CN111428181A - 一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法 - Google Patents

Abstract

基于广义加性模型结合矩阵分解的银行理财产品推荐方法，涉及到银行理财产品管理***中的数据处理技术领域，解决现今银行理财产品推荐方法或无可解释性，或精度不佳的技术问题，包括步骤：步骤1、对数据进行特征提取处理；将原始输入划分为用户信息，产品信息以及行为信息；步骤2、分别对用户信息和产品信息建立广义加性模型；步骤3、针对残差部分对用户行为信息采用矩阵分解拟合；步骤4、采用迭代法，重复步骤2至步骤3，直至模型收敛；步骤5、通过结合广义加性模型和矩阵分解模型，得到最终预测结果。在保证推荐高精度的前提下,可以给出线性部分以及矩阵分解部分各种的模型解释。解决现今推荐***最大的冷启动的问题。以提升用户对于推荐的可信度，从而提升推荐质量。

Description

一种基于广义加性模型结合矩阵分解的银行理财产品推荐 方法

技术领域

本发明涉及到银行理财产品管理***中的数据处理技术领域，具体涉及到银行理财产品推荐处理方法。

背景技术

随着大数据时代的到来，精准营销在当今社会显得越来越重要，其在银行金融行业有着巨大的作用以及发展潜力。然而精准营销其中最重要的一个环节之一就是个性化推荐，通过给与不同用户不同的推荐内容，在降低营销成本的同时可以提高用户效应率。

现今的个性化推荐算法，例如DeepFM等深度学习算法，虽然可以得到较好的精度，即可以较好的抓取用户过去的历史行为信息，然而存在着推荐结果无法解释的问题，这使得用户可信度降低，同时假如推荐结果不佳，无法进行解释和修改，因此会带来非常多的问题。

传统的线性方法，虽然有着较好的可解释性，然而存在模型精度不足并且无法适用于稀疏矩阵数据等问题，因此无法直接用于个性化推荐，因此需要找到一个平衡，在高精度的前提下，保证模型的可解释性。

发明内容

综上所述，本发明的目的在于解决现今银行理财产品推荐方法或无可解释性，或精度不佳的技术问题，而提出的一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法，在保证高精度的同时，提供模型的可解释性，能够提高使用者对于模型的可信度，以提高个性化推荐的实用性。

为解决本发明所提出的技术问题，采用的技术方案为：

一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于所述方法包括如下步骤：

步骤1、对数据进行特征提取处理；将原始输入划分为用户信息，产品信息以及行为信息；

步骤2、分别对用户信息和产品信息建立广义加性模型；

步骤3、针对残差部分对用户行为信息采用矩阵分解拟合；

步骤4、采用迭代法，重复步骤2至步骤3，直至模型收敛；

步骤5、通过结合广义加性模型和矩阵分解模型，得到最终预测结果。

作为对本发明作进一步限定的技术方案包括有：

步骤1中，在对原始输入划分为用户信息，产品信息以及行为信息之后，还对于用户信息和产品信息进行数据预处理方式；对用户购买或点击过产品信息的行为信息构建稀疏矩阵。

对于用户信息和产品信息进行数据预处理方式的步骤包括：(1)、使用0 对数据进行缺失值填充；(2)、去除数据异常值；(3)、将分类变量进行哑变量化进行处理；(4)、对数据进行归一化。

行为信息构建稀疏矩阵的步骤包括：提取所有不重复用户向量U＝ {u₁,u₂,...,u_n}；提取所有不重复产品向量V＝{v₁,v₂,...,v_m}；通过UV交互得到交互矩阵M_(n*m)，其中无信息位置用0填充。

对用户信息和产品信息建立广义加性模型中广义加性模型的表示为：

y_Linear＝β₀+β₁f₁(X₁)+β₂f₂(X₂)+...+β_sf_s(X_s)；

其中X1,...,X_x为数据的用户信息和产品信息各个变量数据，β为对应参数，

f为对应的非参光滑函数。

f为对应的非参光滑函数，其中非参光滑函数为：非参光滑函数采用光滑样条函数、核函数或者局部回归光滑函数；采用两层全连接加输出层的神经网络子网络结构实现非参光滑函数。

所述两层全连接加输出层的神经网络子网络结构表示为：

其中l₁,l₂分别是两层全连接层的节点数，x为该非参光滑函数的输入数据。

所述步骤3中，针对残差部分对用户行为信息采用矩阵分解拟合的结果表达为：

其中x_u，y_i分别是用户id和产品id；

针对残差部分对用户行为信息采用矩阵分解拟合的步骤为：首先，计算线性部分拟合后残差

然后对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，得到M₁；M₁中数据作为矩阵分解模型部分输出；

对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的目标函数表示为：

其中x_u,y_i分别是矩阵分解得到的两个子矩阵，λ为正则化系数。

对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的训练方法为：分别固定两个子矩阵，求另一个子矩阵在所述的目标函数的偏导数，可得：

