CN107194723B - 网络小额贷款中借款项目与出借人的双向匹配推荐方法 - Google Patents

Abstract

本发明公开了一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，该方法采取了将两个不同的推荐方法整合为一体的随机游走网络。并且，在出借人方面，为了提高项目推荐的准确度和效果，本发明将随机游走网络的输出结果作为一个考虑风险与收益的优化模型的输入，由优化模型二次筛选出借款项目组合。采用该方法可以改善网络小额贷款平台的用户体验，提高效率。

Description

网络小额贷款中借款项目与出借人的双向匹配推荐方法

技术领域

本发明涉及推荐系统算法和互联网金融应用领域，尤其涉及一种网络小额贷款中借款项目与出借人的双向匹配推荐方法。

背景技术

网络小额贷款是一种新兴的贷款方式，通常发生于个人对个人(Peer-to-peer，P2P)借贷平台。网络小额贷款亦指P2P贷款，二者表示同一个概念。由于P2P贷款中所有的服务流程都是在线完成的，因此P2P平台的运营成本低于传统金融机构，同时，借款人可以以较低的利率筹集到钱，而出借人也能获得更高的回报。近年来，P2P贷款平台在国内外的发展都十分迅速。国外代表性的平台有Prosper、LendingClub等，国内则有人人贷、红岭创投等平台。图1形象地展示了网络小额贷款的交易流程。具体地，借款人(Borrower)首先在平台上发布一个借款项目，包含借款目的、借款金额、以及借款人的信用信息；在借款的周期内，不断有出借人(Lenders or Investors)选择是否出借一定的款项给借款人/借款项目。筹资完成后，如果借款项目能够收到足够的资金，那么整个的项目借款交易有效，之后借款人通过平台将本金和利息分期还款给出借人。

在借款项目筹集资金的过程中，存在两方面的核心问题。对于借款项目来说，如何找到潜在的出借人，完成资金筹集是最关键的；而对于出借人来说如何找到满足他们偏好的项目，同时，能够最小化出借的风险是他们所最关心的。然而，目前还没有较为有效的技术方案。

发明内容

本发明的目的是提供一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，通过双向推荐的方式达到借款人与出借人双赢的结果，改善了网络小额贷款平台的用户体验，提高了效率。

本发明的目的是通过以下技术方案实现的：

一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，包括：

分别建立借款项目数据库与出借人数据库，并根据借款项目与出借人的交易记录建立交易记录数据库；

利用借款项目数据库与出借人数据库分别对应的建立借款项目特征画像和出借人特征画像；

利用交易记录数据库中的借款项目与出借人的投资交易关系建立项目与出借人的二部图，并在建立的二部图执行随机游走，直至迭代收敛，获得出借人最终推荐列表与借款项目初步推荐列表；

根据借款项目特征画像和出借人特征画像建模出借人的投资情境，并结合所述借款项目初步推荐列表，来获得借款项目最终推荐列表。

所述利用借款项目数据库与出借人数据库分别对应的建立借款项目特征画像和出借人特征画像包括：

借款项目特征画像包括对当前借款项目的风险和收益的评估值，借款项目的收益评估值直接由利率决定，而风险评估值则通过预训练的逻辑斯蒂回归模型计算；借款项目特征画像用向量表示为：

