基于机器学习的金融产品推荐算法研究

发布时间：2020-04-07 15:56

【摘要】：现如今,推荐系统无论是在电子商务还是在社交网络都占据着举足轻重的位置.而传统的以银行为代表的金融机构在个性化推荐方面的应用,较之于互联网行业略有不足.本文根据基于机器学习方法的隐语义模型,并结合用户的特征,生成一种融合用户特征的改进隐语义模型,并对金融产品进行推荐.在解决冷启动问题时,可以通过用户的人口统计学特征给新用户进行产品推荐.该方法计算用户的特征关于物品的兴趣度,将所有特征关于物品的兴趣度进行累积,从而得到用户关于物品的兴趣度.而隐语义模型(Latent Factor Model,LFM)是通过将物品分类,计算用户关于类的兴趣度_(,6)),和物品关于类的权重_(4),6)),将二者相乘得到用户关于物品的兴趣度.两种推荐方法的结合点正是用户关于物品的兴趣度.本文将基于用户特征计算出来的用户关于物品的兴趣度与LFM计算出来的兴趣度进行线性组合,二者的权重则利用用户的活跃度进行衡量.利用训练出的模型对目标用户兴趣度较高的前个物品进行推荐(TopN).通过在Movielens数据集和银行理财产品数据集上的实验测试,融合用户特征的改进隐语义模型在样本量较少和应对用户冷启动问题时,具有更好的推荐性能.
【图文】：

.2 测测评评维维度度除了测评指标, 一个推荐系统还要考虑测评维度. 对于一个推荐系统, 它性能不是很好, 但是, 可能在某些情况下较好. 而测评维度就能够帮助找哪些情况下性能较好. 测评维度主要包括：用户维度, 即人口统计学信息活跃度等. 物品维度, 包含物品的基本属性, 物品的流行度, 以及评分信息时间维度, 包括季节性, 工作日还是周末等. 推推荐荐系系统统的的应应用用推荐系统被广泛应用于电子商务、个性化音乐视频推荐、基于位置的服告等众多方面.如, 在亚马逊网站浏览《数据挖掘导论》一书时, 会在该书页面下方推送息：

图 2-2: 推荐算法分类Figure 2-2 Recommended algorithm classification算法主要包括基于关联规则的推荐、基于内容的推荐、基于协基于模型的推荐和混合的推荐等[18].基基于于关关联联规规则则的的推推荐荐分析(关联规则), 又称关联挖掘, 主要用来发现大量数据集中物于关联规则的推荐常见于电子商务系统中. 其实际意义是, 购买会倾向于购买另外一些物品. 基于关联规则的推荐, 其首要目标  6 
【学位授予单位】：黑龙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832;C815

【相似文献】

相关期刊论文 前10条

1 彭吉琼;金欢;占思琦;;基于校企合作的情景感知推荐算法研究[J];海峡科技与产业;2019年06期

2 徐志熹;钱洋;苏扬;;融合时序的决策树推荐算法研究[J];现代计算机;2019年34期

3 徐笛;;算法实践中的多义与转义：以新闻推荐算法为例[J];新闻大学;2019年12期

4 崔素丽;;教程推荐算法研究[J];信息与电脑(理论版);2019年24期

5 李旭峰;;基于社交网络学习推荐算法的应用研究[J];信息系统工程;2019年12期

6 王扶东;俞立群;;垂直学习社区基于学习兴趣与风格的社会化推荐算法[J];小型微型计算机系统;2020年01期

7 牛在森;伊华伟;李晓会;李波;;融合层次聚类和粒子群优化的鲁棒推荐算法[J];小型微型计算机系统;2020年01期

8 周神保;莫凡;;智能推荐算法安全风险研究[J];广东通信技术;2019年07期

9 俞伟;徐德华;;推荐算法概述与展望[J];科技与创新;2019年04期

10 张世东;;推荐算法概述[J];科技传播;2019年04期

相关会议论文 前10条

1 米传民;彭鹏;单晓菲;马静;;考虑显式评分的基于二部图的推荐算法[A];第十七届中国管理科学学术年会论文集[C];2015年

2 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

3 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

4 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：2618099