1.本发明涉及金融数据分析领域，具体而言，涉及一种基于机器学习的金融大数据挖掘系统、设备及介质。
背景技术：2.金融行业对金融数据的实时性和精确性提出了更高的要求，如何合理运用互联网的海量、繁杂的互联网金融信息资源，服务于消费者和商家，是目前需要解决的重要问题。
技术实现要素：3.本发明的目的之一在于提供一种基于机器学习的金融大数据挖掘系统，其能够运用金融信息资源，使其服务于消费者和商家。
4.本发明的目的之一在于提供一种电子设备，其能够运用金融信息资源，使其服务于消费者和商家。
5.本发明的目的之一在于提供一种计算机存储介质，其能够运用金融信息资源，使其服务于消费者和商家。
6.本发明的实施例是这样实现的：
7.第一方面，本技术实施例提供一种基于机器学习的金融大数据挖掘系统，其包括信息采集模块、预处理模块、第一分析模块、第二分析模块、推荐处理模块和机器学习模块；上述信息采集模块用于通过金融平台采集各用户的用户消费数据；上述预处理模块连接上述信息采集模块以对上述用户消费数据进行预处理；上述第一分析模块连接上述预处理模块以对预处理后的数据进行分类统计；上述第二分析模块连接上述第一分析模块以根据分类统计后的结果分析用户偏好数据；上述推荐处理模块连接上述第二分析模块以根据上述用户偏好数据提供商品推荐的推荐数据；上述机器学习模块连接上述推荐处理模块以获取多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据，多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据通过机器学习训练得到商品推荐教学模型，上述商品推荐教学模型用于根据待检测数据输出上述用户偏好数据，并根据上述用户偏好数据向不同用户推荐商品。
8.在本发明的一些实施例中，上述机器学习模块包括数据挖掘模块、数据占比模块、数据分布模块、模型分析模块和可视化模块；上述数据挖掘模块用于分析上述待检测数据，并通过连接上述信息采集模块以进行数据挖掘；上述数据占比模块与上述数据挖掘模块连接以统计挖掘后各项数据的占比；上述模型分析模块用于训练上述商品推荐教学模型，并通过上述商品推荐教学模型输入用户的待检测数据以输出向用户推荐的商品；上述数据分布模块连接上述数据占比模块以获取各项数据的占比，上述数据分布模块连接上述商品推荐教学模型以获取多个商品，根据占比大小设置各项数据的权重，并根据各项数据的权重分析各项数据和任意一个商品的关联度；上述可视化模块连接上述商品推荐教学模型以可视化处理并显示多个商品，且上述可视化模块连接上述数据分布模块以根据上述关联度从
大到小依次向用户推荐各商品。
9.在本发明的一些实施例中，上述预处理模块包括数据翻译模块和数据筛选模块；上述数据翻译模块连接上述信息采集模块以对上述用户消费数据进行翻译解析；上述数据筛选模块连接上述数据翻译模块以根据内容解析结果进行数据筛选。
10.在本发明的一些实施例中，上述第一分析模块包括产品分类模块、数量统计模块和偏好分析模块；上述产品分类模块连接上述预处理模块以根据上述用户消费数据分析各用户购买产品的类型，上述数量统计模块连接上述产品分类模块以统计各用户购买不同类型产品的数量，上述偏好分析模块连接上述数量统计模块以根据各用户购买不同类别产品的数量分析用户偏好数据的产品类型。
11.在本发明的一些实施例中，上述推荐处理模块包括产品推荐模块、相关商城模块和相关产品模块，上述产品推荐模块连接上述偏好分析模块以根据各用户偏好数据的上述产品类型向用户提供推荐商品信息；上述相关商城模块连接上述产品推荐模块以获取向各用户推荐的偏好商品，上述相关商城模块连接上述信息采集模块以查找金融平台获取的上述偏好商品的商品购买链接推荐给用户；上述相关产品模块连接上述产品推荐模块以获取各用户的上述偏好商品，并根据上述偏好商品获取相似的相关商品，上述相关产品模块连接上述信息采集模块以通过上述相关商品查找金融平台的商品购买链接推荐给用户。
12.在本发明的一些实施例中，上述推荐处理模块还包括输出单元；上述输出单元分别连接上述相关商城模块和上述相关产品模块，以将上述偏好商品和上述相关商品的上述商品购买链接均发送给用户使用的用户端；上述输出单元连接上述机器学习模块以将上述偏好商品和上述相关商品推荐给用户。
