[发明专利]一种用于理财产品推荐系统的集成方法

说明书

本发明公开一种用于理财产品推荐系统的集成方法，基于数据平滑的协同过滤算法可以对稀疏数据进行填充，减少数据的稀疏性问题。基于人口统计学的推荐算法不需要历史数据，也不依赖物品的属性，可以解决用户的冷启动问题；将两种算法与表现性能良好的基于项目聚类和矩阵分解的推荐算法进行集成，扩大推荐算法的使用场景，提高推荐算法的自适应性。本发明集成方法可以有效地减少数据的稀疏性和解决冷启动问题，提升对每一位用户的推荐性能。

技术领域

本发明属于在线产品推荐技术领域，尤其涉及一种用于理财产品推荐系统的集成方法。

背景技术

传统的推荐算法多以用户评分数据计算用户的兴趣偏好以及资源相似度，对稀疏数据以及新用户的推荐质量较低，无法最大化挖掘隐性数据所带的信息。

近年来，针对数据稀疏性带来的问题，为了提升推荐效果，学者们将主成分分析、聚类分析、奇异值分解等算法引入到传统的协同过滤推荐算法中，通过降维，缩小目标用户搜索最近邻居的范围，使得推荐的精度和实时性有了明显提升，但冷启动问题依然存在。

现有技术的主要结构和原理：

1.生成用户-项目属性偏好模型。用户对项目属性的偏好模型是进行用户聚类和相似度计算的基础，通过分析用户-项目评分矩阵和项目-属性矩阵，建立用户对项目中出现的所有属性的偏好权重矩阵。

2.用户聚类。采用SOM与K-means聚类相结合的混合聚类模型对用户进行聚类：

2.1将得到的用户-项目属性偏好矩阵作为聚类的输入数据，通过SOM对输入训练较少的次数进行粗聚类，输出聚类簇Cluster_SOM、神经元的权值ω_SOM、聚类簇数目K；

2.2将ω_SOM作为原始质心O_original，对于每一个簇内元素不为0的聚类簇，寻找与O_original距离最近的元素作为该簇最终的质心O_SOM；

2.3以K、O_SOM作为K-means聚类的聚类簇数目和初始聚类质心，对用户进一步聚类，输出用户聚类结果ClusterResult。

3.用户相似度计算和最近邻居查询。采用余弦计算目标用户U_i与所在聚类簇c_index中其他用户的相似度，计算得到最近邻居集合M_Knear。

4.评分预测。找到目标用户U_i针对目标项目I_ij的最近邻用户集合M_Knear后，通过集合M_Knear中的用户对目标项目I_ij评分的加权平均值来描述目标用户U_i对目标项目I_ij的评分。评分预测公式如式(1)所示:

5.生成推荐。重复步骤(3)和步骤(4)，预测目标用户U_i对所有未评分项目的评分，选择预测评分最高的N个项目推荐给目标用户U_i。

目前有很多推荐算法，但是在任何背景或任何数据下都不存在一种算法总是优于其它推荐算法。现有的推荐系统多为单一的一种方法，具有自身的局限性，不能灵活地应用于各类场景中。在推荐方面表现良好的算法不能有效地解决数据的稀疏性和冷启动问题。

发明内容

本发明提供一种用于理财产品推荐系统的集成方法，减少了数据稀疏性带来的影响，解决了推荐系统的冷启动问题。提高推荐算法的自适应性，扩大推荐算法的适用场景。