互聯(lián)網(wǎng)金融理財產(chǎn)品混合智能推薦策略的研究

項慨 朱倩倩 張帥 徐玲 賀靖文 張崟瀅

摘 要：隨著互聯(lián)網(wǎng)與金融的相互滲透，互聯(lián)網(wǎng)金融理財產(chǎn)品已逐步滲入人們的生活。本文采用基于內(nèi)容推薦、基于個性化情境的協(xié)同過濾推薦構建了一個混合推薦模型，引入兩次排名，從第一次排名過的TOP-N商品中，按照同類型產(chǎn)品收益率高低進行二次排名作為最終推薦結果。使互聯(lián)網(wǎng)金融理財產(chǎn)品由被動由消費者選擇轉為主動出擊，智能推薦，從而達到用戶與互聯(lián)網(wǎng)金融企業(yè)的雙贏的局面。

關鍵詞：互聯(lián)網(wǎng)金融理財產(chǎn)品;推薦技術;智能推薦;混合推薦

一、引言

近年來，互聯(lián)網(wǎng)金融發(fā)展迅速，根據(jù)CNNIC2018年7月發(fā)布的《第42次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，我國互聯(lián)網(wǎng)理財使用率由2017年末的16.7%提升至2018年6月的21.0%，互聯(lián)網(wǎng)理財用戶增加3974萬，半年增長率30.9%;用戶投資理財模式正由傳統(tǒng)金融理財產(chǎn)品轉向互聯(lián)網(wǎng)理財產(chǎn)品，但是在互聯(lián)網(wǎng)技術迅猛發(fā)展的條件下，信息過載問題嚴重，用戶在大量互聯(lián)網(wǎng)理財產(chǎn)品中甄別和選擇合適的理財產(chǎn)品比以往困難，容易追求熱門理財產(chǎn)品，大量優(yōu)質(zhì)卻冷門的理財產(chǎn)品無人問津。以上不僅會導致用戶購買互聯(lián)網(wǎng)理財產(chǎn)品的積極性降低，而且由于盲目選擇而導致的收益降低甚至損失也會降低用戶對互聯(lián)網(wǎng)理財產(chǎn)品的信任度，互聯(lián)網(wǎng)理財公司利潤受到影響。

隨著用戶多樣化、個性化的需求不斷增加，智能推薦策略已在智慧城市、廣播電視媒體、電子商務以及智慧旅游等領域得到較好的研究與應用。現(xiàn)階段針對互聯(lián)網(wǎng)金融理財產(chǎn)品的智能推薦技術研究領域，國內(nèi)學者王芮瑩提出了互聯(lián)網(wǎng)金融理財產(chǎn)品多粒度推薦模型，國內(nèi)學者周瑩提出了基于證券理財產(chǎn)品用戶行為分析的個性化推薦系統(tǒng)，但現(xiàn)階段針對互聯(lián)網(wǎng)金融理財產(chǎn)品的智能推薦技術研究較少。國外在互聯(lián)網(wǎng)金融理財產(chǎn)品的智能推薦技術研究比較成熟，且應用于實際的過程中。

二、常用推薦算法及比較

（一）基于內(nèi)容推薦

基于內(nèi)容推薦（CBF），通過分析用戶瀏覽或者購買過的商品特征，得到用戶興趣偏好模型，依據(jù)模型匹配符合條件的商品，推薦與這些商品相似的商品，通過整合分析以及完善將其推薦給用戶。CBF通常使用兩種方法：

1. 基于特征。將待推薦商品的相關特性用向量空間、概率、矢量權重向量或者貝葉斯模型的方法定義。用到的學習方法主要有神經(jīng)網(wǎng)絡法、決策樹法以及基于矢量表示法等。

2. 基于文本分類。在大規(guī)模的文本特征即單詞和短語上建立有效的分類方法，對所有的文本分類。

優(yōu)勢：推薦結果直觀;不需要領域知識;用戶偏好模型可隨用戶資料改變而改變;無新項目和稀疏性問題;為特殊愛好用戶推薦。

劣勢：存在新用戶冷啟問題;無法提供新穎性推薦;無法對音樂、圖像、視頻等非結構化項目進行推薦。

（二）協(xié)同過濾推薦

協(xié)同過濾推薦（CF），使用最近鄰技術，通過分析用戶的歷史購買評價數(shù)據(jù)得到用戶之間的相似性，從而產(chǎn)生目標用戶的最近鄰居集，并利用最近鄰居用戶對待推薦商品的評價預測目標用戶對這一商品的需求度，向用戶推薦合適商品。CF分為：

