；查询所述多个训练产品推荐模型中，与所述客户类别对应的第一产品推荐模型；从所述第一产品推荐模型中，确定出与所述车辆信息对应的目标产品推荐模型。

在其中一个实施例中，处理器执行计算机程序时获取多个训练产品推荐模型，包括：查询预存的样本交易潜力参考信息中与客户类别对应的第一交易潜力参考信息；查询第一交易潜力参考信息中与车辆信息对应的第二交易潜力参考信息；获取与第二交易潜力参考信息对应的样本产品；根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型。

在其中一个实施例中，处理器执行计算机程序时根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型，包括：将第二交易潜力参考信息转化为样本输入向量，并将样本产品转化为样本输出向量；将样本输入向量输入预设产品推荐模型，得到预测输出向量；获取预测输出向量和样本输出向量之间的误差率；若所述误差率不符合预设条件，则调整预设产品推荐模型的参数，直至根据调整参数后的预设产品推荐模型得到的误差率符合预设条件，将调整参数后的预设产品推荐模型作为训练产品推荐模型。

在其中一个实施例中，处理器执行计算机程序时还包括：获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户。

在其中一个实施例中，处理器执行计算机程序时交易潜力参考信息包括资产数据和地域信息；获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户，包括：提取交易潜力参考信息中的地域信息，查询预存的多种审核信息中，与地域信息对应的审核信息；获取与待推荐的产品对应的产品信息，将产品信息与审核信息进行匹配；将待推荐的产品中，与审核信息相匹配的产品推荐给待推荐客户。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待推荐客户的客户标识，查询存储的与客户标识对应的交易记录；根据交易记录确定待推荐客户所在的客户类别；获取待推荐客户的车辆信息，根据客户类别和车辆信息，确定目标产品推荐模型；获取待推荐客户的交易潜力参考信息，将交易潜力参考信息输入目标产品推荐模型，得到待推荐的产品；其中，所述交易潜力参考信息用于描述客户进行交易的可能性大小。

在其中一个实施例中，计算机程序被处理器执行时根据交易记录确定待推荐客户所在的客户类别，包括：提取所述交易记录中所述待推荐客户的交易次数；查询预存的多种客户类别中，与所述交易次数对应的客户类别，得到所述待推荐客户所在的客户类别。

在其中一个实施例中，计算机程序被处理器执行时根据客户类别和车辆信息，确定目标产品推荐模型，包括：获取多个训练产品推荐模型；查询多个训练产品推荐模型中，与客户类别对应的第一产品推荐模型；从所述第一产品推荐模型中，确定出与车辆信息对应的目标产品推荐模型。

在其中一个实施例中，计算机程序被处理器执行时获取多个训练产品推荐模型，包括：查询预存的样本交易潜力参考信息中与客户类别对应的第一交易潜力参考信息；查询第一交易潜力参考信息中与车辆信息对应的第二交易潜力参考信息；获取与第二交易潜力参考信息对应的样本产品；根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型。

在其中一个实施例中，计算机程序被处理器执行时根据第二交易潜力参考信息和样本产品，对预设的产品推荐模型进行训练，得到对应的训练产品推荐模型，包括：将第二交易潜力参考信息转化为样本输入向量，并将样本产品转化为样本输出向量；将样本输入向量输入预设产品推荐模型，得到预测输出向量；获取预测输出向量和样本输出向量之间的误差率；若所述误差率不符合预设条件，则调整预设产品推荐模型的参数，直至根据调整参数后的预设产品推荐模型得到的误差率符合预设条件，将调整参数后的预设产品推荐模型作为训练预设产品推荐模型。

在其中一个实施例中，计算机程序被处理器执行时还包括：获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户。

在其中一个实施例中，计算机程序被处理器执行时交易潜力参考信息包括资产数据和地域信息；获取与交易潜力参考信息对应的审核信息，根据审核信息对待推荐的产品进行筛选，将筛选后的产品推荐给待推荐客户，包括：提取交易潜力参考信息中的地域信息，查询预存的多种审核信息中，与地域信息对应的审核信息；获取与待推荐的产品对应的产品信息，将产品信息与审核信息进行匹配；将待推荐的产品中，与审核信息相匹配的产品推荐给待推荐客户。

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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。