13.在本发明的一些实施例中，上述用户消费数据包括用户注册信息、用户消费历史和输入信息中的任意一项或多项。
14.在本发明的一些实施例中，上述第一分析模块还包括数据分类模块，上述产品分类模块通过上述数据分类模块连接上述预处理模块，以将每组用户的上述用户消费数据分类成多种，其中包括产品类型数据、产品评价数据和产品评分数据三种类型；上述产品分类模块根据各用户的上述产品类型数据分析各用户购买产品的类型；上述偏好分析模块根据各组的上述产品评价数据和上述产品评分数据评价各用户对不同上述产品类型的喜爱度，从而根据上述喜爱度筛选用户偏好数据的上述产品类型。
15.第二方面，本技术实施例提供一种电子设备，其包括：
16.存储器，用于存储一个或多个程序；
17.处理器；
18.当上述一个或多个程序被上述处理器执行时，实现如第一方面中任一项上述的系统。
19.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面中任一项上述的系统。
20.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
21.第一方面，本技术实施例提供一种基于机器学习的金融大数据挖掘系统，其包括信息采集模块、预处理模块、第一分析模块、第二分析模块、推荐处理模块和机器学习模块；上述信息采集模块用于通过金融平台采集各用户的用户消费数据；上述预处理模块连接上
述信息采集模块以对上述用户消费数据进行预处理；上述第一分析模块连接上述预处理模块以对预处理后的数据进行分类统计；上述第二分析模块连接上述第一分析模块以根据分类统计后的数据分析用户偏好数据；上述推荐处理模块连接上述第二分析模块以根据上述用户偏好数据向用户提供推荐商品的推荐数据；上述机器学习模块连接上述推荐处理模块以获取多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据，多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据通过机器学习训练得到商品推荐教学模型，上述商品推荐教学模型用于根据待检测数据输出上述用户偏好数据，并根据上述用户偏好数据向不同用户推荐商品。
22.第二方面，本技术实施例提供一种电子设备，其包括：存储器，用于存储一个或多个程序；处理器；当上述一个或多个程序被上述处理器执行时，实现如第一方面中任一项上述的系统。
23.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面中任一项上述的系统。
24.针对第一方面～第三方面：本技术实施例通过信息采集模块采集多个金融平台的各用户的用户消费数据，将所有用户的用户消费数据进行预处理，并分类统计，从而利用分类统计的结果分析用户偏好数据，并利用用户偏好数据向用户提供推荐商品的推荐数据，进而利用金融数据了解和满足消费者的需求，并服务于不同商家使用。机器学习模块将获取用户消费数据、用户偏好数据的结果和上述推荐数据的结果通过机器学习训练得到商品推荐教学模型，从而商品推荐教学模型根据输入的待检测数据输出用户偏好数据，并根据用户偏好数据向用户推荐偏好商品。
附图说明
25.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
26.图1为本发明实施例1基于机器学习的金融大数据挖掘系统的原理示意图；
27.图2为本发明实施例1机器学习模块的原理示意图；
28.图3为本发明实施例1第一分析模块的原理示意图；
29.图4为本发明实施例1推荐处理模块的原理示意图；
30.图5为本发明实施例2电子设备的原理示意图。
具体实施方式
31.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
32.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通
技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
34.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
35.实施例1