1. 基于內(nèi)存的協(xié)同過濾推薦。在系統(tǒng)運行的過程中將用戶—項目評分數(shù)據(jù)調(diào)入內(nèi)存然后進行協(xié)同過濾。有基于用戶和基于項目的協(xié)同過濾推薦。

2. 基于模型的協(xié)同過濾推薦。根據(jù)用戶興趣數(shù)據(jù)庫，用機器學習算法得到數(shù)學模型。主要有奇異值分解、聚類算法等技術。

優(yōu)勢：提供新穎性推薦;不需要領域知識;個性化、自動化程度高;處理非結構化對象;隨時間推移性能高。

劣勢：存在稀疏性、冷啟動問題;可擴展問題;用戶量規(guī)模大時推薦結果耗時。

（三）基于效用的智能推薦

首先為每個用戶建立效用函數(shù)，然后計算待推薦商品集和用戶需求的匹配度，通過比較用戶購買該商品后可能得到的效用作出推薦。

優(yōu)勢：考慮非產(chǎn)品屬性，用戶偏好敏感。

劣勢：每位用戶需要創(chuàng)建效用函數(shù);靜態(tài)推薦。

（四）基于知識的智能推薦

首先分析目標用戶的興趣愛好，得到用戶需求，從而為用戶提供推薦。目前流行的基于知識的智能推薦可分為如下三類：

1. 基于案例推理的推薦（CBR）。

2. 數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD）。

3. 基于知識推理（KR）。

優(yōu)勢：考慮非產(chǎn)品屬性。劣勢：知識難以獲取;靜態(tài)推薦。

（五）混合推薦

通過整合兩種以上智能推薦技術彌補或者避免單獨推薦技術的不足，以取得質(zhì)量更高的推薦結果。通過簡單的線性擬合或改進等措施，能給企業(yè)帶來利益，用戶黏性得到增加，用戶對智能服務的滿意度也得到提高。

三、互聯(lián)網(wǎng)金融理財產(chǎn)品智能推薦

（一）用戶建模與更新

1. 用戶建模

（1）收集用戶信息

用戶隱示輸入信息，包括用戶打開互聯(lián)網(wǎng)理財產(chǎn)品頁面的頻率以及瀏覽時間，用戶是否對某一理財產(chǎn)品有收藏或者分享的行為，通過服務器保存的用戶日志進行記錄和使用。用戶顯示輸入信息，收集用戶對理財產(chǎn)品或關鍵詞的搜索信息以及各種形式的調(diào)查報告。用戶基本信息，包括用戶的注冊信息及之后填寫的基本信息，且為了保證推薦算法的實時性，基本信息每隔一段時間都應該通過一種方法進行主動或者被動更新。

（2）建立用戶模型

基于布爾或者加權關鍵詞向量構建用戶模型。

2. 用戶模型更新

如果用戶產(chǎn)生了新的行為，要對用戶行為的合法性進行判斷，根據(jù)用戶行為的分類來決定是否需要采集用戶的行為，然后再次構建適合用戶的模型。更新不能太過頻繁，但也不能隔太久才更新。

（二）推薦算法

1. 基于向量空間模型的內(nèi)容推薦。首先對資源進行特征提取，然后比較內(nèi)容之間的相似度，有針對的為用戶推薦。經(jīng)常使用的算法為K最近鄰算法，通過向量空間模型計算所有項目個體的相似度，找到空間上與之最相近的K個項目。具體步驟如下：

提取特征詞，并賦予不同的權重。構建項目相似度模型。生成相關度矩陣。根據(jù)相關度矩陣選取相關度最高的N個資源。

以上為傳統(tǒng)算法，基于引導用戶多樣化投資、分散風險的目的，僅僅推薦多類型的理財產(chǎn)品還不夠。當生成N個推薦結果中的同類型理財產(chǎn)品有多個時，應當把同類型的多個理財產(chǎn)品按照一定時間內(nèi)的收益率細分為低、中、高三個等級（負收益率為低收益率等級），分別按比率取三個等級前M個產(chǎn)品作為最終的推薦結果展示給用戶。

2. 基于用戶的協(xié)同推薦。首先創(chuàng)建用戶項目評分矩陣，根據(jù)評分矩陣計算用戶間的相似性。然后構建鄰居模型M，從鄰居模型M中讀取與目標用戶u最為相似的k個鄰居用戶作為興趣相投的鄰居用戶Neb（u，k）。最后為目標用戶u推薦鄰居用戶知道并且喜歡的而目標用戶u未知的N個項目。具體步驟如下：

