收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

面向金融营销问题的个性化推荐方法研究

叶红云  
【摘要】:金融营销受到金融企业的高度关注。随着金融领域信息化技术应用的飞速发展,包括网上银行业务的开展,以及数据仓库等技术的应用,如何应用包括个性化推荐在内的数据挖掘技术解决金融营销问题,已成为当前的一个研究热点。 金融营销的核心问题之一就是根据客户的特点,提供符合其个性化需求的金融产品与服务。在金融领域,随着技术与金融业务的迅猛发展,金融产品类型繁多,金融客户历史交易信息等数据量也在急剧增长,客户可能需要花费大量的时间来寻找自己感兴趣的产品。作为解决信息过载问题而产生的一种信息服务技术,个性化推荐系统根据客户的历史行为数据构建兴趣模型,并向其推荐可能感兴趣的信息。同样,该技术也可以引入金融领域以实现金融产品的推荐。 推荐方法是推荐系统的核心,目前研究最多的是基于内容的推荐系统、基于协同过滤的推荐系统。本文将从基于内容和基于协同过滤的两个角度分别对金融营销的个性化推荐方法展开研究。基于内容的金融产品个性化推荐中,内容对应于客户购买的产品信息。基于协同过滤的个性化推荐中,产品的推荐是根据与其有相似兴趣客户对产品的购买情况作出的。为了实现基于内容的个性化推荐,本文根据序列数据项所关联的权重性质不同,提出基于均值约束的序列模式挖掘方法,以及针对变值数据的序列模式挖掘方法。为了实现基于协同过滤的个性化推荐,本文提出了基于客户细分的个性化推荐,以及考虑兴趣漂移情况下的个性化推荐方法。 论文的主要工作和创新点如下: (1)针对基于内容的个性化推荐中,推荐的金融产品需要满足客户收益要求等约束的问题,研究了基于均值约束的序列模式挖掘方法。为推荐符合客户个性化需求的产品,往往会关注客户购买金融产品的模式,尤其是客户贡献度或者客户收益较高的那些金融产品购买序列模式。为此,我们将客户购买产品,即序列数据中的项(item),视为基于内容的个性化推荐中的“内容”,以根据内容相似性(即行为模式相似性)为客户推荐金融产品。同时,利用均值约束表达序列模式需要满足的客户贡献度、或者客户收益等的要求。本文针对均值约束的特性提出了满足度的概念,并基于满足度设计了相应的剪枝策略。在此基础上,设计了基于均值约束的序列模式挖掘算法MPAC。在IBM标准数据生成平台上产生的数据集的实验结果表明,本文提出的剪枝策略是有效的,同时提出的MPAC算法具有良好的性能。 (2)针对基于内容的个性化推荐中,所推荐产品所关联的是变值的问题,研究了适于变值数据的序列模式挖掘方法。在金融产品推荐中,如购买的数量或者购买时间不同所得收益不同。现有的各种算法均不涉及对变值序列数据库的处理。为此,本文首先提出一种针对变值单项的聚集约束ACV(Aggregate Constraint with Varying value items),用于表示序列模式的聚集特征所需满足的约束。其次,设计了一种利用ACV约束对无用序列模式修剪的算法,以迭代方式将初始序列数据库划分为若干序列信息向量,并挖掘满足给定ACV约束的序列模式。在合成数据集和实际数据集上的实验结果表明,本文算法的剪枝策略减少了所需检测的候选序列模式,从而提高了挖掘效率。 (3)针对基于协同过滤的个性化推荐需要识别出与其有相似兴趣客户的问题,研究了基于社团挖掘的金融客户细分方法。针对传统分类方法在解决客户细分时存在的问题,本文提出基于社团挖掘的客户细分方法。该方法既可以通过客户特征相似性,也可以通过行为相似性,建立客户社会网络结构,并针对该网络挖掘得到对应不同客户群体的社团。在标准数据以及金融客户数据上的实验结果表明,本文提出的方法是有效的。 (4)在客户细分基础上,研究在每个客户群中分别进行关联分析,实现基于协同过滤的个性化推荐的方法。关联规则挖掘是解决推荐问题的传统方法之一。然而,金融客户成千上万,每天都可能产生大量的交易数据,由此形成的客户交易数据库规模庞大。如果对其直接进行关联分析,不仅需要过高的时空代价,更主要的是在差异很大的客户群体中直接挖掘关联规则,得到的关联规则缺乏针对性,从而大大降低交叉销售和个性化服务的实施效果。为了解决该问题,本文提出一种基于客户细分金融产品个性化推荐方法。