其中

表示借款项目的收益评估值，

表示借款项目的风险评估值；通过预训练的逻辑斯蒂回归模型f(.)计算

其中，B是向量

的系数；

出借人特征画像包括风险承受能力与期望收益；出借人的期望收益与风险承受能力，将通过其过往的投资偏好计算得到；出借人特征画像用向量表示为

其中，P_i ^u表示出借人的期望收益，

表示出借人的风险承受能力；计算公式如下：

其中，Si表示出借人之前投过的并且已经结束还款的项目集合，a_ij表示投资的权重。

所述利用交易记录数据库中的借款项目与出借人的投资交易关系建立项目与出借人的二部图包括：

假设参与建立二部图的出借人共m个，借款项目共n个，出借人与借款项目分别为二部图中的两种节点，出借人节点集合为U＝{u₁,u₂,...,u_m}，借款项目节点集合为V＝{v₁,v₂,...,v_n}，第i个出借人对应的出借人节点为u_i，第j个借款项目对应的借款项目为v_j，当且仅当第i个出借人向第j个借款项目进行过投资交易时，节点u_i和v_j之间有边相连接，在二部图中的边具有双向权重，即p(u_i|v_j)与p(v_j|u_i)不一定相等；从出借人节点u_i到借款项目节点v_j的概率p(u_i|v_j)，由第i个出借人对第j个借款项目的投资额度占第i个出借人总投资额的比例所决定；而从借款项目节点v_j到达出借人节点u_i的概率p(v_j|u_i)，则由第i个出借人对第j个借款项目的投资金额在第j个借款项目当前筹集的总额中所占比例而确定，计算公式如下：

其中，M_ij表示第i个出借人对第j个借款项目的借款额度；Uv_j表示第j个借款项目在当前二部图中已经收到的出借人集合，u_k表示集合Uv_j中的第k个出借人，M_kj表示集合Uv_j中的第k个出借人u_k对第j个借款项目的借款额度；Vu_i表示第i个出借人在当前二部图中已经投资的借款项目集合，v_x表示集合Vu_i中的第x个借款项目，M_ix表示第i个出借人对集合Vu_i中的第x个借款项目v_x的借款额度，由此即可确定二部图中的结构及连接权重；之后，再根据市场的动态变化，实时地更新二部图的网络结构。

所述在建立的二部图执行随机游走，直至迭代收敛，获得出借人最终推荐列表与借款项目初步推荐列表包括：

每一次随机游走中，若以借款项目节点为起始节点，则以向量Pu来记录起始节点到达各个出借人节点的概率；若以出借人节点为起始节点，则以向量Pv来记录起始节点到达各个借款项目节点的概率；

对向量Pv＝{p(v₁),p(v₂),...,p(v_n)}，其每个分量p(v_j)代表到达对应节点v_j的概率，在随机游走中通过如下的迭代式进行更新：

对向量Pu＝{p(u₁),p(u₂),...,p(u_m)}，其每个分量p(u_i)代表到达对应节点u_i的概率，在随机游走中通过如下的迭代式进行更新：

其中，p^(t+1)(u_i)与p^(t)(u_i)分别表示迭代至第t步与t+1步的p(u_i)；p^(t)(v_j)与p^(t+1)(v_j)分别表示迭代至第t步与t+1步的p(v_j)；

将节点之间的转移概率归纳如概率转移矩阵M_uv与M_vu中，则概率向量的迭代过程简化表示为：

p^(t+1)v＝M_uvp^(t)u；

p^(t+1)u＝M_vup^(t)v；

假设每一次随机游走进行到任意节点时，有α的概率回到起始节点，有1-α的概率继续游走，则概率向量的迭代过程改进为：

p^(t+1)v＝(1-α)M_uv·p^(t)u+αp⁽⁰⁾u；

p^(t+1)u＝(1-α)M_vu·p^(t)v+αp⁽⁰⁾v；

其中，p⁽⁰⁾u、p^(t)u、p^(t+1)u分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pu；p⁽⁰⁾v、p^(t)v、p^(t+1)v分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pv；

利用收敛后的Pv与Pu向量来生成推荐列表；将收敛后的Pu向量的分量从高到低排列，选取前N个分量所代表的出借人作为出借人最终推荐列表；收敛后的Pv向量的分量从高到低排列，选取前N个分量所代表的借款项目作为借款项目初步推荐列表。

所述根据借款项目特征画像和出借人特征画像建模出借人的投资情境，并结合所述借款项目初步推荐列表，来获得借款项目最终推荐列表包括：

根据借款项目特征画像和出借人特征画像的描绘，出借人对借款项目的选择转化为一个优化问题：即在出借人当前持有的借款项目的投资情境下，在保证收益水平的基础上选择风险最低的借款项目组合；

