基于海量銀行卡用戶(hù)行為的推薦算法研究.pdf

1、近年來(lái)，銀行業(yè)更多的提出了個(gè)性化定制的口號(hào)，市場(chǎng)和用戶(hù)也期待著更加個(gè)性化、更加多樣化的產(chǎn)品投入市場(chǎng)為用戶(hù)所使用。因此，通過(guò)用戶(hù)行為數(shù)據(jù)分析，進(jìn)行精確定向，并通過(guò)推薦算法，可以更好的拉近商家和用戶(hù)的距離。而基于海量用戶(hù)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(diǎn)問(wèn)題。
　　本文結(jié)合銀行卡用戶(hù)分類(lèi)及商戶(hù)推薦這一實(shí)際應(yīng)用場(chǎng)景的特點(diǎn)及需要解決的主要問(wèn)題，提出了一種基于時(shí)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(guò)對(duì)用戶(hù)歷史銀行卡消費(fèi)行為進(jìn)行分析，為用戶(hù)構(gòu)建分類(lèi)模型。同時(shí)引入經(jīng)濟(jì)學(xué)中的長(zhǎng)尾效應(yīng)，更加準(zhǔn)確的定向受眾群體。同時(shí)為了提高效率，通過(guò)樸素貝葉斯分類(lèi)算法對(duì)用戶(hù)進(jìn)行分類(lèi)。引入遺忘曲線作為用戶(hù)消費(fèi)行為的時(shí)間參數(shù)，提高了商戶(hù)推薦的合理性。引入商戶(hù)的空間集群效應(yīng)，計(jì)算商戶(hù)間的相似性，同時(shí)基于向量空間模型計(jì)算商戶(hù)間的相似性，兩者加權(quán)得到組合型的方法?；贛apReduce模型對(duì)推薦算法進(jìn)行了并行化，使得在處理海量的用戶(hù)行

3、為數(shù)據(jù)時(shí)可以更快的完成訓(xùn)練以及推薦。通過(guò)實(shí)驗(yàn)對(duì)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(zhǎng)尾效應(yīng)對(duì)用戶(hù)進(jìn)行精確分類(lèi)，提高推薦的針對(duì)性;
　　(2)引入時(shí)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(xiàng)目的冷啟動(dòng)問(wèn)題;
　　(3)基于MapReduce模型，對(duì)算法進(jìn)行并行化改造，提高了算法運(yùn)行