该方法首先根据客户的兴趣和行为特征,将金融客户细分成代表不同兴趣偏好的多个客户群体,然后在各客户群体中分别进行关联分析。该方法不仅能有效降低关联规则挖掘所需的时空代价,而且使得挖掘得到的关联规则更具针对性,从而可有效提高交叉销售和个性化推荐的效果。 (5)针对金融客户对产品兴趣发生变化从而影响推荐效果的问题,研究了考虑兴趣漂移的个性化推荐方法。众所周知,在实际应用中,由于受到各种因素的影响,金融客户的投资兴趣可能会随时间推移而不断变化,即客户兴趣发生了漂移。为此,本文提出一种考虑客户兴趣漂移的图结构推荐算法。该算法首先映射每个客户的评分序列到兴趣序列,并通过兴趣序列对评分项加权。其次,利用基于资源分配的二部图投影算法构建项之间的关联图。最后,利用兴趣加权的评分项构造客户的特征向量并通过在项关联图上进行带重启动的随机游走产生推荐序列。通过在Movielens数据集上与其它一些同类算法的比较验证了算法的有效性。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 高鹏,高岭,王峥,胡青山;基于Web挖掘的个性化算法及其在网络教学平台的应用[J];计算机应用;2005年05期
2 赵晓岚;张招杰;;数字化图书馆个性化推荐研究与实例[J];科技情报开发与经济;2011年23期
3 刘旭东;葛俊杰;;基于关联规则的个性化推荐在数字图书馆中的应用研究[J];德州学院学报;2010年02期
4 陈雪刚;杨磊;;一种支持个性化Web推荐的聚类分析[J];计算技术与自动化;2010年01期
5 霍亮;杨柳;张俊芝;;客户行为的Web挖掘及个性化推荐[J];河北大学成人教育学院学报;2009年04期
6 王立平;刘艳玲;;基于Web挖掘的个性化推荐系统的设计[J];萍乡高等专科学校学报;2009年06期
7 梁英;;电子商务个性化推荐技术研究[J];商场现代化;2007年26期
8 何振;陈龙辉;廖东方;刘杰;;OTA系统中的个性化应用推荐系统研究[J];电信科学;2007年06期
9 刘晨晨;蒋国银;;基于DMA的时间序列模式下顾客行为的个性化推荐[J];计算机应用;2007年11期
10 夏同胜;杜习英;;Web使用挖掘在电子商务中的应用研究[J];电脑知识与技术(学术交流);2006年36期
11 田伟;彭玉青;;基于电子商务应用的协同过滤技术改进综述[J];计算机工程与科学;2008年10期
12 王健;李卓玲;;基于Web挖掘的个性化网络教学系统的研究[J];沈阳工程学院学报(自然科学版);2006年04期
13 史旻昱;马辉民;彭义兵;;基于RSS的个性化网络广告推荐系统[J];武汉理工大学学报(信息与管理工程版);2009年04期
14 杨丽娜;刘科成;颜志军;;面向虚拟学习社区的学习资源个性化推荐研究[J];电化教育研究;2010年04期
15 罗文兵;吴润秀;王明文;朱莹婷;熊超;;基于结果聚类分析的个性化推荐模型[J];广西师范大学学报(自然科学版);2010年01期
16 廖亚莉,王锡钢,战学刚;电子商务的个性化服务[J];鞍山科技大学学报;2004年03期
17 马书刚;崔忠强;;多维关联规则推荐在商务站点中的应用[J];微计算机信息;2007年12期
18 薛蕴;;数字图书馆与个性化信息服务[J];河南图书馆学刊;2008年02期
19 秦颖;;一种基于Web使用挖掘的个性化推荐系统研究[J];软件导刊;2008年08期
20 李树青;徐侠;;CtoC电子商务站点中的个性化推荐技术[J];商场现代化;2009年18期
中国重要会议论文全文数据库 前10条
1 冯时;阳峰;王大玲;于戈;;基于虚拟观点社群的用户个性化推荐[A];第六届全国信息检索学术会议论文集[C];2010年
2 朱辉生;李存华;;序列模式挖掘的研究与实现[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
3 吴雯雯;王浩;杨静;;基于用户访问模式的个性化推荐算法研究[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年
