基于遗传算法的产品推荐方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于遗传算法的产品推荐方法、装置、设备及存储介质。


背景技术：

2.目前，市面上通过大数据模型精准预测企业未来现金流情况的软件较少，同时，在不同的产品推荐场景中，由于大数据平台上的产品数据非常多，很难实现产品推荐技术，所以面向企业智能化推荐投资产品服务方案的软件更少。因此，如何实现高效、准确、智能化的产品推荐是一项重大议题。


技术实现要素：

3.本发明实施例提供了一种基于遗传算法的产品推荐方法、装置、设备及存储介质，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
4.第一方面，本发明实施例提供了一种基于遗传算法的产品推荐方法，包括：
5.获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；
6.将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；
7.获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；
8.将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
9.进一步地，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：
10.获取第二样本训练数据集，所述第二样本训练数据集包括多个历史现金流数据；
11.将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值；
12.当所述损失函数值不满足预设条件时，调整所述时间序列预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的时间序列预测模型进行迭代训练；
13.当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
14.进一步地，所述获取第二样本训练数据集之后，还包括：
15.对所述第二样本训练数据集中的各个历史现金流数据进行预处理，并对预处理后的第二样本训练数据集进行平稳性检测；
16.若所述平稳性检测未通过，则对所述预处理后的第二样本训练数据集进行差分处
理；
17.当执行多次所述差分处理后所述平稳性检测通过时，对所述差分处理后的第二样本训练数据集进行白噪声检验处理；
18.当所述白噪声检验未通过时，对所述差分处理后的第二样本训练数据集进行自相关计算和偏自相关计算，得到所述自相关计算的第一结果数据以及所述偏自相关计算的第二结果数据；
19.所述将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值，包括：
20.将所述第二样本训练数据集、所述差分处理的次数、所述第一结果数据以及所述第二结果数据输入预训练的时间序列预测模型，得到所述损失函数值。
21.进一步地，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：
22.将所述第二样本训练数据集输入预训练的业务规则预测模型，得到损失函数值；
23.当所述损失函数值不满足预设条件时，调整所述业务规则预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的业务规则预测模型进行迭代训练；
24.当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
25.进一步地，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：
26.根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理，得到融合预测模型；
27.将所述第二样本训练数据集输入所述融合预测模型，得到损失函数值；
28.当所述损失函数值不满足预设条件时，调整所述融合预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的融合预测模型进行迭代训练；
29.当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
30.进一步地，所述将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型，包括：
31.从所述第一样本训练数据集中的各个历史投资数据中获取各个产品之间的组合投资比例数据以及每个产品单独的投资比例数据；
32.对所述组合投资比例数据和所述每个产品单独的投资比例数据进行转换处理，得到转换投资数据；
33.将所述历史投资数据与所述转换投资数据进行合并处理，得到合并投资数据，并对所述合并投资数据进行排序；
34.根据排序后的合并投资数据选取一个或多个目标投资数据，并将所述一个或多个目标投资数据输入所述预设的遗传算法模型进行训练，得到所述投资组合推荐模型。
35.进一步地，所述将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，包括：
36.获取所述数据流信息中的产品信息的属性信息，并根据所述属性信息对各个产品进行分类；
37.将分类后的数据流信息和所述预测结果输入所述投资组合推荐模型中，确定所述
目标推荐产品。
38.第二方面，本发明实施例提供了一种基于遗传算法的产品推荐装置，包括：
39.获取单元，用于获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；
40.预测单元，用于将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；
41.训练单元，用于获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；