将借款项目初步推荐列表用γ表示，则最终优化问题为：

其中，M_j'为借款项目初步推荐列表γ中第j'个借款项目的出借额度，

为借款项目初步推荐列表γ中第j'个借款项目的风险评估值；R、E分别表示风险、收益；

表示第i个出借人当前的投资情境，C_i表示一个集合，最后一个参数的下标是|C_i|，为集合C_i的势，也就是集合C_i中元素的总数，为一个整数，其中的

表示第j”个借款项目特征画像向量(j”＝1,2,...,|C_i|)，M_j”为第j”个借款项目的出借额度；M′为待推荐的出借人当前持有的借款项目的投资金额；

上述优化问题由梯度下降求的最后的稳定解，即借款项目初步推荐列表中借款项目的权重分配M，根据权重分配重新对借款项目初步推荐列表进行排序，并选取出满足收益要求且风险最低的借款项目组合列表，作为借款项目最终推荐列表。

由上述本发明提供的技术方案可以看出，1)将借款项目的推荐和出借人推荐整合到了一个框架中，可同时完成网络小额贷款中借款项目与出借人的双向匹配推荐，解决了网络小额贷款中借款人和出借人两方所最关心的问题。由于在不更改模型的情况下即可同时解决两个不同的推荐问题，因此在效率上高于传统推荐方法的简单组合。2)实时动态地建立并更新项目－出借人二部图网络，排除了大量的失效过期借款项目节点和不活跃的出借人节点，可以有效地控制随机游走网络的规模，极大地提高推荐结果的生成效率。3)对借款项目的收益和风险进行了评估，并结合出借人的收益风险偏好，对借款项目推荐集合进行了进一步的优化，更加充分的考虑了出借人的偏好，以及他当前的投资情境，能够得到准确的推荐结果，同时控制了风险。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的网络小额贷款交易示意图；

图2为本发明实施例提供的网络小额贷款中借款项目与出借人的双向匹配推荐方法的流程图；

图3为本发明实施例提供的网络小额贷款中借款项目与出借人的双向匹配推荐方法的框图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

图2为本发明实施例提供的网络小额贷款中借款项目与出借人的双向匹配推荐方法的流程图；如图2所示，其主要包括如下步骤：

步骤11、分别建立借款项目数据库与出借人数据库，并根据借款项目与出借人的交易记录建立交易记录数据库。

本发明实施例中，在网络小额贷款平台上，为借款项目、出借人分别建立数据库。借款项目数据库中应记录项目的借款人、借款额度、利率、起止时间、信用评分、向其借款的出借人等信息，出借人数据库则应记录出借人所投资过的所有项目及其相关信息。在这二者的基础上，再建立交易记录数据库，分别记录每一笔借款交易的金额、利率、时间、交易双方等信息。

步骤12、利用借款项目数据库与出借人数据库分别对应的建立借款项目特征画像和出借人特征画像。

本发明实施例中，利用建立的借款项目数据和出借人数据库，分别通过两个特征评估模型，为借款项目和出借人建立特征画像。

借款项目特征画像包括对当前借款项目的风险和收益的评估值，借款项目的收益评估值直接由利率决定，而风险评估值则通过预训练的逻辑斯蒂回归模型计算；借款项目特征画像用向量表示为：

其中

表示借款项目的收益评估值，

表示借款项目的风险评估值；通过预训练的逻辑斯蒂回归模型f(.)计算

其中，B是向量

的系数，可以利用已知历史借款数据及还款信息，通过最大似然法可以得到，即可用于新借款项目的风险评估。

出借人特征画像包括风险承受能力与期望收益；出借人的期望收益与风险承受能力，将通过其过往的投资偏好计算得到；出借人特征画像用向量表示为

其中，P_i ^u表示出借人的期望收益，

表示出借人的风险承受能力；计算公式如下：

其中，Si表示出借人之前投过的并且已经结束还款的项目集合，a_ij表示投资的权重。

步骤13、利用交易记录数据库中的借款项目与出借人的投资交易关系建立项目与出借人的二部图，并在建立的二部图执行随机游走，直至迭代收敛，获得出借人最终推荐列表与借款项目初步推荐列表。

首先，要根据借款项目与出借人的投资交易关系建立项目与出借人的二部图，借款项目与出借人分别为二部图中的两种节点。在二部图中，连接只存在于项目节点和出借人节点之间，这样的连接只发生在有直接投资交易关系的二者之间。每一个连接都是一条双向边，其权重由交易金额的比重所决定。

