• 快捷搜索
  • 全站搜索

协同过滤推荐算法助力银行产品营销

2014-06-18 17:33:32作者:长沙银行 贺青春编辑:金融咨询网
推荐算法是提升互联网业务用户体验的重要技术手段。本文将银行营销系统的两种需求分别对应到算法中,建立了两个推荐模型,将有助于银行精准营销和交叉营销。

推荐算法目前已被广泛用于互联网业务中,极大地提升了用户体验,其中使用最广泛、最成功的是协同推荐算法。它分为基于用户的和基于项目的,亦可被应用于银行营销系统。本文将银行营销系统的两种需求分别对应到算法中,建立了两个推荐模型,将有助于银行精准营销和交叉营销。

一、银行营销系统的应用需求

  1.给客户推荐产品。当客户进入银行的网点、网站或手机应用时,应该提示客户可能需要的产品。给客户推荐产品适用基于用户的协同过滤推荐算法,主要考虑给同一客户群或客户群的最近邻居推荐产品。

  客户群,即部分属性相同的客户的集合,引入此概念,将客户进行预先聚类,是为了通过重复应用运算结果减少运算量。客户群划分遵循这些规则:一是每个客户有若干属性,一个或多个属性相同的客户组成一个客户群,客户选择某个产品可作为客户属性;二是根据需要设立客户群,一个客户可属多个客户群;三是新建客户即归集到客户群,属性发生变化后重新做客户群归集。

  2.为产品寻找目标客户。客户经理为某个产品寻找目标客户时,系统将类似产品的客户显示给客户经理,客户经理根据此名单进行深度营销,有的放矢。为产品寻找目标客户适用基于项目的协同过滤推荐算法,主要考虑产品研发时明确定义目标客户群属性,或向新产品的最近邻居的客户群进行推荐。

  产品定义遵循这些规则:一是每个产品有若干属性,选择该产品的50%及以上客户的共同属性可作为产品属性;二是新产品推出即定义了属性,定期分析该产品客户属性,如有变化则及时更新;三是定期重新寻找产品的最近邻居,最近邻居亦可作为产品属性,并得到定期更新。

二、模型构建

  1.基于用户的协同过滤推荐模型。本模型的主要目标是通过构造一个基于用户的协同过滤推荐算法的输入,经过算法处理,产生推荐结果——向客户推荐产品。

  (1)输入。在一个典型的此类算法中,输入数据通常可以表述为一个m×n的用户与项目评价矩阵R,m是用户数,n是项目数,1.jpg是第i个用户对第j个项目的评价值。评价值可以是用二进制的0和1来表示的用户偏好(喜欢/不喜欢)或购买状态(已购买/未购买),也可以是用分级表示的用户对项目的偏好值,还可以是项目本身的属性值。

  在本模型中,银行客户群即用户,客户属性(包括是否购买某产品)被看作项目,即构成了一个输入矩阵(见表1)。为了便于计算,必须对输入矩阵中代表范围的值进行单值化处理,比如年龄段属性把0~5岁设为1,6~12岁设为2等等。

协同过滤推荐算法在银行营销系统中的应用-表1.jpg

  (2)处理。本模型的主要处理就是形成客户群的最近邻居集。确定最近邻居集有两种方法:一是根据预先确定的相似性阀值,选择相关性大于阈值的作为邻居用户;二是根据预先确定的邻居数N,选择相似性最大的前N个用户作为邻居用户。所以,本模型的核心任务是计算客户群之间的相似性。

  本模型的相似性度量采用距离度量法,把客户群2.jpg看作n维空间上的一个点,另一个客户群3.jpg2.jpg的相似度取决与n维空间上2.jpg3.jpg两点间的距离,距离越小,相似度越高。根据输入矩阵表1提供的值,考虑到客户不同属性对客户选择产品所产生的影响不同,可对每个属性设置相应的权重,设属性4.jpg对应的权重为5.jpg,则2.jpg3.jpg,的距离计算公式如下。

协同过滤推荐算法在银行营销系统中的应用-公式.jpg

  客户群2.jpg与m个客户群之间的距离通过上述公式计算,得到一个距离集合6.jpg,根据集合D中的数据,选取距离小于某个阀值的客户群,或者距离最小的前n个客户群,形成客户群Ci的最近邻居集7.jpg

  (3)产生推荐结果。最近邻居购买了的而客户群2.jpg没有购买的产品则是要向客户群2.jpg推荐的产品。设客户群已购买的产品集为8.jpg,最近邻居购买的产品集为8.jpg,向客户群推荐的产品集就是9.jpg8.jpg的差集:10.jpg

  2.基于项目的协同过滤推荐模型。本模型的目标是通过构造一个基于项目的协同过滤推荐算法的输入,经过算法的处理,产生推荐结果——为产品寻找目标客户。

  (1)输入。基于项目的协调过滤推荐算法的输入分为两部分,一部分是表示项目特征m×n矩阵,矩阵由m个项目的特征组成,每个项目有n个特征;另一部分是某个用户对项目的评分值。根据项目特征的相似性预估该用户对未评分项目的评分值。

 1 2 下一页 尾页

扫码即可手机
阅读转发此文

本文评论

相关文章