（1）相似性度量

首先對各種符號作如下約定：Rm×n=[r1，r2，…ri…rm]為用戶評分矩陣，其中ri=[ri1，ri2，…rin]。T為用戶u的評分向量，表示下表中的第i行，rj代表用戶v的評分向量。Tu、Tv分別表示用戶u和用戶v評過分的項目集合。■分別表示用戶u、v對所有項目的平均打分。■表示所有用戶對項目i的平均打分。用戶集合為U，項目集合為I。

因此，在理財產(chǎn)品智能推薦算法中可以采用修正后的余弦相似度或皮爾遜相似度去度量用戶相似性。

修正后的余弦相似度：

皮爾遜相似度：

（2）確定最近鄰居

在得到用戶與目標用戶的相似性后，選擇合適的相似性閥值，選取相似性大于閥值的作為鄰居用戶，或者選擇N個相似性最大的用戶作為鄰居用戶。

（3）產(chǎn)生推薦

用戶對目標項目i的預測評分：

加權后用戶對目標項目i的預測評分：

由于協(xié)同過濾推薦存在數(shù)據(jù)稀疏性問題，用戶只對很少一部分項目有評分。需要先對項目進行處理，一般可以用聚類或者矩陣填充的方法解決。對于互聯(lián)網(wǎng)金融理財產(chǎn)品的智能推薦，可以采用矩陣填充的方法，使用平均值對缺省值進行填充，將稀疏矩陣轉換為密集矩陣。

3. 在基于協(xié)同過濾的基礎上加入個性化情境。個性化情境分為兩類：用戶情境和環(huán)境情境，但本文不涉及環(huán)境情境。用戶情境由用戶基本信息組合，包括性別，年齡，職業(yè)，受教育程度，家庭月收入，家庭總資產(chǎn)凈值，期望投資期限，投資態(tài)度，用n元組Cu表示，具體描述如下：

其中，性別由集合Sex表示，由2種性別構成，即男、女;年齡由集合Age表示，由6個年齡段構成，即18歲以下，18-25，26-50，51-60，61-64，65歲以上;職業(yè)由集合Occupation表示，由8大類職業(yè)構成，即政府機關，事業(yè)單位，國企，私企，金融機構，學生，退休人員，其他;受教育程度由集合Education表示，由4種受教育程度構成，即初中及以下，高中，大專或本科，碩士、博士及更高;家庭月收入由集合Income表示，由6種收入情況構成，即均待業(yè)暫未收入，2000以下，2000-6000，6000-10000，10000-20000，20000以上;家庭總資產(chǎn)凈值由集合TotalAssets表示，由5種資產(chǎn)凈值表示，即15萬元及以下，15萬元-50萬元，50萬元-100萬元，100萬元-1000萬元，1000萬元以上;期望投資期限由集合Term表示，由4種期望表示，即隨時取出，6個月以內(nèi)，6個月到一年，一年以上;投資態(tài)度由集合Attitude表示，由4種投資態(tài)度構成，即厭惡風險，保守投資，尋求資金的較高收益和成長，希望賺取高回報，能接受為期較長期間的負面波動包括本金損失。

在對情境信息進行描述之后，接下來對用戶進行聚類分析，將用戶群體劃分成多個不同用戶集合，使同一集合內(nèi)的用戶相似度較高（具有相似情境），不同集合間的用戶相似度低（情境相差較大）。設用戶集合為■，對于任意用戶Ui其情境定義Ci如下：■;利用相異度矩陣來描述情境數(shù)據(jù)之間的差異，情境相異度d（Ci，Cj）的計算方式如下：■。

其中，情境由L個混合變量組成，■和■為指示函數(shù)，如果Ci或者Cj中的第v個變量的度量值缺失，那么■=0，否則■=1;如果Ci和Cj中的第v個變量的度量值相同，那么■=1，否則■=0。d（Ci，Cj）越接近1，則說明Ci和Cj相似度越大，反之，說明Ci和Cj相似度越小。根據(jù)實際情況，當d（Ci，Cj）的值在一定范圍內(nèi)時，認為Cj是Ci的一個相似聚落。

