為解決企業(yè)推薦資源有限的情況下,物盡其用、合理地分配推薦資源問題,本文對資源受限約束下的多對多推薦進行了研究,在滿足客戶需求的條件下做推薦,使企業(yè)總體收益盡可能的最大化。推薦是企業(yè)的一種重要營銷方式,根據推薦方式的不同,推薦可分為資源不受限的推薦和資源受限的推薦,而實際上,資源受限的推薦往往也是多對多的推薦,一個客戶可以接受多個滿足自身的項目或產品,一個項目可以推薦給多個適合的客戶,但是每個項目的利潤率不同,每個客戶對每個項目的購買力和匹配度也不相同,如何合理地分配有限推薦資源,并使企業(yè)獲得盡可能最大化的收益,復雜而重要。在問題預設和分析中,本文以某金融公司營銷部門對其VIP客戶進行理財產品推薦的現(xiàn)實背景作為切入點,對該類問題及相關場景進行了詳細地分析和研究,主要內容包括:1)使用基于角色協(xié)同的工程理論方法及其E-CARGO模型框架,對資源受限多對多推薦問題進行形式化建模,抽象問題的主體要素,并建立相應的量化指標;2)首先根據客戶-產品購買力、產品利潤率、客戶-產品匹配度等參數,為每種產品學習兩條最優(yōu)的客戶分級分界線,用于不同匹配度客戶間的層級劃分;然后依據客戶所在層級的不同,選取合適... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

匹配度及標簽生成函數Fig4-1FunctionstoCreateSimulationData

例的數據都包括仿真生成的客戶-產品匹配度數據以及對應的實際標簽數據。而利用上述 4 種不同數學函數生成的仿真數據，經過計算其對應的真正率(TPR)和假正率(FPR)數據，可以得到其對應的 ROC 曲線圖(受試者曲線)大致情況如圖 4-2 所示。圖 4-2 ROC 曲線和 AUC 值Fig 4-2 ROC Curves and AUC根據上述圖 4-2 可以看出，函數 f1 至 f4 對應的 ROC 曲線線下面積(AUC)分別為0.89、0.87、0.97、0.92。即上述 4 種數學函數仿真的數據相當于一個工業(yè)可用型推薦模型計算出來的數據。因此，利用上述方法和函數進行仿真的實驗數據是有效且可行的。鑒于上述仿真數據合理性說明，本文可以利用上述方式生成數據進行后續(xù)的實驗及參數學習。而根據第三章的形式化模型以及算法可以知道，在進行資源受限多對多推薦問題求解前，本文首先需要利用歷史數據集學習出最優(yōu)的分級分界線參數 L 1和L 2。因此，本文利用上述方法生成了一個擁有 8 個產品和 10000 個 VIP 客戶的歷史數據集。為了獲取最優(yōu)分級分界線參數 L 1，本文采用了等步長搜索的方法分別為每個產品計算出以何種大小的閾值進行正負標簽劃分時其精確度(precision)恰好達到0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95。因此

實際的人力、物力、時間等資源限制，其實際的波動性往往不大，歷史數據統(tǒng)計出歷史中每種類型產品的歷史接受人數比例，然后按上確定產品資源限制向量 L 即可。而根據仿真歷史數據統(tǒng)計結果，可接受推薦人數占總體推薦規(guī)模的比例如圖 4-3 的內容所示。

【參考文獻】：
期刊論文
[1]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[2]基于標簽和PageRank的重要微博用戶推薦算法[J]. 王嶸冰,安維凱,馮勇,徐紅艷.  計算機科學. 2018(02)
[3]融合用戶社會地位和矩陣分解的推薦算法[J]. 余永紅,高陽,王皓,孫栓柱.  計算機研究與發(fā)展. 2018(01)
[4]基于角色協(xié)同的角色扮演邏輯及其代數模型[J]. 滕少華,張如琪,劉冬寧,劉林源,朱咸軍.  電子學報. 2017(12)
[5]SCMF:一種融合多源數據的軟約束矩陣分解推薦算法[J]. 滿彤,沈華偉,黃俊銘,程學旗.  中文信息學報. 2017(04)
[6]社交網絡環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學報. 2017(03)



本文編號：3606614