36.请参阅图1～图4，图1～图4所示为本技术实施例提供的基于机器学习的金融大数据挖掘系统的原理示意图。基于机器学习的金融大数据挖掘系统，其包括信息采集模块、预处理模块、第一分析模块、第二分析模块、推荐处理模块和机器学习模块；上述信息采集模块用于通过金融平台采集各用户的用户消费数据；上述预处理模块连接上述信息采集模块以对上述用户消费数据进行预处理；上述第一分析模块连接上述预处理模块以对预处理后的数据进行分类统计；上述第二分析模块连接上述第一分析模块以根据分类统计后的结果分析用户偏好数据；上述推荐处理模块连接上述第二分析模块以根据上述用户偏好数据提供商品推荐的推荐数据；上述机器学习模块连接上述推荐处理模块以获取多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据，多个用户的上述用户消费数据、上述用户偏好数据和上述推荐数据通过机器学习训练得到商品推荐教学模型，上述商品推荐教学模型用于根据待检测数据输出上述用户偏好数据，并根据上述用户偏好数据向不同用户推荐商品。
37.详细的，信息采集模块用于通过金融平台采集多个用户的用户消费数据。其中金融平台可以为多个，从而汇集和及时更新不同源数据。详细的，用户消费数据可以通过用户在金融平台上的购买记录进行采集，并且购买产品可以为金融产品或其他商品。详细的，预处理模块对用户消费数据进行预处理，从而便于分析和统一处理数据。详细的，第一分析模块对预处理后的用户消费数据进行分类并统计，第一分析模块根据分类后的用户消费数据的统计结果分析用户偏好数据，从而供推荐处理模块利用用户偏好数据得到偏好商品的推荐数据。通过机器学习模块对采集多组用户数据，每组数据均包括任意一个用户的用户消费数据、用户偏好数据和推荐数据；进而利用机器学习得到商品推荐教学模型，得到待检测数据的用户偏好数据，通过用户偏好数据获得偏好商品并推荐给用户。
38.在本发明的一些实施例中，上述机器学习模块包括数据挖掘模块、数据占比模块、数据分布模块、模型分析模块和可视化模块；上述数据挖掘模块用于分析上述待检测数据，并通过连接上述信息采集模块以进行数据挖掘；上述数据占比模块与上述数据挖掘模块连接以统计挖掘后各项数据的占比；上述模型分析模块用于训练上述商品推荐教学模型，并通过上述商品推荐教学模型输入用户的待检测数据以输出向用户推荐的偏好商品；上述数据分布模块连接上述数据占比模块以获取各项数据的占比，上述数据分布模块连接上述模型分析模块以获取上述商品推荐教学模型输出的多个上述偏好商品，根据占比大小设置各项数据的权重，并根据各项数据的权重分析各项数据和任意一个上述偏好商品的关联度；
上述可视化模块连接上述商品推荐教学模型以可视化处理并显示多个上述偏好商品，且上述可视化模块连接上述数据分布模块以根据上述关联度从大到小依次向用户推荐各上述偏好商品。
39.详细的，机器学习模块包括数据挖掘模块、数据占比模块、数据分布模块、模型分析模块和可视化模块。数据挖掘模块用于语义分析待检测数据，从而在语义分析后通过信息采集模块获取金融平台与待检测数据的相关数据。其中相关数据可以为根据相关数据获取用户个人信息、商品信息或用户消费记录。数据分布模块通过数据占比模块获取各项数据的占比，并通过商品推荐教学模型获取得到的多个偏好商品。从而数据分布模块利用各项数据的占比设置一定权重，从而利用权重分析各项数据和不同偏好商品的关联度，进而根据关联度得到用户对各偏好商品的喜爱偏好排名，依次进行推荐。其中当各项数据在所有数据的所占内容较多时，设置的权重更大，否则更小。当一项数据的权重较大时，且其中一个偏好商品与该项数据的关联度较高时，在一定程度上提高关联度大小，从而提高该偏好商品的重要性；可选的，当一项数据的权重较大时，且其中一个偏好商品与该项数据的关联度较低时，在一定程度上适当降低其关联度大小，从而降低该偏好商品的重要性。相应的，当一项数据的权重较小时，且其中一个偏好商品与该项数据的关联度较高时，适当降低该项数据的关联度。其中可以设置一定阈值判断关联度和权重是否较高或较低。可视化模块用于将多个偏好商品进行可视化处理，从而利用关联度大小优先推荐不同偏好商品。
40.在本发明的一些实施例中，上述预处理模块包括数据翻译模块和数据筛选模块；上述数据翻译模块连接上述信息采集模块以对上述用户消费数据进行翻译解析；上述数据筛选模块连接上述数据翻译模块以根据内容解析结果进行数据筛选。
