本发明涉及人工智能，具体地，涉及一种产品推荐方法及装置。
背景技术：
1、随着数字经济及数字产业链的发展，企业客户经营管理模式发生改变，客户需求呈现多样化、差异化、综合化等特征，传统服务模式难以满足全量客户“一对一”陪伴式服务。客户经理队伍资源有限，营销服务依赖传统手段，缺乏目标客户精准推送，需要人工打电话、发短信，费时费力、人工处理效率低，难以充分挖掘，提升客户的综合价值。
技术实现思路
1、本发明实施例的主要目的在于提供一种产品推荐方法及装置，以给客户推荐合适产品，有助于提升客户的质量和黏性。
2、为了实现上述目的，本发明实施例提供一种产品推荐方法，包括：
3、获取第一账户各营业方式下的当前交易数据，将该当前交易数据输入各营业方式对应的流动资金类型预测模型中，得到流动资金类型数据；
4、根据第二账户的当前交易数据的交易金额确定金额斜率变化指标，将第二账户的当前交易数据和所述金额斜率变化指标输入活跃度预测模型中，得到活跃度数据；
5、根据所述流动资金类型数据和所述活跃度数据确定潜在用户；
6、根据所述潜在用户购买的产品向所述潜在用户推送推荐产品。
7、在其中一种实施例中，还包括：
8、根据第一账户各营业方式下的训练数据训练预设分类算法模型，得到各营业方式对应的分类训练模型；
9、根据第一账户各营业方式下的测试数据对对应的分类训练模型进行测试，得到对应的初始模型成功率；
10、根据所述初始模型成功率调整对应的分类训练模型，得到所述流动资金类型预测模型。
11、在其中一种实施例中，根据所述初始模型成功率调整对应的分类训练模型，得到所述流动资金类型预测模型包括：
12、当所述初始模型成功率大于或等于预设成功率阈值时，根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到所述流动资金类型预测模型；
13、当所述初始模型成功率小于预设成功率阈值时，放弃该分类训练模型。
14、在其中一种实施例中，根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到所述流动资金类型预测模型包括：
15、根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到分类训练中间模型；
16、根据第一账户各营业方式下的测试数据对对应的分类训练中间模型进行测试，得到对应的中间模型成功率；
17、根据所述中间模型成功率与所述初始模型成功率确定递减成功率数据；
18、当所述递减成功率数据大于预设递减阈值时，根据中间模型成功率和初始模型成功率中的最大值对应的模型得到所述流动资金类型预测模型，否则继续训练该分类训练模型。
19、在其中一种实施例中，根据所述潜在用户购买的产品向所述潜在用户推送推荐产品包括：
20、根据产品规则集合确定所述潜在用户购买的产品对应的推荐产品；
21、向所述潜在用户推送所述推荐产品。
22、在其中一种实施例中，还包括：
23、获取产品数据，计算所述产品数据的频繁项集；
24、根据所述产品数据的频繁项集确定所述产品规则集合。
25、在其中一种实施例中，还包括：
26、获取初始第二账户的当前交易数据；
27、对所述初始第二账户的当前交易数据进行加密后，发送至外部的联邦学习装置，以使所述联邦学习装置根据加密后的当前交易数据和参与方加密数据返回扩展交易数据；
28、根据所述扩展交易数据更新所述初始第二账户的当前交易数据，得到所述第二账户的当前交易数据。
29、本发明实施例还提供一种产品推荐装置，包括：
30、流动资金类型模块，用于获取第一账户各营业方式下的当前交易数据，将该当前交易数据输入各营业方式对应的流动资金类型预测模型中，得到流动资金类型数据；
31、活跃度预测模块，用于根据第二账户的当前交易数据的交易金额确定金额斜率变化指标，将第二账户的当前交易数据和所述金额斜率变化指标输入活跃度预测模型中，得到活跃度数据；
32、潜在用户模块，用于根据所述流动资金类型数据和所述活跃度数据确定潜在用户；
33、推送模块，用于根据所述潜在用户购买的产品向所述潜在用户推送推荐产品。
34、在其中一种实施例中，还包括：
35、分类训练模型模块，用于根据第一账户各营业方式下的训练数据训练预设分类算法模型，得到各营业方式对应的分类训练模型；
