基于机器学习的理财产品推荐算法的研究

发布时间：2022-01-07 05:04

　　受益于互联网技术的发展和用户行为观念的改变,互联网金融成为经济生活的新热点。互联网金融蓬勃发展的同时,也因理财产品的多样化,给投资者带来了不知如何挑选适合自己理财产品的困扰。进行个性化推荐是解决此问题最有效的方法之一。目前,基于机器学习的推荐算法较广泛的应用于电子商务平台,以及音乐、视频和新闻的个性化推荐。但在理财产品领域还未被广泛研究。因而,利用机器学习进行高效的理财产品推荐对每一位投资者和经营商都具有重大意义。针对上述问题,本课题主要研究理财产品的推荐算法。数据为某金融APP里的理财产品和用户行为信息。理财产品为现有的直销银行旗下的产品,主要包括银行发行的理财和基金公司发行的基金类（货币基金和纯债基金）产品。将推荐分为召回和排序两个部分。召回部分主要采用了两种方法。一是针对传统的协同过滤存在没有考虑时间因子的问题,根据理财产品的自身生命周期和用户对理财产品的兴趣变化,拟合时间衰减函数,并将其加入到协同过滤算法中,使得推荐结果体现时间效应。二是提出改进的随机游走图模式推荐算法,为游走加入权重,减少了随机游走的算法中存在的个性化程度不高和推荐结果冷门产品占比较高的现象出现。对于理财产品... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

本文的组织结构

第 2 章 相关理论与技术基础第2章 相关理论与技术基础个性化推荐系统是用户对服务的高要求和服务商对服务的高追求的结果，建立在海量的数据挖掘之上，它是一个提供高级服务的智能平台，为每个用户提供属于自己的信息服务。今年来，已有许多非常成功的大规模推荐系统的例子，如今日头条、知乎、新浪微博等。在此同时，个性化推荐也成为了学术界的研究热点之一。目前，常用的个性化推荐系统的框架大同小异，基本框架如图 2-1 所示：

滤的推荐算法前在工业界应用最广泛，最主流的方法。主据行为数据进行深层挖掘，获取偏好。它可得到比较好的推荐效果，不需要所推荐的特一定的程度上保留了个体的特征，而不是根长尾数据。它是大家帮助用户来做选择，大偏好比较相似的用户推荐给目标用户他们有也可能指物品，和用户的过去喜欢的物品相别是基于用户的协同过滤算法和基于物品的类聚，物以群分。协同过滤推荐同过滤算法(UserCF)的基本原则是根据用户找到与目标用户喜好相似的一些用户，称其户的偏好项目进行推荐。主要原理见图 2-2。


本文编号：3573873