本发明实施例中，在构建二部图的过程中，只考虑当前正在筹资的借款项目和在最近一段时间内有过出借行为的出借人。因为，只有正在筹资的借款项目才需要推荐出借人，同时也才能够推荐给出借人作为投资的对象；而近期有过出借行为的出借人更有可能是当前市场上的活跃用户。

假设参与建立二部图的出借人共m个，借款项目共n个，出借人与借款项目分别为二部图中的两种节点，出借人节点集合为U＝{u₁,u₂,...,u_m}，借款项目节点集合为V＝{v₁,v₂,...,v_n}，第i个出借人对应的出借人节点为u_i，第j个借款项目对应的借款项目为v_j，当且仅当第i个出借人向第j个借款项目进行过投资交易时，节点u_i和v_j之间有边相连接，在二部图中的边具有双向权重，即p(u_i|v_j)与p(v_j|u_i)不一定相等；从出借人节点u_i到借款项目节点v_j的概率p(u_i|v_j)，由第i个出借人对第j个借款项目的投资额度占第i个出借人总投资额的比例所决定；而从借款项目节点v_j到达出借人节点u_i的概率p(v_j|u_i)，则由第i个出借人对第j个借款项目的投资金额在第j个借款项目当前筹集的总额中所占比例而确定，计算公式如下：

其中，M_ij表示第i个出借人对第j个借款项目的借款额度。Uv_j表示第j个借款项目在当前二部图中已经收到的出借人集合，u_k表示集合Uv_j中的第k个出借人，M_kj表示集合Uv_j中的第k个出借人u_k对第j个借款项目的借款额度；Vu_i表示第i个出借人在当前二部图中已经投资的借款项目集合，v_x表示集合Vu_i中的第x个借款项目，M_ix表示第i个出借人对集合Vu_i中的第x个借款项目v_x的借款额度，由此即可确定二部图中的结构及连接权重；之后，再根据市场的动态变化，实时地更新二部图的网络结构。

然后，执行随机游走。

每一次随机游走中，若以借款项目节点为起始节点，则以向量Pu来记录起始节点到达各个出借人节点的概率；若以出借人节点为起始节点，则以向量Pv来记录起始节点到达各个借款项目节点的概率；

对向量Pv＝{p(v₁),p(v₂),...,p(v_n)}，其每个分量p(v_j)代表到达对应节点v_j的概率，在随机游走中通过如下的迭代式进行更新：

类似的，对Pu＝{p(u₁),p(u₂),...,p(u_m)}，其每个分量p(u_i)代表到达对应节点u_i的概率，在随机游走中通过如下的迭代式进行更新：

其中，p^(t+1)(u_i)与p^(t)(u_i)分别表示迭代至第t步与t+1步的p(u_i)；p^(t)(v_j)与p^(t+1)(v_j)分别表示迭代至第t步与t+1步的p(v_j)。

将节点之间的转移概率归纳入概率转移矩阵M_uv与M_vu中，则概率向量的迭代过程简化表示为：

p^(t+1)v＝M_uvp^(t)u；

p^(t+1)u＝M_vup^(t)v；

上述迭代过程可能存在迭代过程不收敛的情况，为了解决这一问题通常采用随机游走的重启技术。即，假设每一次随机游走进行到任意节点时，有α的概率回到起始节点，有1-α的概率继续游走，则概率向量的迭代过程改进为：

p^(t+1)v＝(1-α)M_uv·p^(t)u+αp⁽⁰⁾u；

p^(t+1)u＝(1-α)M_vu·p^(t)v+αp⁽⁰⁾v；

其中，p⁽⁰⁾u、p^(t)u、p^(t+1)u分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pu；p⁽⁰⁾v、p^(t)v、p^(t+1)v分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pv。

利用收敛后的Pv与Pu向量来生成推荐列表；将收敛后的Pu向量的分量从高到低排列，选取前N个分量所代表的出借人作为出借人最终推荐列表；收敛后的Pv向量的分量从高到低排列，选取前N个分量所代表的借款项目作为借款项目初步推荐列表。

