基于海量銀行卡用戶行為的推薦算法研究.pdf

1、近年來，銀行業(yè)更多的提出了個性化定制的口號，市場和用戶也期待著更加個性化、更加多樣化的產(chǎn)品投入市場為用戶所使用。因此，通過用戶行為數(shù)據(jù)分析，進(jìn)行精確定向，并通過推薦算法，可以更好的拉近商家和用戶的距離。而基于海量用戶行為數(shù)據(jù)的分析以及推薦算法的研究，正是當(dāng)今業(yè)界研究的熱點問題。
　　本文結(jié)合銀行卡用戶分類及商戶推薦這一實際應(yīng)用場景的特點及需要解決的主要問題，提出了一種基于時間、空間雙維度的組合型并行化Item-Based改進(jìn)推薦算

2、法。本文的研究工作主要在于:通過對用戶歷史銀行卡消費(fèi)行為進(jìn)行分析，為用戶構(gòu)建分類模型。同時引入經(jīng)濟(jì)學(xué)中的長尾效應(yīng)，更加準(zhǔn)確的定向受眾群體。同時為了提高效率，通過樸素貝葉斯分類算法對用戶進(jìn)行分類。引入遺忘曲線作為用戶消費(fèi)行為的時間參數(shù)，提高了商戶推薦的合理性。引入商戶的空間集群效應(yīng)，計算商戶間的相似性，同時基于向量空間模型計算商戶間的相似性，兩者加權(quán)得到組合型的方法。基于MapReduce模型對推薦算法進(jìn)行了并行化，使得在處理海量的用戶行

3、為數(shù)據(jù)時可以更快的完成訓(xùn)練以及推薦。通過實驗對比證明，改進(jìn)后的推薦算法在推薦準(zhǔn)確性等方面有不同程度的提高。
　　本文研究的組合型并行化Item-Based改進(jìn)推薦算法取得的主要成果有:
　　(1)引入長尾效應(yīng)對用戶進(jìn)行精確分類，提高推薦的針對性;
　　(2)引入時間（遺忘曲線）、空間參數(shù)，提高了推薦結(jié)果的準(zhǔn)確性，解決了新項目的冷啟動問題;
　　(3)基于MapReduce模型，對算法進(jìn)行并行化改造，提高了算法運(yùn)行