[发明专利]一种用于理财产品推荐系统的集成方法

权利要求书

1.一种用于理财产品推荐系统的集成方法，其特征在于，包括以下步骤：

步骤一：基于人口统计学的推荐算法；

选取年龄、性别、职业和爱好4种特征，将各属性信息预处理成数字型表示法的形式，计算用户之间的相似度得到用户偏好和得到预测偏好矩阵；

步骤二：基于项目聚类和矩阵分解的推荐算法

步骤2.1、计算物品间的相似度

通过采用曼哈顿距离来计算物品之间的距离；

其中，r_ui表示用户u对物品i的喜爱程度，d_ij表示物品i与物品j之间的距离，

物品i与物品j之间的相似度表示为式(9)；

其中，c_i表示物品i的流行度，c_j表示物品j的流行度；物品的流行度就是点击该物品的人数，然后将物品进行分类，得到不同的聚类中心{c₁,c₂,…,c_k}，k为聚类的数目；

步骤2.2、构建物品向量

基于k个聚类中心，K设置为200，物品向量被定义为

其中，

将物品向量归一化：

最后，物品i的向量为：

p_i＝(p_i1,p_i2,…,p_ik,…,p_iK) (13)

其中，

步骤2.3、计算预测偏好矩阵

基于物品向量和奇异值分解(SVD)，得到预测偏好矩阵：

其中，n是物品的数量，m是用户的数量，表示预测偏好，定义为：

其中，allMean是偏好的平均值，b_u表示用户和allMean之间的偏差，b_i表示物品和allMean之间的偏差，q_u是用户u的向量，由随机值初始化；

步骤三：基于数据平滑的协同过滤算法

步骤3.1、计算用户的相似度

采用皮尔逊相关系数来计算相似度，用户u和用户u’之间的相似度为：

其中，R_u(t)表示用户u对物品t的偏好，表示用户u对所有物品的平均偏好，R_u’(t)表示用户u’对物品t的偏好，表示用户u’对所有物品的平均偏好，t是用户u和用户u’都点击过的物品；

用户定义为U＝{u₁,u₂,…,u_n}，将用户划分成n个聚类，表示为

步骤3.2、基于上一步，平滑了用户尚未点击的数据集

用户的偏好表示为：

其中，r_ui是由函数计算得出，是对于用户u没有点击过的物品i由平滑得出，

对于用户u，u属于的聚类表示为考虑到个体差异，通过式(19)来计算

是所有用户对物品i的平均偏好，按如下公式计算：

其中，C_u(i)∈C_u表示在聚类C_u中的点击过物品i的用户集，|C_u(i)|表示在聚类C_u中的点击过物品i的用户数量，

通过计算加权和得到预测偏好：

其中，是用户u对物品i的偏好，是物品i的平均偏好，是物品j的平均偏好，w_uj是u和j之间的权重，sim(i,j)是i和j的相似度；

步骤3.3、得到预测偏好矩阵

n是物品的数量，m是用户的数量；

步骤四：对算法进行集成

根据步骤一、二和三，得到了用户对每个产品的预测偏好，基于这些偏好，进行算法集成；

步骤一中，用户偏好的计算过程如下：

得到用户之间的相似度后，会给用户推荐和他兴趣最相似的K个用户喜欢的物品，采用如下公式来计算用户u对物品i的偏好：

其中，S(u,k)包含和用户u最相近的K个用户，N(i)是对物品i有过行为的用户集合，w_uv是用户u和用户v的兴趣相似度，r_vi表示用户v对物品i的偏好；

预测偏好矩阵的计算过程如下：

其中，n是物品的数量，m是用户的数量。

2.如权利要求1所述的用于理财产品推荐系统的集成方法，其特征在于，步骤四采用如下方法进行集成：

1)线性加权融合法

汇总单一模型的结果，然后按不同算法赋予不同的权重，将多个推荐算法的结果进行加权，即可得到结果：

其中，是预测的最终偏好，w_k是与k算法对应的权重；

2)交叉融合法

在推荐结果中，穿插不同推荐模型的结果，以确保结果的多样性，

其中，rec(u)表示对用户u推荐的物品，rec_k(u)表示算法k对用户u推荐的物品；

3)瀑布型融合方法

瀑布型融合方法采用了将多个模型串联的方法，每个推荐算法被视为一个过滤器，通过将不同粒度的过滤器前后衔接的方法来进行，在该方法中，前一个推荐方法过滤的结果，将作为后一个推荐方法的候选集合输入，层层递进，候选结果在此过程中会被逐步遴选，最终得到一个量少质高的推荐结果集合。