1.一种大数据驱动的个性化财务建议服务平台，其特征在于，包括：用户行为数据储存模块：对用户的财务信息进行统一的储存和管理；

数据分析模型模块：采集并学习各类型的用户行为数据，建立大规模的用户行为分析模型；

投资建议生成模块：利用机器学习算法，结合市场数据和经济趋势，生成与用户的财务目标、风险容忍度相匹配的投资建议；

所述用户行为分析模型如下：

输入层：使用one‑hot编码表示用户和项目的ID，即u和i；输入层负责接收用户和项目的关联数据，以one‑hot编码形式输入，用以描述用户和项目的基本信息；

嵌入层：通过学习得到的嵌入矩阵Eu和Ei，将u和i映射到嵌入空间，得到嵌入向量pu和qi，公式为pu＝Eu*u和qi＝Ei*i；嵌入层通过学习得到的嵌入矩阵，将原始的离散特征映射到连续的向量空间，有助于提取更深层次的特征信息；

隐层：结合pu和qi并通过神经网络进行非线性变换，隐层通过神经网络进行非线性变换，将抽象的嵌入向量转化为具有实际意义的特征表示；

输出层：经过一个输出层，计算预测结果yhat=h*w+b，其中w和b是输出层的权重和偏置；

所述投资建议生成模块中，进行投资建议生成的步骤如下：S1，环境状态定义：使用财务指标定义环境状态；

S2，执行动作：动构建投资模型需要考虑的行为，为生成投资策略提供可能的决策选项；

S3，学习收益：定义收益R是基于投资后的回报或者损失；

使用Q学习，学习一个策略π，使得总收益最大化，在该策略下，顾问会选择在状态s下采取动作a的概率，标记为π(a∣s)；

Q值是指在某个状态s下，采取动作a能够获得的预期回报，计算公式为：；

其中，γ是折扣因子，表示未来收益相比当前收益的重要性；s'是状态s执行动作a后的'新状态；p(s∣s,a)是在状态s采取动作a转移到状态s'的概率；

S4，通过在大量的历史数据上进行训练，优化Q值函数，使得总回报最大化，本实施例中，采取蒙特卡洛方法进行估计和优化；在实际执行中，在当前状态下，通过选择Q值最大的动作，即maxQ(s,a)，作为投资建议。

2.根据权利要求1所述的一种大数据驱动的个性化财务建议服务平台，其特征在于，所述用户行为数据储存模块包括：用户信息储存界面：用于引导用户输入所需的财务信息；

数据收集：用于对用户输入的财务信息进行收集；

数据校验：用于对收集到的财务信息进行校验，检查用户输入的信息是否有误或矛盾；

数据存储：用于对确定无误的数据在数据库中进行安全存储；

数据管理：用于对存储在数据库中的数据进行管理；

用户信息保护：用于对用户财务信息进行加密。

3.根据权利要求2所述的一种大数据驱动的个性化财务建议服务平台，其特征在于，在所述用户信息保护中，采用数据加密技术对敏感数据进行加密存储，并设置数据访问权限限制不合法的数据访问。

4.根据权利要求1所述的一种大数据驱动的个性化财务建议服务平台，其特征在于，在所述隐层中，若神经网络只有一个隐层，那么表示为h=f(W*[pu;qi]+b)，其中f是激活函数，采用ReLU函数；[pu;qi]表示将pu和qi拼接在一起，W和b是该层的权重和偏置。

5.根据权利要求4所述的一种大数据驱动的个性化财务建议服务平台，其特征在于，所述个性化财务建议服务平台向客户提供财务建议的步骤如下：步骤1，用户在用户行为数据储存模块内进行财务信息储存；

步骤2，数据分析模型模块采集并学习各类型的用户行为数据，建立大规模的用户行为分析模型；

步骤3，投资建议生成模块利用机器学习算法，结合市场数据和经济趋势，生成与用户的财务目标、风险容忍度相匹配的投资建议。