受益于互聯網技術的發(fā)展和用戶行為觀念的改變,互聯網金融成為經濟生活的新熱點�；ヂ摼W金融蓬勃發(fā)展的同時,也因理財產品的多樣化,給投資者帶來了不知如何挑選適合自己理財產品的困擾。進行個性化推薦是解決此問題最有效的方法之一。目前,基于機器學習的推薦算法較廣泛的應用于電子商務平臺,以及音樂、視頻和新聞的個性化推薦。但在理財產品領域還未被廣泛研究。因而,利用機器學習進行高效的理財產品推薦對每一位投資者和經營商都具有重大意義。針對上述問題,本課題主要研究理財產品的推薦算法。數據為某金融APP里的理財產品和用戶行為信息。理財產品為現有的直銷銀行旗下的產品,主要包括銀行發(fā)行的理財和基金公司發(fā)行的基金類（貨幣基金和純債基金）產品。將推薦分為召回和排序兩個部分。召回部分主要采用了兩種方法。一是針對傳統(tǒng)的協同過濾存在沒有考慮時間因子的問題,根據理財產品的自身生命周期和用戶對理財產品的興趣變化,擬合時間衰減函數,并將其加入到協同過濾算法中,使得推薦結果體現時間效應。二是提出改進的隨機游走圖模式推薦算法,為游走加入權重,減少了隨機游走的算法中存在的個性化程度不高和推薦結果冷門產品占比較高的現象出現。對于理財產品... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

本文的組織結構

第 2 章 相關理論與技術基礎第2章 相關理論與技術基礎個性化推薦系統(tǒng)是用戶對服務的高要求和服務商對服務的高追求的結果，建立在海量的數據挖掘之上，它是一個提供高級服務的智能平臺，為每個用戶提供屬于自己的信息服務。今年來，已有許多非常成功的大規(guī)模推薦系統(tǒng)的例子，如今日頭條、知乎、新浪微博等。在此同時，個性化推薦也成為了學術界的研究熱點之一。目前，常用的個性化推薦系統(tǒng)的框架大同小異，基本框架如圖 2-1 所示：

濾的推薦算法前在工業(yè)界應用最廣泛，最主流的方法。主據行為數據進行深層挖掘，獲取偏好。它可得到比較好的推薦效果，不需要所推薦的特一定的程度上保留了個體的特征，而不是根長尾數據。它是大家?guī)椭脩魜碜鲞x擇，大偏好比較相似的用戶推薦給目標用戶他們有也可能指物品，和用戶的過去喜歡的物品相別是基于用戶的協同過濾算法和基于物品的類聚，物以群分。協同過濾推薦同過濾算法(UserCF)的基本原則是根據用戶找到與目標用戶喜好相似的一些用戶，稱其戶的偏好項目進行推薦。主要原理見圖 2-2。


本文編號：3573873