本技术涉及人工智能领域，可以用于金融领域，具体是一种基于点击率的理财产品推荐方法及装置。
背景技术：
1、当前，理财产品已经成为许多人将可用资金进行投资与增值的热门途径。因此，向客户提供有针对性的理财产品建议，将更具吸引力的理财产品展示在更显著的位置，对于最大化理财产品的收益至关重要。其中，通过预估客户对特定理财产品展示信息的点击概率，可以更好地理解大部分客户对理财产品的偏好，从而提供更高点击率的理财产品推荐。
2、理财产品展示信息通常以理财产品展示图像的形式出现，理财产品展示图像中有着丰富多彩的视觉特征，同时也可能嵌入了文本信息。现有的理财产品展示图像点击率预估方法大多过于关注图片中的视觉特征，而忽略了图片中的嵌入文本信息对点击率的重要影响。此外，在点击率预估过程中，需要对理财产品展示图像的各种有用特征进行融合。而在进行特征融合时，多数现有方法没有考虑图片的视觉特征与其他辅助特征在点击率预估中的重要性差异，这可能会引入无用的特征而产生噪声，从而影响点击率预估的准确性，导致推荐系统不足以实现合理的推荐。
技术实现思路
1、针对现有技术中的问题，本技术提供一种基于点击率的理财产品推荐方法及装置，能够对理财产品展示信息的视觉特征与文本特征进行组合建模，通过引入协同注意力机制学习两种模态特征的注意力向量，以实现更准确的点击率预估，供推荐系统对理财产品进行筛选推荐。
2、为解决上述技术问题，本技术提供以下技术方案：
3、第一方面，本技术提供一种基于点击率的理财产品推荐方法，包括：
4、从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量；
5、根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重生成对应的视觉注意力向量及文本注意力向量；
6、根据所述视觉注意力向量及所述文本注意力向量确定所述理财产品展示图像的点击率，以基于所述点击率推荐对应的理财产品。
7、进一步地，所述从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量，包括：
8、利用历史理财产品展示图像及深度卷积神经网络模型构建理财产品展示图像视觉特征识别模型；
9、利用所述理财产品展示图像视觉特征识别模型提取所述理财产品展示图像的视觉特征向量。
10、进一步地，所述从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量，包括：
11、对所述理财产品展示图像进行光学图像识别，得到对应的文本数据集；其中，所述文本数据集表征所述理财产品展示图像的内容；
12、将所述文本数据集输入至预先训练的理财产品展示图像文本特征识别模型，得到所述理财产品展示图像的文本特征向量。
13、进一步地，预先训练所述理财产品展示图像文本特征识别模型的步骤，包括：
14、根据所述历史理财产品展示图像生成对应的历史文本数据集；
15、将所述历史文本数据集输入至词嵌入模型，得到历史文本词向量；
16、将所述历史文本词向量输入至长短期记忆人工神经网络进行训练，得到所述理财产品展示图像文本特征识别模型。
17、进一步地，所述根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重生成对应的视觉注意力向量及文本注意力向量，包括：
18、根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重构建相似度矩阵；
19、基于所述相似度矩阵构建视觉注意力矩阵及文本注意力矩阵；
20、根据所述视觉注意力矩阵、所述文本注意力矩阵生成对应的视觉注意力向量及文本注意力向量。
21、进一步地，所述根据所述视觉注意力向量及所述文本注意力向量确定所述理财产品展示图像的点击率，包括：
22、对所述视觉注意力向量及所述文本注意力向量进行拼接，得到拼接向量；
23、将所述拼接向量输入至多层感知机，得到所述理财产品展示图像的点击率。
24、第二方面，本技术提供一种基于点击率的理财产品推荐装置，包括：
25、特征向量提取单元，用于从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量；
26、注意力向量生成单元，用于根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重生成对应的视觉注意力向量及文本注意力向量；
27、理财产品推荐单元，用于根据所述视觉注意力向量及所述文本注意力向量确定所述理财产品展示图像的点击率，以基于所述点击率推荐对应的理财产品。
28、进一步地，所述特征向量提取单元，包括：