41.详细的，数据翻译模块对信息采集模块中采集的用户消费数据进行文本解析，解析后通过数据筛选模块将解析错误的数据进行筛选，其中解析错误包括无法解析和数据不完整的情况。可选的，根据数据翻译模块对用户消费数据的解析判断每组数据是否消费成功，从而供数据筛选模块筛选其中消费成功的数据进行分析。
42.在本发明的一些实施例中，上述第一分析模块包括产品分类模块、数量统计模块和偏好分析模块；上述产品分类模块连接上述预处理模块以根据上述用户消费数据分析各用户购买产品的类型，上述数量统计模块连接上述产品分类模块以统计各用户购买不同类型产品的数量，上述偏好分析模块连接上述数量统计模块以根据各用户购买不同类别产品的数量分析用户偏好数据的产品类型。
43.详细的，第一分析模块包括产品分类模块、数量统计模块和偏好分析模块。其中产品分类模块根据预处理后的用户消费数据分析各用户购买产品的产品类型。其中产品类型可以根据产品种类、作用、颜色和大小进行分类。数量统计模块利用不同类型产品进行数量统计，并根据各用户购买的不同种类产品的数量分析用户是否偏好，从而利用用户偏好数据确认用户偏好的产品类型。其中，当各种产品的数量超过一定值时，确认产品为用户偏好商品。
44.在本发明的一些实施例中，上述推荐处理模块包括产品推荐模块、相关商城模块和相关产品模块，上述产品推荐模块连接上述偏好分析模块以根据各用户偏好数据的上述产品类型向用户提供推荐商品信息；上述相关商城模块连接上述产品推荐模块以获取向各用户推荐的偏好商品，上述相关商城模块连接上述信息采集模块以查找金融平台获取的上
述偏好商品的商品购买链接推荐给用户；上述相关产品模块连接上述产品推荐模块以获取各用户的上述偏好商品，并根据上述偏好商品获取相似的相关商品，上述相关产品模块连接上述信息采集模块以通过上述相关商品查找金融平台的商品购买链接推荐给用户。
45.详细的，产品推荐模块利用偏好分析模块获得各用户偏好数据获取产品类型，并且根据产品类型向用户提供推荐的商品信息，从而相关商城模块通过信息采集模块调取对应金融平台的商品链接，提供给用户购买商品。其中进一步地，相关产品模块通过分析该商品获取相关商品，并通过信息采集模块调取相关商品的购买链接提供给用户。其中，产品推荐模块可以通过向用户提供推荐商品的推荐数据，供用户选择确认，从而筛除不满意的商品。上述商品信息的详情还可以直接通过购买链接提供给用户。
46.在本发明的一些实施例中，上述推荐处理模块还包括输出单元；上述输出单元分别连接上述相关商城模块和上述相关产品模块，以将上述偏好商品和上述相关商品的上述商品购买链接均发送给用户使用的用户端；上述输出单元连接上述机器学习模块以将上述偏好商品和上述相关商品推荐给用户。
47.详细的，输出单元将产品推荐单元得到的偏好商品的商品信息发送到用户使用的用户端，将相关商城模块得到的偏好商品的商品链接发送到用户端，以及将相关产品模块得到的相关商品的商品链接发送到用户端。详细的，机器学习模块通过待测试数据得到向用户推荐的偏好商品以及相关商品，从而输出单元将机器学习模块输出的偏好商品以及相关商品发送到用户端。
48.在本发明的一些实施例中，上述用户消费数据包括用户注册信息、用户消费历史和输入信息中的任意一项或多项。
49.其中用户注册信息可以为用户使用金融平台时的注册信息，用户消费历史为用户使用金融平台购买商品的记录，输入信息为通过信息采集模块人工输入的数据。
50.在本发明的一些实施例中，上述第一分析模块还包括数据分类模块，上述产品分类模块通过上述数据分类模块连接上述预处理模块，以将每组用户的上述用户消费数据分类成多种，其中包括产品类型数据、产品评价数据和产品评分数据三种类型；上述产品分类模块根据各用户的上述产品类型数据分析各用户购买产品的类型；上述偏好分析模块根据各组的上述产品评价数据和上述产品评分数据评价各用户对不同上述产品类型的喜爱度，从而根据上述喜爱度筛选用户偏好数据的上述产品类型。
51.详细的，产品分类模块通过数据分类模块连接预处理模块，从而在通过产品分类模块对用户消费数据进行产品类型分类之前，利用数据分类模块根据用户消费数据进行分类，从而得到每组数据的产品类型数据、产品评价数据和产品评分数据。产品分类模块根据各用户的产品类型数据分析各用户购买产品的类型。详细的，偏好分析模块根据每组数据的产品评价数据和产品评分数据评价各用户对于不同产品类型的喜爱度，进而根据喜爱度进一步筛选产品类型。