最终结果矩阵表示为：

所述步骤4中，采用迭代法，重复步骤2至步骤3，直至模型收敛的方法为：

在每个部分模型训练完成后，对比上一个模型的模型精度，如果满足两个步骤的精度提升都小于阈值，则说明模型收敛，提前终止模型训练；所述通过结合广义加性模型和矩阵分解模型，得到最终预测结果的表示为：

y＝y_Linear+y_MF；

根据上述表达对于每个用户生成一组预测y值进行排序，选出N个理财产品进行推荐，以实现可解释个性化推荐。

本发明的有益效果为：本发明与现有技术相比具有以下优点：

1、使用广义加性模型结合矩阵分解的方法，在保证推荐高精度的前提下,可以给出线性部分以及矩阵分解部分各种的模型解释。

2、线性部分可解释可以得知每个用户更关注哪些产品特征，或者每个产品更适合哪个群体的用户，这样就可以解决现今推荐***最大的冷启动的问题。

3、矩阵分解部分可解释，可以找出相似的用户群和产品群，给出为什么推荐的理由，以提升用户对于推荐的可信度，从而提升推荐质量。

附图说明

图1为本发明一实施例提供的于广义加性模型结合矩阵分解的银行理财产品推荐方法的流程图。

图2为本发明采用的广义加性模型结合矩阵分解的整体模型图；

图3为本发明采用的广义加性模型的示意图。

图4为本发明的非参光滑函数子网络的示意图。

具体实施方式

以下结合附图和本发明优选的具体实施例对本发明的方法做进一步地说明。

参照图1中所示，基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于所述方法包括如下步骤：

步骤1、对数据进行特征提取处理；具体是将原始输入划分为用户信息，产品信息以及行为信息。用户信息包括用户的基本信息，包括其年龄，性别等个人信息，以及与银行相关的资产信息，负债信息等。产品信息指与产品相关的基础信息，包括产品类型，收益率等。用户行为信息指用户与产品的交互信息，包括用户点击理财产品记录，用户购买理财产品记录等。在特征提取处理之后，还对于用户信息和产品信息进行传统的数据预处理方式；对用户购买或点击过产品信息的行为信息构建稀疏矩阵。

对于用户信息和产品信息进行传统的数据预处理方式的具体步骤包括：(1)、使用0对数据进行缺失值填充；(2)、去除数据异常值；(3)、将分类变量进行哑变量化进行处理；(4)、对数据进行归一化。

对于行为信息构建稀疏矩阵的步骤包括：提取所有不重复用户向量 U＝{u₁,u₂,...,u_n}；提取所有不重复产品向量V＝{v₁,v₂,...,v_m}；通过UV交互得到交互矩阵M_(n*m)，其中无信息位置用0填充。

在精准营销项目中，

用于评估一个用户对特定产品点击的概率。

步骤2、如图2－4中所示，分别对用户信息和产品信息建立广义加性模型。使用广义加性模型的优点在于各个线性部分的变量均可得到解释，对于个性化推荐基给予直接的理论指导，并为冷启动问题提供解决方案。

对用户信息和产品信息建立广义加性模型中广义加性模型的表示为：

y_Linear＝P₀+P_lf₁(X₁)+P₂f₂(X₂)+...+β_sf_s(X_s)；

其中X1,...,X_s为数据的用户信息和产品信息各个变量数据，β为对应参数， f为对应的非参光滑函数，其中非参光滑函数为：非参光滑函数采用光滑样条函数、核函数或者局部回归光滑函数；采用两层全连接加输出层的神经网络子网络结构实现非参光滑函数。每个β分别可以表示每个特征的重要性程度，因此可以计算出每个特征对于是否购买某理财产品的影响程度，从而对新用户，通过其基础信息，可以给以其相关推荐，以解决冷启动问题。

所述两层全连接加输出层的神经网络子网络结构表示为：

其中l₁,l₂分别是两层全连接层的节点数，x为该非参光滑函数的输入数据。

步骤3、针对残差部分对用户行为信息采用矩阵分解拟合；拟合模型类似于其他神经网络模型，通过反向传播和求导链式法则对参数进行调整。

针对残差部分对用户行为信息采用矩阵分解拟合的结果表达为：

其中x_u，y_i分别是用户id和产品id。

针对残差部分对用户行为信息采用矩阵分解拟合的步骤为：首先，计算线性部分拟合后残差

然后对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，得到M₁；M₁中数据作为矩阵分解模型部分输出；

对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的目标函数表示为：

其中x_u,y_i分别是矩阵分解得到的两个子矩阵，λ为正则化系数，其中r_ui在本方法中指残差。λ(|x_u|²+|y_i|²)项通过引入正则化项，对原有矩阵进行软填充，而非直接硬填充，防止模型过拟合，提高了模型泛化能力。