42.推荐单元，用于将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
43.第三方面，本发明实施例提供了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
44.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
45.本发明实施例可以获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。通过这种实施方式，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
附图说明
46.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
47.图1是本发明实施例提供的一种基于遗传算法的产品推荐方法的示意流程图；
48.图2是本发明实施例提供的一种基于遗传算法的产品推荐装置的示意框图；
49.图3是本发明实施例提供的一种计算机设备的示意框图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本发明保护的范围。
51.本发明实施例提供的基于遗传算法的产品推荐方法可以应用于一种基于遗传算法的产品推荐装置，在某些实施例中，所述基于遗传算法的产品推荐装置设置于计算机设备中。在某些实施例中，所述计算机设备包括但不限于智能手机、平板电脑、膝上型电脑等中的一种或者多种。
52.本发明实施例可以获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。通过这种实施方式，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
53.本技术实施例可以基于人工智能技术对相关的数据(如数据流信息)进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
54.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
55.本技术实施例能够应用于多种不同的领域中，如：医疗产品推荐领域、金融产品推荐领域等。
56.在一种可能的实现方式中，在医疗产品推荐领域中，所述数据可以是与医疗产品相关联的医疗数据，如与医疗产品相关联的检查数据、化验数据等。
57.下面结合附图1对本发明实施例提供的基于遗传算法的产品推荐方法进行示意性说明。
58.请参见图1，图1是本发明实施例提供的一种基于遗传算法的产品推荐方法的示意流程图，如图1所示，该方法可以由基于遗传算法的产品推荐装置执行，所述基于遗传算法的产品推荐装置设置于计算机设备中。具体地，本发明实施例的所述方法包括如下步骤。
59.s101：获取数据流信息，所述数据流信息中包括产品信息和客户信息。
60.本发明实施例中，基于遗传算法的产品推荐装置可以获取数据流信息，所述数据流信息中包括产品信息和客户信息。在某些实施例中，所述数据流信息可以是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息。在某些实施例中，所述数据流信息包括但不限于企业生产经营数据、市场数据、银行数据等。
61.s102：将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果。
62.本发明实施例中，基于遗传算法的产品推荐装置可以将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果。在某些实施例中，所述预测结果包括预测的未来一段时间内各个产品的现金是盈余还是短缺，盈余多少金额或短缺多少金额等。
63.在一个实施例中，基于遗传算法的产品推荐装置在将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，可以获取第二样本训练数据集，所述第二样本训练数据集包括多个历史现金流数据；将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值；当所述损失函数值不满足预设条件时，调整所述时间序列预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的时间序列预测模型进行迭代训练；当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。在某些实施例中，所述时间序列预测模型可以为arima差分整合移动平均自回归模型。
64.在一个实施例中，基于遗传算法的产品推荐装置在将所述第二样本训练数据集输入预训练的时间序列预测模型之前，可以对所述第二样本训练数据集中的多个历史现金流数据进行加工处理。
65.在一种实施方式中，基于遗传算法的产品推荐装置在对所述第二样本训练数据集中的多个历史现金流数据进行加工处理时，可以对各个历史现金流数据进行缺失填补、异常检测等操作，以实现对缺失的数据进行填补，异常的数据进行处理或删除等。
66.在一种实施方式中，基于遗传算法的产品推荐装置在对第二样本训练数据集中的多历史现金流数据进行加工处理时，可以对各历史现金流数据进行趋势分析，根据各历史现金流数据确定长期趋势、季节性趋势、周期性趋势、不规则变动趋势等。
67.在某些实施例中，长期趋势是指时间序列在长时期内呈现出来的某种持续上升或持续下降的变动，可以是线性或者非线性；季节性趋势是指在一年内随着季节的变化而发生的有规律的周期性变动；周期性趋势是指以若干年为周期(非固定周期)所呈现出的波浪起伏形态的有规律的变动；不规则变动趋势是指一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。