29、视觉识别模型构建模块，用于利用历史理财产品展示图像及深度卷积神经网络模型构建理财产品展示图像视觉特征识别模型；
30、视觉向量提取模块，用于利用所述理财产品展示图像视觉特征识别模型提取所述理财产品展示图像的视觉特征向量。
31、进一步地，所述特征向量提取单元，包括：
32、数据集合构建模块，用于对所述理财产品展示图像进行光学图像识别，得到对应的文本数据集；其中，所述文本数据集表征所述理财产品展示图像的内容；
33、文本向量提取模块，用于将所述文本数据集输入至预先训练的理财产品展示图像文本特征识别模型，得到所述理财产品展示图像的文本特征向量。
34、进一步地，所述文本向量提取模块，包括：
35、历史数据集合构建模块，用于根据所述历史理财产品展示图像生成对应的历史文本数据集；
36、历史文本向量生成模块，用于将所述历史文本数据集输入至词嵌入模型，得到历史文本词向量；
37、文本识别模型构建模块，用于将所述历史文本词向量输入至长短期记忆人工神经网络进行训练，得到所述理财产品展示图像文本特征识别模型。
38、进一步地，所述注意力向量生成单元，包括：
39、相似度矩阵构建模块，用于根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重构建相似度矩阵；
40、注意力矩阵构建模块，用于基于所述相似度矩阵构建视觉注意力矩阵及文本注意力矩阵；
41、注意力向量生成模块，用于根据所述视觉注意力矩阵、所述文本注意力矩阵生成对应的视觉注意力向量及文本注意力向量。
42、进一步地，所述理财产品推荐单元，包括：
43、向量拼接模块，用于对所述视觉注意力向量及所述文本注意力向量进行拼接，得到拼接向量；
44、点击率计算模块，用于将所述拼接向量输入至多层感知机，得到所述理财产品展示图像的点击率。
45、第三方面，本技术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可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于点击率的理财产品推荐方法的步骤。
46、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述基于点击率的理财产品推荐方法的步骤。
47、第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述基于点击率的理财产品推荐方法的步骤。
48、针对现有技术中的问题，本技术提供的基于点击率的理财产品推荐方法及装置，能够注意到嵌入于理财产品展现图片中的文本信息对展现信息点击率的影响，将理财产品展现图片中的文本信息提取出来并进行语义分析得到文本特征，用于点击率预估；对理财产品展示信息的视觉特征与文本特征进行组合建模，通过引入协同注意力机制学习两种模态特征的注意力向量，以实现更准确的点击率预估，供推荐系统对理财产品进行筛选推荐。
1.一种基于点击率的理财产品推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于点击率的理财产品推荐方法，其特征在于，所述从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量，包括：
3.根据权利要求1所述的基于点击率的理财产品推荐方法，其特征在于，所述从获取的理财产品展示图像中提取对应的视觉特征向量及文本特征向量，包括：
4.根据权利要求3所述的基于点击率的理财产品推荐方法，其特征在于，预先训练所述理财产品展示图像文本特征识别模型的步骤，包括：
5.根据权利要求1所述的基于点击率的理财产品推荐方法，其特征在于，所述根据所述视觉特征向量及所述文本特征向量各自的协同注意力权重生成对应的视觉注意力向量及文本注意力向量，包括：
6.根据权利要求1所述的基于点击率的理财产品推荐方法，其特征在于，所述根据所述视觉注意力向量及所述文本注意力向量确定所述理财产品展示图像的点击率，包括：
7.一种基于点击率的理财产品推荐装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在存储器上并可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程序时实现权利要求1至6任一项所述的基于点击率的理财产品推荐方法的步骤。
9.一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，该计算机程序被处理器执行时实现权利要求1至6任一项所述的基于点击率的理财产品推荐方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的基于点击率的理财产品推荐方法的步骤。