4. 基于個性化情境加入評分的協(xié)同推薦。即使Cj是Ci的一個相似聚落，仍需繼續(xù)對同一聚落的用戶進行劃分。在現(xiàn)實生活中，用戶通常會在網(wǎng)站上進行交互活動（評論，評分等行為），而這種交互活動會對其他用戶的購買行為產(chǎn)生直接或間接的影響。下面闡述加入評分的算法并結合上述加入個性化情境的算法進行分析。

首先在通過上述加入個性化情境的協(xié)同推薦得到的相似聚落中建立一個用戶-產(chǎn)品評分的關系矩陣。設用戶集合為■，產(chǎn)品集合為■，用戶-產(chǎn)品評分矩陣為R。評分由[0，0.1，1]三種組成，其中0表示未評，0.1表示差評，1表示好評。例如：Rij=0表示用戶Ui對產(chǎn)品Ij未進行評價;Rij=0.1表示用戶Ui對產(chǎn)品Ij差評，Rij=1表示用戶Ui對產(chǎn)品Ij好評。

在Rij的基礎上建立用戶關系矩陣■，

M用于描述不同用戶對相同產(chǎn)品進行評分的情況。Cpqj表示用戶Up和Uq同時對產(chǎn)品Ij的評分情況。其中：

則設一函數(shù)■表示Up和Uq對所有產(chǎn)品評分相同的數(shù)量，另設一函數(shù)■表示Up和Uq共同參與評分的產(chǎn)品數(shù)，Cpqj表示用戶Up和Uq是否同時對產(chǎn)品Ij進行評分。其中■，評分相異度為：■。

其中Md越接近1，表示Up和Uq對產(chǎn)品的評分情況越相近，表明兩者對產(chǎn)品的喜好越相近;反之則表示兩者對產(chǎn)品的喜好越相異。同樣的，根據(jù)現(xiàn)實情況，Md將在一定差異范圍內(nèi)的用戶認為是相似用戶，再將Md和d（Ci，Cj）定為權重將目標用戶的相似用戶的喜好產(chǎn)品進行計算，得分前三的產(chǎn)品推薦給目標用戶。

四、基于混合推薦的互聯(lián)網(wǎng)理財產(chǎn)品智能推薦方案

（一）混合推薦技術主要組合策略

混合推薦技術的思想是將不同的推薦技術按照某種方法進行組合，以發(fā)揮各種推薦技術的優(yōu)點，彌補其缺點，產(chǎn)生更優(yōu)的推薦結果。不同組合策略的推薦效率不同，推薦結果也不同。目前常用組合策略有以下幾種：

1. 加權混合法：首先采用多種推薦技術，然后分別得到對某一項目的預測評分，根據(jù)不同的權重相加，得出推薦結果。

2. 切換混合法：具體采用哪一種推薦技術取決于當時的需求和實際情況，根據(jù)應用場合不同切換不同推薦技術。

3. 流水混合法：一種推薦技術的結果輸出作為另一種推薦技術的輸入繼續(xù)推薦。

4. 特征組合法：組合來自不同推薦數(shù)據(jù)源的特征并被一種主要推薦算法所采用。

5. 交叉混合法：幾種推薦方法同時進行，產(chǎn)生的結果是由各種方法所得結果的混合。

6. 分級混合法：一種推薦方法使用其他推薦方法構建的模型進行推薦。

（二）互聯(lián)網(wǎng)金融理財產(chǎn)品混合推薦的組合策略

基于上述幾種推薦方法的比較分析，互聯(lián)網(wǎng)金融理財產(chǎn)品的混合推薦適合以下兩種組合策略：

1. 交叉混合法。將基于內(nèi)容推薦和基于用戶的協(xié)同過濾推薦產(chǎn)生的結果按相應比例組合在一起，如果兩個算法有共同的推薦結果，應該先合并并展示共同的推薦結果，如果存在沖突，還需要提供沖突解決方案。

2. 切換混合法。在沒有足夠的用戶評分數(shù)據(jù)或是用戶購買、瀏覽記錄時，切換至基于知識的推薦;當有足夠的用戶評分數(shù)據(jù)或是用戶購買、瀏覽記錄時，切換至基于內(nèi)容和基于用戶的協(xié)同過濾推薦的交叉混合法。當需要突然時時在線更新時，也可以切換至基于知識的推薦。

（三）互聯(lián)網(wǎng)金融理財產(chǎn)品混合推薦模型

1. 用戶數(shù)據(jù)模塊。如果存在較多用戶信息，則收集用戶狀態(tài)、屬性數(shù)據(jù)。用戶行為數(shù)據(jù)通過行為日志提取，經(jīng)過數(shù)據(jù)預處理之后，與用戶狀態(tài)、屬性數(shù)據(jù)一起表示為用戶特征。