对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的具体训练方法为：分别固定两个子矩阵，求另一个子矩阵在所述的目标函数的偏导数，可得：

最终结果矩阵表示为：

采用ALS法矩阵分解后，当保证子矩阵为低秩时，可以保留矩阵分解的可解释性，即通过对用户和理财产品进行分类后进行推荐，增加推荐的可信度。

步骤4、采用迭代法，重复步骤2至步骤3，直至模型收敛；

采用迭代法，重复步骤2至步骤3，交替迭代训练两部分模型，直至模型收敛的方法为：在每个部分模型训练完成后，对比上一个模型的模型精度，如果满足两个步骤的精度提升都小于阈值，则说明模型收敛，提前终止模型训练；所述通过结合广义加性模型和矩阵分解模型，得到最终预测结果的表示为：

y＝y_Linear+y_MF；

步骤5、通过结合广义加性模型和矩阵分解模型，得到最终预测结果。也即根据上述表达对于每个用户生成一组预测y值进行排序，选出N个理财产品进行推荐，最终实现可解释个性化推荐。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于所述方法包括如下步骤：

步骤1、对数据进行特征提取处理；将原始输入划分为用户信息，产品信息以及行为信息；

步骤2、分别对用户信息和产品信息建立广义加性模型；

步骤3、针对残差部分对用户行为信息采用矩阵分解拟合；

步骤4、采用迭代法，重复步骤2至步骤3，直至模型收敛；

步骤5、通过结合广义加性模型和矩阵分解模型，得到最终预测结果。

2.根据权利要求1所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：步骤1中，在对原始输入划分为用户信息，产品信息以及行为信息之后，还对于用户信息和产品信息进行数据预处理方式；对用户购买或点击过产品信息的行为信息构建稀疏矩阵。

3.根据权利要求2所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：对于用户信息和产品信息进行数据预处理方式的步骤包括：(1)、使用0对数据进行缺失值填充；(2)、去除数据异常值；(3)、将分类变量进行哑变量化进行处理；(4)、对数据进行归一化。

4.根据权利要求2所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：行为信息构建稀疏矩阵的步骤包括：提取所有不重复用户向量U＝{u₁，u₂，...，u_n}；提取所有不重复产品向量V＝{v₁，v₂，...，v_m}；通过UV交互得到交互矩阵M_(n*m)，其中无信息位置用0填充。

5.根据权利要求1所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：对用户信息和产品信息建立广义加性模型中广义加性模型的表示为：

y_Linear＝β₀+β₁f₁(X₁)+β₂f₂(X₂)+...+β_sf_s(X_s)；

其中X1，...，X_s为数据的用户信息和产品信息各个变量数据，β为对应参数，f为对应的非参光滑函数。

6.根据权利要求5所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：f为对应的非参光滑函数，其中非参光滑函数为：非参光滑函数采用光滑样条函数、核函数或者局部回归光滑函数；采用两层全连接加输出层的神经网络子网络结构实现非参光滑函数。

7.根据权利要求6所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：所述两层全连接加输出层的神经网络子网络结构表示为：

其中l₁，l₂分别是两层全连接层的节点数，x为该非参光滑函数的输入数据。

8.根据权利要求1所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：所述步骤3中，针对残差部分对用户行为信息采用矩阵分解拟合的结果表达为：

其中x_u，y_i分别是用户id和产品id；

针对残差部分对用户行为信息采用矩阵分解拟合的步骤为：首先，计算线性部分拟合后残差

然后对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，得到M₁；M₁中数据作为矩阵分解模型部分输出；

对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的目标函数表示为：

其中x_u，y_i分别是矩阵分解得到的两个子矩阵，λ为正则化系数。

9.根据权利要求8所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：对稀疏矩阵M采用ALS法针对残差拟合进行矩阵填充，其中ALS法的训练方法为：分别固定两个子矩阵，求另一个子矩阵在所述的目标函数的偏导数，可得：

最终结果矩阵表示为：

10.根据权利要求1所述的基于广义加性模型结合矩阵分解的银行理财产品推荐方法，其特征在于：所述步骤4中，采用迭代法，重复步骤2至步骤3，直至模型收敛的方法为：在每个部分模型训练完成后，对比上一个模型的模型精度，如果满足两个步骤的精度提升都小于阈值，则说明模型收敛，提前终止模型训练；所述通过结合广义加性模型和矩阵分解模型，得到最终预测结果的表示为：

y＝Y_Linear+Y_MF；

根据上述表达对于每个用户生成一组预测y值进行排序，选出N个理财产品进行推荐，以实现可解释个性化推荐。

Images