52.实施例2
53.请参阅图5，图5为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申
请实施例1所提供的基于机器学习的金融大数据挖掘系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
54.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
55.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate 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。
56.可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
57.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
58.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
59.所述功能如果以软件功能模块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，本技术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，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
60.综上所述，本技术实施例提供的一种基于机器学习的金融大数据挖掘系统、设备及介质：
61.本技术实施例通过信息采集模块采集多个金融平台的各用户的用户消费数据，将所有用户的用户消费数据进行预处理，并分类统计，从而利用分类统计的结果分析用户偏
好数据，并利用用户偏好数据向用户提供推荐商品的推荐数据，进而利用金融数据了解和满足消费者的需求，并服务于不同商家使用。机器学习模块将获取用户消费数据、用户偏好数据的结果和上述推荐数据的结果通过机器学习训练得到商品推荐教学模型，从而商品推荐教学模型根据输入的待检测数据输出用户偏好数据，并根据用户偏好数据向用户推荐偏好商品。
62.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
63.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
技术特征：1.一种基于机器学习的金融大数据挖掘系统，其特征在于，包括信息采集模块、预处理模块、第一分析模块、第二分析模块、推荐处理模块和机器学习模块；所述信息采集模块用于通过金融平台采集各用户的用户消费数据；所述预处理模块连接所述信息采集模块以对所述用户消费数据进行预处理；所述第一分析模块连接所述预处理模块以对预处理后的数据进行分类统计；所述第二分析模块连接所述第一分析模块以根据分类统计后的数据分析用户偏好数据；所述推荐处理模块连接所述第二分析模块以根据所述用户偏好数据向用户提供推荐商品的推荐数据；所述机器学习模块连接所述推荐处理模块以获取多个用户的所述用户消费数据、所述用户偏好数据和所述推荐数据，多个用户的所述用户消费数据、所述用户偏好数据和所述推荐数据通过机器学习训练得到商品推荐教学模型，所述商品推荐教学模型用于根据待检测数据输出所述用户偏好数据，并根据所述用户偏好数据向不同用户推荐商品。2.如权利要求1所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述机器学习模块包括数据挖掘模块、数据占比模块、数据分布模块、模型分析模块和可视化模块；所述数据挖掘模块用于分析所述待检测数据，并通过连接所述信息采集模块以进行数据挖掘；所述数据占比模块与所述数据挖掘模块连接以统计挖掘后各项数据的占比；所述模型分析模块用于训练所述商品推荐教学模型，并通过所述商品推荐教学模型输入用户的待检测数据以输出向用户推荐的偏好商品；所述数据分布模块连接所述数据占比模块以获取各项数据的占比，所述数据分布模块连接所述模型分析模块以获取所述商品推荐教学模型输出的多个所述偏好商品，根据占比大小设置各项数据的权重，并根据各项数据的权重分析各项数据和任意一个所述偏好商品的关联度；所述可视化模块连接所述商品推荐教学模型以可视化处理并显示多个所述偏好商品，且所述可视化模块连接所述数据分布模块以根据所述关联度从大到小依次向用户推荐各所述偏好商品。