68.在一个实施例中，基于遗传算法的产品推荐装置在获取第二样本训练数据集之后，可以对所述第二样本训练数据集中的各个历史现金流数据进行预处理，并对预处理后的第二样本训练数据集进行平稳性检测；若所述平稳性检测未通过，则对所述预处理后的第二样本训练数据集进行差分处理；当执行多次所述差分处理后所述平稳性检测通过时，对所述差分处理后的第二样本训练数据集进行白噪声检验处理；当所述白噪声检验未通过时，对所述差分处理后的第二样本训练数据集进行自相关计算和偏自相关计算，得到所述自相关计算的第一结果数据以及所述偏自相关计算的第二结果数据。
69.在一个实施例中，所述自相关计算的计算公式如下公式(1)所示：
[0070][0071]
其中协方差γ(s,t)＝cov(x
s
,x
t
)＝e[(x
s
‑
μ
s
)(x
t
‑
μ
t
)，由柯西
‑
施瓦茨不等式可知
‑
1≤ρ(s,t)≤1。
[0072]
令s＝t+h,则γ(t+h,t)＝cov(x
t+h
,x
t
)，如果时间序列x是平稳的，协方差和时间t
无关。
[0073]
cov(x
t+h
,x
t
)＝cov(x
h
,x0)＝γ(h,0)，一般省略第二个参数，记作γ(h)，则平稳序列的自相关函数可以化简为如下公式(2)所示：
[0074][0075]
在一个实施例中，所述偏自相关和自相关的区别在于，自相关是直接计算x
t
和x
t+h
之间的相关性，偏自相关是计算x
t
和x
t+h
之间的相关性，但是去除这两者之间{x
t+h
,
…
,x
t+h
‑1}的线性依赖的影响。其中，偏自相关计算的计算公式如下公式(3)所示：
[0076]
φ
11
＝corr(x1,x0)＝ρ(1)
[0077][0078]
其中，用φ
hh
表示偏自相关，是{x1,x2,
…
,x
h
‑1}关于x0的回归估计，是{x1,x2,
…
,x
h
‑1}关于x0的回归估计。
[0079]
如果确定了p和q，下一步就是确定各项的系数θ1,
…
,
q
以及具体如下公式(4)所示：
[0080][0081]
参数估计一般常用的方法是最小二乘估计和极大似然估计，其中，最小二乘估计通过寻找一组估计值，使得实际值与估计值的距离最小，因绝对值在数学上求最小值比较麻烦，常用的做法是采用实际值与估计值之差的平方之和最小，所以成为最小二乘，具体如下公式(5)所示：
[0082][0083]
在求解时，通常是将上面的平方和式对参数进行求导，并令一阶导数为零，得到最优参数的值。
[0084]
极大似然估计通过寻找一组参数，使得样本发生的概率最大。因为是求样本所有观测的联合概率最大化，所以是个连乘积的形式，只要取对数，就可以变成线性加总的形式，具体如下公式(6)所示：
[0085][0086]
在求解时，通常是将上面线性加总的和式对参数进行求导，并令一阶导数为零，得到最优参数的值。
[0087]
在一个实施例中，基于遗传算法的产品推荐装置在将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值时，可以将所述第二样本训练数据集、所述差分处理的次数、所述第一结果数据以及所述第二结果数据输入预训练的时间序列预测模型，得到所述损失函数值。
[0088]
在一个示例中，假设所述差分处理的次数为d，自相关计算得到的第一结果数据为p，偏自相关计算得到的第二结果数据为q，所述时间序列预测模型为arima模型，其中，arima(p,d,q)基于两个基础模型ar(p)和ma(q)确定。
[0089]
其中，ar(p)如下公式(7)所示:
[0090][0091]
ma(q)如下公式(8)所示:
[0092]
x
t
＝w
t
+θ1w
t
‑1+θ2w
t
‑2+
…
+θ
q
w
t
‑
q
ꢀꢀ
(8)
[0093]
将ar(p)和ma(q)结合起来就是arma(p,q)，如下公式(9)所示：
[0094][0095]
在一个实施例中，基于遗传算法的产品推荐装置在将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，可以将所述第二样本训练数据集输入预训练的业务规则预测模型，得到损失函数值；当所述损失函数值不满足预设条件时，调整所述业务规则预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的业务规则预测模型进行迭代训练；当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0096]
在一个实施例中，基于遗传算法的产品推荐装置在将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，可以根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理，得到融合预测模型；将所述第二样本训练数据集输入所述融合预测模型，得到损失函数值；当所述损失函数值不满足预设条件时，调整所述融合预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的融合预测模型进行迭代训练；当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0097]
在一种实施方式中，所述预设的融合规则可以是该公式c＝w*a+(1
‑
w)b，其中，w为权重，a为时间序列预测模型，b为业务规则预测模型，基于遗传算法的产品推荐装置在根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理时，可以根据公式c＝w*a+(1
‑
w)b，得到融合预测模型。
[0098]
s103：获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型。
[0099]
本发明实施例中，基于遗传算法的产品推荐装置可以获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型。
[0100]
