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，正是當今業(yè)界研究的熱點問題。
　　本文結合銀行卡用戶分類及商戶推薦這一實際應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行為進行分析，為用戶構建分類模型。同時引入經(jīng)濟學中的長尾效應，更加準確的定向受眾群體。同時為了提高效率，通過樸素貝葉斯分類算法對用戶進行分類。引入遺忘曲線作為用戶消費行為的時間參數(shù)，提高了商戶推薦的合理性。引入商戶的空間集群效應，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，兩者加權得到組合型的方法?；贛apReduce模型對推薦算法進行了并行化，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練以及推薦。通過實驗對比證明，改進后的推薦算法在推薦準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改進推薦算法取得的主要成果有:
　　(1)引入長尾效應對用戶進行精確分類，提高推薦的針對性;
　　(2)引入時間（遺忘曲線）、空間參數(shù)，提高了推薦結果的準確性，解決了新項目的冷啟動問題;
　　(3)基于MapReduce模型，對算法進行并行化改造，提高了算法運行