论文部分内容阅读
近年来,随着互联网金融时代的来临,国内的Peer-To-Peer Lending(以下简称P2P)网贷平台呈爆炸式增长,并且每个平台都有各自的网贷产品,面对繁多的P2P网贷产品,投资者很难在第一时间内挑选出适合自己的网贷产品。因此本文面向P2P网贷平台产品,提出混合推荐方法:用户方可以解决P2P网贷产品的信息过载问题,得到适合自己的网贷产品信息;平台方可以挖掘多个平台中的多种产品,解决长尾问题。使投资者与网贷平台可以达到共赢。本文针对P2P网贷产品的混合推荐方法具体内容如下:(1)改进的k-均值聚类算法:对k-均值聚类算法进行改进,加入粒子群优化算法确定初始中心点、AUTO-K算法确定最优化分类的k值大小。(2)改进的基于二部图网络结构的推荐算法:一种是简单改进边的权值为金额大小的二部图模型(简称WNBI);另一种是加入时间因素,综合考虑长期兴趣和短期兴趣的用户兴趣偏移模型的二部图模型(简称SNBI)。(3)混合推荐:加权线性混合WNBI模型和SNBI模型得到考虑了权重和时间两个因素的二部图模型(简称SWNBI),实验证明此模型在准确度方面效果最优。切换式混合:冷启动用户推荐——根据可解释性的产品聚类结果挑选产品列表进行推荐;有历史记录的用户——优先推荐根据SWNBI模型得到一个Top-N人人贷平台的产品列表+Top-N产品对应聚类类别中随机挑选的多平台产品列表。随机挑选的对应聚类产品既符合用户的偏好,又可以解决平台产品的长尾问题。本文的创新点包括:(1)结合了粒子群优化算法选择初始中心点和AUTO-K算法确定最优聚类数k,综合改进k-means聚类算法,并在本文中两次使用改进的聚类方法(第三章中多个平台产品的聚类结果;第四章中计算人人贷平台产品的用户兴趣集合)。(2)提出加入用户兴趣偏移模型的二部图模型(SNBI),加权线性混合了WNBI模型和SNBI模型,通过多次实验,得到系数分别为0.3和0.7。通过对比几种模型,得到改进的模型在准确度方面都优于原始模型,说明加入时间因素和投资金额因素两个方面综合改进传统二部图网络推荐模型是非常有必要的。(3)推荐列表最后结合聚类结果中的随机挑选的产品列表,解决了平台和产品的长尾问题。