在一个实施例中，基于遗传算法的产品推荐装置在将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型时，可以从所述第一样本训练数据集中的各个历史投资数据中获取各个产品之间的组合投资比例数据以及每个产品单独的投资比例数据；对所述组合投资比例数据和所述每个产品单独的投资比例数据进行转换处理，得到转换投资数据；将所述历史投资数据与所述转换投资数据进行合并处理，得到合并投资数据，并对所述合并投资数据进行排序；根据排序后的合并投资数据选取一个或多个目标投资数据，并将所述一个或多个目标投资数据输入所述预设的遗传算法模型进行训练，得到所述投资组合推荐模型。
[0101]
在一个实施例中，基于遗传算法的产品推荐装置在根据排序后的合并投资数据选
取一个或多个目标投资数据时，可以根据排序后的合并投资数据确定各合并投资数据之间的拥挤距离，并根据所述拥挤距离选取一个或多个目标投资数据。在某些实施例中，所述拥挤距离是指合并投资数据在指定区域内的密度，某个合并投资数据的拥挤距离越大代表周围其他合并投资数据的数量越少。
[0102]
在一个实施例中，基于遗传算法的产品推荐装置在将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型时，还可以基于马科维茨均值方差投资理论和预设的遗传算法训练得到的，本发明实施例对训练得到投资组合推荐模型的方式不做具体限定。
[0103]
s104：将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
[0104]
本发明实施例中，基于遗传算法的产品推荐装置可以将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
[0105]
在一个实施例中，基于遗传算法的产品推荐装置在将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品时，可以获取所述数据流信息中的产品信息的属性信息，并根据所述属性信息对各个产品进行分类；将分类后的数据流信息和所述预测结果输入所述投资组合推荐模型中，确定所述目标推荐产品。
[0106]
在某些实施例中，所述对各个产品进行分类得到的分类结果可以为投资类产品，其中，该投资类产品按投资期限可分为短期、中期、中长期，按投资风险可分为保守型、稳健型、进取型等。
[0107]
本发明实施例中，基于遗传算法的产品推荐装置可以获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。通过这种实施方式，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
[0108]
本发明实施例还提供了一种基于遗传算法的产品推荐装置，该基于遗传算法的产品推荐装置用于执行前述任一项所述的方法的单元。具体地，参见图2，图2是本发明实施例提供的一种基于遗传算法的产品推荐装置的示意框图。本实施例的基于遗传算法的产品推荐装置包括：获取单元201、预测单元202、训练单元203以及推荐单元204。
[0109]
获取单元201，用于获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；
[0110]
预测单元202，用于将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；
[0111]
训练单元203，用于获取第一样本训练数据集，所述第一样本训练数据集中包括多
个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；
[0112]
推荐单元204，用于将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
[0113]
进一步地，所述预测单元202将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0114]
获取第二样本训练数据集，所述第二样本训练数据集包括多个历史现金流数据；
[0115]
将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值；
[0116]
当所述损失函数值不满足预设条件时，调整所述时间序列预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的时间序列预测模型进行迭代训练；
[0117]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0118]
进一步地，所述预测单元202获取第二样本训练数据集之后，还用于：
[0119]
对所述第二样本训练数据集中的各个历史现金流数据进行预处理，并对预处理后的第二样本训练数据集进行平稳性检测；
[0120]
若所述平稳性检测未通过，则对所述预处理后的第二样本训练数据集进行差分处理；
[0121]
当执行多次所述差分处理后所述平稳性检测通过时，对所述差分处理后的第二样本训练数据集进行白噪声检验处理；
[0122]
当所述白噪声检验未通过时，对所述差分处理后的第二样本训练数据集进行自相关计算和偏自相关计算，得到所述自相关计算的第一结果数据以及所述偏自相关计算的第二结果数据；
[0123]
所述将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值，包括：
[0124]
将所述第二样本训练数据集、所述差分处理的次数、所述第一结果数据以及所述第二结果数据输入预训练的时间序列预测模型，得到所述损失函数值。
[0125]
进一步地，所述预测单元202将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0126]
将所述第二样本训练数据集输入预训练的业务规则预测模型，得到损失函数值；
[0127]
