一.目的
在信息不对称状态下,如何平衡用户和金融机构间的收益以及如何高效的为用户提供理财产品、金融机构精准把握用户需求。
以协同过滤推荐算法为基础,建立了基于理财产品的多粒度推荐模型。
二. 思路
本文是基于物品进行推荐的,其思路如下:
1.分析用户和商品的属性,并对属性进行力度划分;
产品属性: 起始金额(Initial amount)、投资期限(term ofinvestment)、收益率(Rate of return)、风险等级 (Risk level)、币种(currency)、发行机构(Publishing organization)、收益类型(Income type)、销售状态(Sales
status);简称为起始金额(I)、投资期限(T)、收益率(R)、风险等级(L)、币种(C)、发行机构(O)、收益类 型(Ty)、销售状态(S)。
用户属性:
(1)用户基本属性:性别、姓名、出生年月、月收入等;
(2)用户行为属性:有无投资、是否关注理财产品、购买产品类型等;
(3)用户状态属性:经济状态、是否在职等
2. 粒度属性标准化及属性的降维
标准化:
降维:使用主城成分分析(PCA)对属性进行降维
3. 计算物品的相似性
(1)常用的计算相似度的方法:
欧氏距离:反应的相似度较为单一;
皮尔逊:反应的是向量间的关联性,优于理财产品属性相对独立,结果会产生影响;
余玄相似度:
并对余玄相似度进行优化:
4.确定推荐个数和属性的粒度
(1)偏好值(兴趣度)的计算
(1)确定推荐个数:
其他不变,变换推荐商品的个数,观察是否有影响。
(2)确定属性的粒度
其他不变,将粒度由小到达进行变换,观察推荐结果的合理性。
三.实现
(一)关键技术
1. 推荐算法
推荐系统主要是通过分析产品特点和用户需求,为用户给出建议,协助用户购买产品。推荐系统主要是通过用户和产品 来计算R 值(效用值或评分值),最后依据用户偏好和产品相似度计算出R 值,推荐系统将选择对此用户来说评分最高或效用最 大的商品予以推荐。
(1)基于内容的推荐算法(基于商品的推荐)
主要处理方式是利用用户已知的偏好、兴趣等属性和产品内容属性相匹配,以此为用户匹配评分较高的产品。该算法 区分产品间的相似性是通过衡量和对比产品间的特征来判定的。它是通过观察记录用户所选择浏览、购买等与其发生过交互的产品,向用户推荐具有相似属性的产品。
(2)基于关联规则的推荐算法
该算法是以用户的购买数据为基础,向用户推荐其他具有购买意向的产品。其实际意义是向购买一些产品的用户推荐更倾向于购买的另一些产品。例如:啤酒和尿布
(3) 混合推荐算法
混合推荐算法就是将几种不同的推荐算法,通过一定的方式方法融合而成的推荐算法。一般情况下,混合推荐算法有三种组合方式,可以根据系统本身的需求选择合适的方式进行组合。例如:基于内容的推荐算法没有关注用户偏好、具有 片面性等问题;协同过滤算法有冷启动等问题。而协同过滤推荐算法刚好和基于内容的推荐算法互补,为了弥补不同算法间的不足,可以将两种推荐算法整合在一起进行推荐。
(4)协同过滤推荐算法
协同过滤推荐算法是把用户和产品相互联系起来,通过计算相似度,产生推荐结果[18]。基于用户的算法是找到与用户有 相同偏好的用户,然后将相似用户过去喜欢的产品推荐给用户。
四.总结
1. 该推荐系统相对比较简单只是做了离线推荐,没有和大数据部分进行结合做事实推荐;
2. 只用了基于物品的推荐,较为单一;
3. 优点在于对在计算商品的相似度时进行了修正,避免了热门商品和所有的商品都像似的情况。