36、初始模型成功率模块，用于根据第一账户各营业方式下的测试数据对对应的分类训练模型进行测试，得到对应的初始模型成功率；
37、流动资金类型预测模型模块，用于根据所述初始模型成功率调整对应的分类训练模型，得到所述流动资金类型预测模型。
38、在其中一种实施例中，流动资金类型预测模型模块包括：
39、流动资金类型预测模型单元，用于当所述初始模型成功率大于或等于预设成功率阈值时，根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到所述流动资金类型预测模型；
40、放弃单元，用于当所述初始模型成功率小于预设成功率阈值时，放弃该分类训练模型。
41、在其中一种实施例中，流动资金类型预测模型单元包括：
42、分类训练中间模型子单元，用于根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到分类训练中间模型；
43、中间模型成功率子单元，用于根据第一账户各营业方式下的测试数据对对应的分类训练中间模型进行测试，得到对应的中间模型成功率；
44、递减成功率子单元，用于根据所述中间模型成功率与所述初始模型成功率确定递减成功率数据；
45、流动资金类型预测模型子单元，用于当所述递减成功率数据大于预设递减阈值时，根据中间模型成功率和初始模型成功率中的最大值对应的模型得到所述流动资金类型预测模型，否则继续训练该分类训练模型。
46、在其中一种实施例中，推送模块包括：
47、推荐产品确定单元，用于根据产品规则集合确定所述潜在用户购买的产品对应的推荐产品；
48、推送单元，用于向所述潜在用户推送所述推荐产品。
49、在其中一种实施例中，还包括：
50、频繁项集模块，用于获取产品数据，计算所述产品数据的频繁项集；
51、产品规则集合模块，用于根据所述产品数据的频繁项集确定所述产品规则集合。
52、在其中一种实施例中，还包括：
53、当前交易数据获取模块，用于获取初始第二账户的当前交易数据；
54、加密模块，用于对所述初始第二账户的当前交易数据进行加密后，发送至外部的联邦学习装置，以使所述联邦学习装置根据加密后的当前交易数据和参与方加密数据返回扩展交易数据；
55、更新模块，用于根据所述扩展交易数据更新所述初始第二账户的当前交易数据，得到所述第二账户的当前交易数据。
56、本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的产品推荐方法的步骤。
57、本发明实施例还提供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所述的产品推荐方法的步骤。
58、本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现所述的产品推荐方法的步骤。
59、本发明实施例的产品推荐方法及装置，先将第一账户的交易数据输入各营业方式对应的流动资金类型预测模型中得到流动资金类型数据，再根据第二账户的交易金额确定金额斜率变化指标以和第二账户的交易数据一起输入活跃度预测模型中，得到活跃度数据，进而根据流动资金类型数据和活跃度数据确定潜在用户，可以根据潜在用户购买的产品向潜在用户推送推荐产品，有助于提升客户的质量和黏性。
1.一种产品推荐方法，其特征在于，包括：
2.根据权利要求1所述的产品推荐方法，其特征在于，还包括：
3.根据权利要求2所述的产品推荐方法，其特征在于，根据所述初始模型成功率调整对应的分类训练模型，得到所述流动资金类型预测模型包括：
4.根据权利要求3所述的产品推荐方法，其特征在于，根据第一账户各营业方式下的训练数据继续训练该分类训练模型，得到所述流动资金类型预测模型包括：
5.根据权利要求1所述的产品推荐方法，其特征在于，根据所述潜在用户购买的产品向所述潜在用户推送推荐产品包括：
6.根据权利要求5所述的产品推荐方法，其特征在于，还包括：
7.根据权利要求1所述的产品推荐方法，其特征在于，还包括：
8.一种产品推荐装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的产品推荐方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的产品推荐方法的步骤。