当所述损失函数值不满足预设条件时，调整所述业务规则预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的业务规则预测模型进行迭代训练；
[0128]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0129]
进一步地，所述预测单元202将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0130]
根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理，得到融合预测模型；
[0131]
将所述第二样本训练数据集输入所述融合预测模型，得到损失函数值；
[0132]
当所述损失函数值不满足预设条件时，调整所述融合预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的融合预测模型进行迭代训练；
[0133]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0134]
进一步地，所述训练单元203将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型时，具体用于：
[0135]
从所述第一样本训练数据集中的各个历史投资数据中获取各个产品之间的组合投资比例数据以及每个产品单独的投资比例数据；
[0136]
对所述组合投资比例数据和所述每个产品单独的投资比例数据进行转换处理，得到转换投资数据；
[0137]
将所述历史投资数据与所述转换投资数据进行合并处理，得到合并投资数据，并对所述合并投资数据进行排序；
[0138]
根据排序后的合并投资数据选取一个或多个目标投资数据，并将所述一个或多个目标投资数据输入所述预设的遗传算法模型进行训练，得到所述投资组合推荐模型。
[0139]
进一步地，所述推荐单元204将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品时，具体用于：
[0140]
获取所述数据流信息中的产品信息的属性信息，并根据所述属性信息对各个产品进行分类；
[0141]
将分类后的数据流信息和所述预测结果输入所述投资组合推荐模型中，确定所述目标推荐产品。
[0142]
本发明实施例中，基于遗传算法的产品推荐装置可以获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。通过这种实施方式，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
[0143]
参见图3，图3是本发明实施例提供的一种计算机设备的示意框图，在某些实施例中，如图3所示的本实施例中的计算机设备可以包括：一个或多个处理器301；一个或多个输入设备302，一个或多个输出设备303和存储器304。上述处理器301、输入设备302、输出设备303和存储器304通过总线305连接。存储器304用于存储计算机程序，所述计算机程序包括程序，处理器301用于执行存储器304存储的程序。其中，处理器301被配置用于调用所述程序执行：
[0144]
获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；
[0145]
将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；
[0146]
获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；
[0147]
将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。
[0148]
进一步地，所述处理器301将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0149]
获取第二样本训练数据集，所述第二样本训练数据集包括多个历史现金流数据；
[0150]
将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值；
[0151]
当所述损失函数值不满足预设条件时，调整所述时间序列预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的时间序列预测模型进行迭代训练；
[0152]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0153]
进一步地，所述处理器301获取第二样本训练数据集之后，还用于：
[0154]
对所述第二样本训练数据集中的各个历史现金流数据进行预处理，并对预处理后的第二样本训练数据集进行平稳性检测；
[0155]
若所述平稳性检测未通过，则对所述预处理后的第二样本训练数据集进行差分处理；
[0156]
当执行多次所述差分处理后所述平稳性检测通过时，对所述差分处理后的第二样本训练数据集进行白噪声检验处理；
[0157]
当所述白噪声检验未通过时，对所述差分处理后的第二样本训练数据集进行自相关计算和偏自相关计算，得到所述自相关计算的第一结果数据以及所述偏自相关计算的第二结果数据；
[0158]
所述将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值，包括：
[0159]
将所述第二样本训练数据集、所述差分处理的次数、所述第一结果数据以及所述第二结果数据输入预训练的时间序列预测模型，得到所述损失函数值。
[0160]
进一步地，所述处理器301将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0161]
将所述第二样本训练数据集输入预训练的业务规则预测模型，得到损失函数值；
[0162]
当所述损失函数值不满足预设条件时，调整所述业务规则预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的业务规则预测模型进行迭代训练；