4 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
5 左万利;刘居红;;包含正负属性的关联规则及其挖掘[A];第十六届全国数据库学术会议论文集[C];1999年
6 王宁;董淳;胡运发;陶晓鹏;;面向集合的关联规则挖掘算法[A];第十五届全国数据库学术会议论文集[C];1998年
7 李阳;徐锡山;韩伟红;郑黎明;徐镜湖;;网络安全事件关联规则的自动化生成方法研究与实践[A];全国计算机安全学术交流会论文集·第二十五卷[C];2010年
8 刘晋;王潜平;房坤;;基于agent技术和反馈机制的个性化推荐方法研究与设计[A];第二届和谐人机环境联合学术会议(HHME2006)——第2届中国人机交互学术会议(CHCI'06)论文集[C];2006年
9 周焕银;张永;;关联规则候选项频度规律研究[A];第二十届全国数据库学术会议论文集(技术报告篇)[C];2003年
10 方艳;别荣芳;;关联规则的有趣性研究[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
中国博士学位论文全文数据库 前10条
1 叶红云;面向金融营销问题的个性化推荐方法研究[D];合肥工业大学;2011年
2 刘蓓琳;电子商务用户个性化推荐技术接受影响因素研究[D];中国矿业大学(北京);2009年
3 易明;基于Web挖掘的电子商务个性化推荐机理与方法研究[D];华中科技大学;2006年
4 杨钤雯;序列模式挖掘方法及Web使用挖掘研究[D];天津大学;2010年
5 谢飞;带有通配符的序列模式挖掘研究[D];合肥工业大学;2011年
6 邓晓懿;移动电子商务个性化服务推荐方法研究[D];大连理工大学;2012年
7 张富国;基于信任的电子商务个性化推荐关键问题研究[D];江西财经大学;2009年
8 刘维;生物序列模式挖掘与识别算法的研究[D];南京航空航天大学;2010年
9 宋世杰;基于序列模式挖掘的误用入侵检测系统及其关键技术研究[D];国防科学技术大学;2005年
10 史旻昱;基于RSS的个性化网络广告推荐系统研究[D];华中科技大学;2008年
中国硕士学位论文全文数据库 前10条
1 秦凤蕊;个性化推荐技术研究及在数字图书馆中的应用[D];长春理工大学;2010年
2 蔡宏果;基于基因表达式编程的Web个性化推荐技术研究[D];广西师范学院;2010年
3 王双明;基于XML及关联规则的个性化推荐技术研究[D];重庆大学;2010年
4 张迎峰;面向数字图书馆的个性化推荐算法研究[D];中国科学技术大学;2011年
5 黄琴;Web数据挖掘的研究及其在网络学习个性化推荐中的应用[D];湖南大学;2004年
6 苗静;基于扩展邻居与语义树的个性化推荐算法研究[D];大连理工大学;2010年
7 章月兵;图书馆用户的多媒体资源使用行为分析[D];南京师范大学;2008年
8 刘继庆;基于相关度和关联属性偏好的个性化推荐算法研究[D];大连理工大学;2011年
9 丁一;基于Web挖掘的个性化推荐服务研究[D];华中科技大学;2004年
10 刘芳先;电子商务个性化推荐算法设计与实现[D];江苏大学;2010年
中国重要报纸全文数据库 前10条
1 商报记者 金朝力;当当布局手机购物战略[N];北京商报;2011年
2 安吉;卓越亚马逊2007年为用户省钱数亿[N];科技日报;2008年
3 国防科技大学计算机学院 应晓敏 窦文华;古老概念的凤凰涅槃[N];计算机世界;2003年
4 应晓敏 窦文华;条条道路通罗马[N];计算机世界;2003年
5 李新;卓越更名“卓越亚马逊”[N];中国新闻出版报;2007年
6 孙琎;想听音乐就啃“苹果”[N];第一财经日报;2008年
7 应晓敏 窦文华;技术架构[N];计算机世界;2003年
8 卓越亚马逊公关总监 高超;B2C发展空间大 用户体验是重点[N];中国电子报;2008年
9 张学琦;卓越亚马逊:国际赢利模式期待延续[N];中国电子报;2008年
10 惠琳;数据挖掘 提升核心竞争力[N];首都建设报;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978