面向金融營銷問題的個性化推薦方法研究.pdf

1、金融營銷受到金融企業(yè)的高度關(guān)注。隨著金融領(lǐng)域信息化技術(shù)應(yīng)用的飛速發(fā)展，包括網(wǎng)上銀行業(yè)務(wù)的開展，以及數(shù)據(jù)倉庫等技術(shù)的應(yīng)用，如何應(yīng)用包括個性化推薦在內(nèi)的數(shù)據(jù)挖掘技術(shù)解決金融營銷問題，已成為當(dāng)前的一個研究熱點(diǎn)。
　　 金融營銷的核心問題之一就是根據(jù)客戶的特點(diǎn)，提供符合其個性化需求的金融產(chǎn)品與服務(wù)。在金融領(lǐng)域，隨著技術(shù)與金融業(yè)務(wù)的迅猛發(fā)展，金融產(chǎn)品類型繁多，金融客戶歷史交易信息等數(shù)據(jù)量也在急劇增長，客戶可能需要花費(fèi)大量的時間來尋找自己感

2、興趣的產(chǎn)品。作為解決信息過載問題而產(chǎn)生的一種信息服務(wù)技術(shù)，個性化推薦系統(tǒng)根據(jù)客戶的歷史行為數(shù)據(jù)構(gòu)建興趣模型，并向其推薦可能感興趣的信息。同樣，該技術(shù)也可以引入金融領(lǐng)域以實(shí)現(xiàn)金融產(chǎn)品的推薦。
　　 推薦方法是推薦系統(tǒng)的核心，目前研究最多的是基于內(nèi)容的推薦系統(tǒng)、基于協(xié)同過濾的推薦系統(tǒng)。本文將從基于內(nèi)容和基于協(xié)同過濾的兩個角度分別對金融營銷的個性化推薦方法展開研究。基于內(nèi)容的金融產(chǎn)品個性化推薦中，內(nèi)容對應(yīng)于客戶購買的產(chǎn)品信息?；趨f(xié)同

3、過濾的個性化推薦中，產(chǎn)品的推薦是根據(jù)與其有相似興趣客戶對產(chǎn)品的購買情況作出的。為了實(shí)現(xiàn)基于內(nèi)容的個性化推薦，本文根據(jù)序列數(shù)據(jù)項(xiàng)所關(guān)聯(lián)的權(quán)重性質(zhì)不同，提出基于均值約束的序列模式挖掘方法，以及針對變值數(shù)據(jù)的序列模式挖掘方法。為了實(shí)現(xiàn)基于協(xié)同過濾的個性化推薦，本文提出了基于客戶細(xì)分的個性化推薦，以及考慮興趣漂移情況下的個性化推薦方法。
　　 論文的主要工作和創(chuàng)新點(diǎn)如下：
　　 (1)針對基于內(nèi)容的個性化推薦中，推薦的金融產(chǎn)品

4、需要滿足客戶收益要求等約束的問題，研究了基于均值約束的序列模式挖掘方法。為推薦符合客戶個性化需求的產(chǎn)品，往往會關(guān)注客戶購買金融產(chǎn)品的模式，尤其是客戶貢獻(xiàn)度或者客戶收益較高的那些金融產(chǎn)品購買序列模式。為此，我們將客戶購買產(chǎn)品，即序列數(shù)據(jù)中的項(xiàng)（item），視為基于內(nèi)容的個性化推薦中的“內(nèi)容”，以根據(jù)內(nèi)容相似性（即行為模式相似性）為客戶推薦金融產(chǎn)品。同時，利用均值約束表達(dá)序列模式需要滿足的客戶貢獻(xiàn)度、或者客戶收益等的要求。本文針對均值約束的

5、特性提出了滿足度的概念，并基于滿足度設(shè)計(jì)了相應(yīng)的剪枝策略。在此基礎(chǔ)上，設(shè)計(jì)了基于均值約束的序列模式挖掘算法MPAC。在IBM標(biāo)準(zhǔn)數(shù)據(jù)生成平臺上產(chǎn)生的數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，本文提出的剪枝策略是有效的，同時提出的MPAC算法具有良好的性能。
　　 (2)針對基于內(nèi)容的個性化推薦中，所推薦產(chǎn)品所關(guān)聯(lián)的是變值的問題，研究了適于變值數(shù)據(jù)的序列模式挖掘方法。在金融產(chǎn)品推薦中，如購買的數(shù)量或者購買時間不同所得收益不同?，F(xiàn)有的各種算法均不涉及

6、對變值序列數(shù)據(jù)庫的處理。為此，本文首先提出一種針對變值單項(xiàng)的聚集約束ACV（Aggregate Constraint with Varying value items），用于表示序列模式的聚集特征所需滿足的約束。其次，設(shè)計(jì)了一種利用ACV約束對無用序列模式修剪的算法，以迭代方式將初始序列數(shù)據(jù)庫劃分為若干序列信息向量，并挖掘滿足給定ACV約束的序列模式。在合成數(shù)據(jù)集和實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文算法的剪枝策略減少了所需檢測的候選序列模

7、式，從而提高了挖掘效率。
　　 (3)針對基于協(xié)同過濾的個性化推薦需要識別出與其有相似興趣客戶的問題，研究了基于社團(tuán)挖掘的金融客戶細(xì)分方法。針對傳統(tǒng)分類方法在解決客戶細(xì)分時存在的問題，本文提出基于社團(tuán)挖掘的客戶細(xì)分方法。該方法既可以通過客戶特征相似性，也可以通過行為相似性，建立客戶社會網(wǎng)絡(luò)結(jié)構(gòu)，并針對該網(wǎng)絡(luò)挖掘得到對應(yīng)不同客戶群體的社團(tuán)。在標(biāo)準(zhǔn)數(shù)據(jù)以及金融客戶數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，本文提出的方法是有效的。
　　 (4)

8、在客戶細(xì)分基礎(chǔ)上，研究在每個客戶群中分別進(jìn)行關(guān)聯(lián)分析，實(shí)現(xiàn)基于協(xié)同過濾的個性化推薦的方法。關(guān)聯(lián)規(guī)則挖掘是解決推薦問題的傳統(tǒng)方法之一。然而，金融客戶成千上萬，每天都可能產(chǎn)生大量的交易數(shù)據(jù)，由此形成的客戶交易數(shù)據(jù)庫規(guī)模龐大。如果對其直接進(jìn)行關(guān)聯(lián)分析，不僅需要過高的時空代價，更主要的是在差異很大的客戶群體中直接挖掘關(guān)聯(lián)規(guī)則，得到的關(guān)聯(lián)規(guī)則缺乏針對性，從而大大降低交叉銷售和個性化服務(wù)的實(shí)施效果。為了解決該問題，本文提出一種基于客戶細(xì)分金融產(chǎn)品

9、個性化推薦方法。該方法首先根據(jù)客戶的興趣和行為特征，將金融客戶細(xì)分成代表不同興趣偏好的多個客戶群體，然后在各客戶群體中分別進(jìn)行關(guān)聯(lián)分析。該方法不僅能有效降低關(guān)聯(lián)規(guī)則挖掘所需的時空代價，而且使得挖掘得到的關(guān)聯(lián)規(guī)則更具針對性，從而可有效提高交叉銷售和個性化推薦的效果。
　　 (5)針對金融客戶對產(chǎn)品興趣發(fā)生變化從而影響推薦效果的問題，研究了考慮興趣漂移的個性化推薦方法。眾所周知，在實(shí)際應(yīng)用中，由于受到各種因素的影響，金融客戶的投資