[0163]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0164]
进一步地，所述处理器301将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还用于：
[0165]
根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理，得到融合预测模型；
[0166]
将所述第二样本训练数据集输入所述融合预测模型，得到损失函数值；
[0167]
当所述损失函数值不满足预设条件时，调整所述融合预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的融合预测模型进行迭代训练；
[0168]
当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。
[0169]
进一步地，所述处理器301将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型时，具体用于：
[0170]
从所述第一样本训练数据集中的各个历史投资数据中获取各个产品之间的组合投资比例数据以及每个产品单独的投资比例数据；
[0171]
对所述组合投资比例数据和所述每个产品单独的投资比例数据进行转换处理，得到转换投资数据；
[0172]
将所述历史投资数据与所述转换投资数据进行合并处理，得到合并投资数据，并对所述合并投资数据进行排序；
[0173]
根据排序后的合并投资数据选取一个或多个目标投资数据，并将所述一个或多个目标投资数据输入所述预设的遗传算法模型进行训练，得到所述投资组合推荐模型。
[0174]
进一步地，所述处理器301将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品时，具体用于：
[0175]
获取所述数据流信息中的产品信息的属性信息，并根据所述属性信息对各个产品进行分类；
[0176]
将分类后的数据流信息和所述预测结果输入所述投资组合推荐模型中，确定所述目标推荐产品。
[0177]
本发明实施例中，计算机设备可以获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。通过这种实施方式，可以精准预测客户现金流数据的流向情况，实现了智能化的为客户推荐投资产品，提高了产品推荐的准确率和效率。
[0178]
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(censral processing unis，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digisal signal processor，dsp)、专用集成电路(applicasion specific insegrased circuis，asic)、现成可编程门阵列(field
‑
programmable gase array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0179]
输入设备302可以包括触控板、麦克风等，输出设备303可以包括显示器(lcd等)、扬声器等。
[0180]
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
[0181]
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的图1所述的方法实施例中所描述的实现方式，也可执行本发明实施例图2所描述的基于遗传算法的产品推荐装置的实现方式，在此不再赘述。
[0182]
本发明实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现图1所对应实施例中描述的基于遗
传算法的产品推荐方法，也可实现本发明图2所对应实施例的基于遗传算法的产品推荐装置，在此不再赘述。
[0183]
所述计算机可读存储介质可以是前述任一实施例所述的基于遗传算法的产品推荐装置的内部存储单元，例如基于遗传算法的产品推荐装置的硬盘或内存。所述计算机可读存储介质也可以是所述基于遗传算法的产品推荐装置的外部存储装置，例如所述基于遗传算法的产品推荐装置上配备的插接式硬盘，智能存储卡(smars media card,smc)，安全数字(secure digisal,sd)卡，闪存卡(flash card)等。进一步地，所述计算机可读存储介质还可以既包括所述基于遗传算法的产品推荐装置的内部存储单元也包括外部存储装置。所述计算机可读存储介质用于存储所述计算机程序以及所述基于遗传算法的产品推荐装置所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0184]
所述集成的单元如果以软件功能单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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计算机可读存储介质中，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：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。所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0185]
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0186]
以上所述，仅为本发明的部分实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。