2. 物品特征模塊根據(jù)用戶特征向量，分別采用基于內(nèi)容、基于知識、基于用戶的協(xié)同過濾技術篩選出相關物品應該具備的特征。

3. 候選物品模塊。根據(jù)相關的數(shù)據(jù)表，篩選出候選物品的集合，產(chǎn)生初始推薦物品。并將基于內(nèi)容、基于知識、基于用戶的協(xié)同過濾技術篩選出的物品分別存儲在獨立的單元。

4. 過濾模塊。將獨立單元中的物品分別過濾出已推薦和未推薦過的候選物品，基于互聯(lián)網(wǎng)理財產(chǎn)品的特性，如果存在較多的已推薦過的物品，應該保留少部分已推薦過的物品。

5. 排名模塊。在各獨立單元的候選物品中，給準確性和覆蓋度附以較高的權重，新穎度和多樣性附以相對較低的權重分別對已推薦和未推薦的物品進行排名。

6. 同類型產(chǎn)品排名模塊。在各獨立單元的候選物品中，如果同類型產(chǎn)品有多個。取第一次排名靠前的n個候選物品，按產(chǎn)品類型分類，然后按同類型產(chǎn)品的收益率排名。如果同類型產(chǎn)品較少，則不予排名，直接取TOP-N產(chǎn)品。

7. 推薦結果模塊。如果用戶信息量較少或者計算復雜，則切換為基于知識的推薦算法，調(diào)取基于知識的經(jīng)過過濾和兩次排名的產(chǎn)品。如果用戶信息量較多或者計算相對簡單，切換為基于內(nèi)容和基于用戶的協(xié)同推薦混合模型，采取交叉混合方法，根據(jù)對應的權重，調(diào)取基于內(nèi)容的經(jīng)過過濾和兩次排名的i個產(chǎn)品，調(diào)取基于用戶的協(xié)同過濾經(jīng)過過濾和兩次排名的j個產(chǎn)品。

8. 更新與反饋。如果用戶對推薦的結果長時間無行為狀態(tài)，則修正推薦模型。如果用戶的屬性信息、狀態(tài)信息、行為信息發(fā)生改變，需要以合適的時間更新用戶模型。

五、總結與展望

本文在對比分析以往智能推薦算法優(yōu)缺點的基礎上，提出了基于內(nèi)容、基于用戶的協(xié)同推薦、基于知識三者于一體的混合推薦，引入切換混合、交叉混合兩種混合策略，能在不同情形下動態(tài)切換。避免了推薦的理財產(chǎn)品過于同質(zhì)化，信息過載問題普遍的今天，對于欠缺理財知識的新用戶，通過智能推薦可以減輕用戶選擇的憂慮，對于積累了一定理財知識的用戶，可以快速定位合適的產(chǎn)品，合適的推薦能減少用戶流失率而為公司帶來增值效益。

但由于專業(yè)知識限制，本文在算法上還有許多缺陷和不足之處，對于理財產(chǎn)品的特殊性考慮也較少。未來還需要在以下方面改進：未充分考慮理財產(chǎn)品和普通商品的差異;

對于推薦結果的評價，除了傳統(tǒng)的評價方法，理財產(chǎn)品的推薦結果評價應該能夠盡量避免結構化風險;需要構建一個適合理財產(chǎn)品的動態(tài)推薦系統(tǒng)。

參考文獻：

[1] 郎鵬程.基于用戶協(xié)同過濾推薦技術的研究與實現(xiàn)[D].寧夏：寧夏大學，2017.

[2] 王芮瑩.互聯(lián)網(wǎng)金融理財產(chǎn)品多粒度推薦模型研究[D].重慶：重慶工商大學，2018.

[3] 汪瑜彬.基于混合協(xié)同過濾的電影推薦系統(tǒng)的設計與實現(xiàn)[D].北京：北京工業(yè)大學，2016.

[4] 張春麗，張濤.基于用戶社會關系推送理財產(chǎn)品的研究[J].電腦知識與技術，2016，（12）.

[5] 張松蘭.智能推薦算法研究綜述[J].長春師范大學學報，2017，（36）.

[6] 周瑩.基于證券理財產(chǎn)品用戶行為分析的個性化推薦研究[D].成都，電子科技大學，2014.

[7] 朱子江，劉東，劉壽強.基于用戶行為的推薦算法研究[J].軟件導刊，2017，（16）.