1.一种理财产品推荐方法，其特征在于，包括：获取理财用户数据；

基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；

其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；

将理财用户数据及其若干个最近邻数据拼接构成训练数据；

以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值；

自编码神经网络模型的训练过程包括如下步骤：自编码神经网络模型加载预训练神经网络参数偏置b，输入原始数据RD，经过前向传播计算得到隐层嵌入特征z，利用k‑means算法处理得到初始化聚类中心C；

通过for循环使基于自适应邻域图嵌入的深度聚类模型数据聚类算法的迭代epoch次数自增一；

通过公式 和 计算神经网络隐层嵌入特征z与聚类中心C的相似度和归一化，然后通过公式 计算得到聚类层损失；

其中，是样本个数，是聚类中心数； 是采用student‑T分布计算神经网络隐层嵌入特征 与聚类中心 得到，以此衡量两者的相似度； 将 指数提高到二次，对 经过尖锐处理的分布； 和 构成的矩阵分别为P和Q； ,固定属性对 个 求和，使按每个簇的频率归一化来计算；

通过公式 计算亲和度矩阵熵项；

通过公式 计算理财用户数据RD与最近邻数据ND之间的图约束损失；其中，J是邻居个数；

通过公式 计算重构损失，其中 代表理财用户数据RD中第i条数据，代表 经过神经网络计算得到的输出值；

整体损失函数为 ；α与β分别是调节聚类项和图约束项权重的参数；

通过梯度下降法，对隐层嵌入特征和聚类中心求偏导，聚类中心c的更新公式为： ，其中 为batchsize，为学习率；

通过梯度下降法，更新编码器权重 ；

解码器权重更新公式为 ；

每一轮for循环结束后，采用公式 对整体P进行更新；样本标签通过 获得，公式如下： ；

每一轮for循环结束后，采用拉格朗日乘子法对于亲和度矩阵 的更新；公式为；

每一轮for循环结束后，通过公式 计算输出聚类精度，其中 为数据点真实类别标签， 为样本中心类别。

2.如权利要求1所述的理财产品推荐方法，其特征在于，所述理财用户数据的属性包括学历、收入、年龄、职业和地域分布。

3.如权利要求1所述的理财产品推荐方法，其特征在于，使用KNN算法处理得到理财用户数据的若干个最近邻数据。

4.一种理财产品推荐系统，其特征在于，包括：理财用户数据获取模块，其用于获取理财用户数据；

推荐理财产品推荐模块，其用于基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；

其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；

将理财用户数据及其若干个最近邻数据拼接构成训练数据；

以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值；

自编码神经网络模型的训练过程包括如下步骤：自编码神经网络模型加载预训练神经网络参数偏置b，输入原始数据RD，经过前向传播计算得到隐层嵌入特征z，利用k‑means算法处理得到初始化聚类中心C；

通过for循环使基于自适应邻域图嵌入的深度聚类模型数据聚类算法的迭代epoch次数自增一；

通过公式 和 计算神经网络隐层嵌入特征z与聚类中心C的相似度和归一化，然后通过公式 计算得到聚类层损失；

其中，是样本个数，是聚类中心数； 是采用student‑T分布计算神经网络隐层嵌入特征 与聚类中心 得到，以此衡量两者的相似度； 将 指数提高到二次，对 经过尖锐处理的分布； 和 构成的矩阵分别为P和Q； ,固定属性对 个 求和，使按每个簇的频率归一化来计算；

通过公式 计算亲和度矩阵熵项；

通过公式 计算理财用户数据RD与最近邻数据ND之间的图约束损失；其中，J是邻居个数；

通过公式 计算重构损失，其中 代表理财用户数据RD中第i条数据，代表 经过神经网络计算得到的输出值；

整体损失函数为 ；α与β分别是调节聚类项和图约束项权重的参数；

通过梯度下降法，对隐层嵌入特征和聚类中心求偏导，聚类中心c的更新公式为： ，其中 为batchsize，为学习率；

通过梯度下降法，更新编码器权重 ；

解码器权重更新公式为 ；

每一轮for循环结束后，采用公式 对整体P进行更新；样本标签通过 获得，公式如下： ；

每一轮for循环结束后，采用拉格朗日乘子法对于亲和度矩阵 的更新；公式为；

每一轮for循环结束后，通过公式 计算输出聚类精度，其中 为数据点真实类别标签， 为样本中心类别。

5.一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，该程序被处理器执行时实现如权利要求1‑3中任一项所述的理财产品推荐方法中的步骤。

6.一种计算机设备，其特征在于，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如权利要求1‑3中任一项所述的理财产品推荐方法中的步骤。