3.如权利要求1所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述预处理模块包括数据翻译模块和数据筛选模块；所述数据翻译模块连接所述信息采集模块以对所述用户消费数据进行翻译解析；所述数据筛选模块连接所述数据翻译模块以根据内容解析结果进行数据筛选。4.如权利要求1所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述第一分析模块包括产品分类模块、数量统计模块和偏好分析模块；所述产品分类模块连接所述预处理模块以根据所述用户消费数据分析各用户购买产品的类型，所述数量统计模块连接所述产品分类模块以统计各用户购买不同类型产品的数量，所述偏好分析模块连接所述数量统计模块以根据各用户购买不同类别产品的数量分析用户偏好数据的产品类型。5.如权利要求4所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述推荐处理模块包括产品推荐模块、相关商城模块和相关产品模块；所述产品推荐模块连接所述偏好分析模块以根据各用户偏好数据的所述产品类型向用户提供推荐商品的推荐数据；所述相关商城模块连接所述产品推荐模块以获取向各用户推荐的偏好商品，所述相关商城模块连接所述信息采集模块以查找金融平台获取的所述偏好商品的商品购买链接推荐给用户；所述相关产品模块连接所述产品推荐模块以获取各用户的所述偏好商品，并根据所述偏好商品获取相似的相关商品，所述相关产品模块连接所述信息采集模块以通过所述相关商品查找金融平台的商品购买链接推荐给用户。
6.如权利要求5所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述推荐处理模块还包括输出单元；所述输出单元分别连接所述相关商城模块和所述相关产品模块，以将所述偏好商品和所述相关商品的所述商品购买链接均发送给用户使用的用户端；所述输出单元连接所述机器学习模块以将所述偏好商品和所述相关商品推荐给用户。7.如权利要求5所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述第一分析模块还包括数据分类模块，所述产品分类模块通过所述数据分类模块连接所述预处理模块，以将每组用户的所述用户消费数据分类成多种，其中包括产品类型数据、产品评价数据和产品评分数据三种类型；所述产品分类模块根据各用户的所述产品类型数据分析各用户购买产品的类型；所述偏好分析模块根据各组的所述产品评价数据和所述产品评分数据评价各用户对不同所述产品类型的喜爱度，从而根据所述喜爱度筛选用户偏好数据的所述产品类型。8.如权利要求1所述的一种基于机器学习的金融大数据挖掘系统，其特征在于：所述用户消费数据包括用户注册信息、用户消费历史和输入信息中的任意一项或多项。9.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-8中任一项所述的系统。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如权利要求1-8中任一项所述的系统。
技术总结本发明提出了一种基于机器学习的金融大数据挖掘系统、设备及介质，涉及金融数据分析领域。一种基于机器学习的金融大数据挖掘系统，其包括信息采集模块、预处理模块、第一分析模块、第二分析模块、推荐处理模块和机器学习模块；信息采集模块用于通过金融平台采集各用户的用户消费数据；预处理模块连接上述信息采集模块以对用户消费数据进行预处理；第一分析模块连接预处理模块以对预处理后的数据进行分类统计；第二分析模块连接第一分析模块以根据分类统计后的结果分析用户偏好数据；推荐处理模块连接上述第二分析模块以根据用户偏好数据提供商品推荐的推荐数据。本发明能够运用金融信息资源，使其服务于消费者和商家。使其服务于消费者和商家。使其服务于消费者和商家。
技术研发人员：刘永娟
受保护的技术使用者：刘永娟
技术研发日：2022.07.25
技术公布日：2022/11/1