步骤14、根据借款项目特征画像和出借人特征画像建模出借人的投资情境，并结合所述借款项目初步推荐列表，来获得借款项目最终推荐列表。

根据借款项目特征画像和出借人特征画像的描绘，出借人对借款项目的选择转化为一个优化问题：即在出借人当前持有的借款项目的投资情境下，在保证收益水平的基础上选择风险最低的借款项目组合；具体地，将步骤13输出的借款项目初步推荐列表放入步骤14的优化模型中，进行二次筛选和序列重排，从候选借款项目集合中选取出满足收益要求且风险最低的借款项目组合列表，作为最终的借款项目推荐结果。

将借款项目初步推荐列表用γ表示，则最终优化问题为：

其中，M_j'为借款项目初步推荐列表γ中第j'个借款项目的出借额度，

为借款项目初步推荐列表γ中第j'个借款项目的风险评估值；R、E分别表示风险、收益；

表示第i个出借人当前的投资情境，C_i表示一个集合，最后一个参数的下标是|C_i|，为集合C_i的势，也就是集合C_i中元素的总数，为一个整数，其中的

表示第j”个借款项目特征画像向量(j”＝1,2,...,|C_i|)，M_j”为第j”个借款项目的出借额度；M′为待推荐的出借人当前持有的借款项目的投资金额；

优化的目标函数为出借人当前所持有的借款项目以及推荐的借款项目的风险整体上最小，而约束条件表示最终的借款项目加权的期望收益等于该出借人的收益预期偏好。

上述优化问题由梯度下降求的最后的稳定解，即借款项目初步推荐列表中借款项目的权重分配M，根据权重分配重新对借款项目初步推荐列表进行排序，并选取出满足收益要求且风险最低的借款项目组合列表，作为借款项目最终推荐列表。

最终，优化模型的输出与步骤13中输出的出借人最终推荐列表一起组成了最终的推荐结果。至此，网络小额贷款中贷款与出借人的双向匹配过程即已完成。

为了直观的了解上述双向匹配的计算过程，可以参见附图3所示的框图；图3的左上部分对应步骤11，即进行各种数据库的建立，为后续步骤提供数据基础；然后，可以刻画出借人画像与借款项目画像(对应步骤12)，构建二部图与执行随机游走的过程(对应步骤13)，步骤12～步骤13可以不区分先后顺序；通过随机游走可以获得出借人最终推荐列表与借款项目初步推荐列表；最后，将借款项目初步推荐列表结合出借人画像与借款项目画像来计算借款项目最终推荐列表(对应步骤14)。

本发明实施例上述方案，采取了将两个不同的推荐方法整合为一体的随机游走网络。并且，在出借人方面，为了提高项目推荐的准确度和效果，本发明将随机游走网络的输出结果作为一个考虑风险与收益的优化模型的输入，由优化模型二次筛选出借款项目组合。该方案主要具有如下优点：

1)将借款项目的推荐和出借人推荐整合到了一个框架中，可同时完成网络小额贷款中借款项目与出借人的双向匹配推荐，解决了网络小额贷款中借款人和出借人两方所最关心的问题。由于在不更改模型的情况下即可同时解决两个不同的推荐问题，因此在效率上高于传统推荐方法的简单组合。

2)实时动态地建立并更新项目－出借人二部图网络，排除了大量的失效过期借款项目节点和不活跃的出借人节点，可以有效地控制随机游走网络的规模，极大地提高推荐结果的生成效率。

3)对借款项目的收益和风险进行了评估，并结合出借人的收益风险偏好，对借款项目推荐集合进行了进一步的优化，更加充分的考虑了出借人的偏好，以及他当前的投资情境，能够得到准确的推荐结果，同时控制了风险。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，通过计算机程序实现，其特征在于，包括：

分别建立借款项目数据库与出借人数据库，并根据借款项目与出借人的交易记录建立交易记录数据库；

利用借款项目数据库与出借人数据库分别对应的建立借款项目特征画像和出借人特征画像；借款项目特征画像包括对当前借款项目的风险和收益的评估值，出借人特征画像包括风险承受能力与期望收益；

利用交易记录数据库中的借款项目与出借人的投资交易关系建立项目与出借人的二部图，并在建立的二部图执行随机游走，直至迭代收敛，获得出借人最终推荐列表与借款项目初步推荐列表；

根据借款项目特征画像和出借人特征画像建模出借人的投资情境，并结合所述借款项目初步推荐列表，来获得借款项目最终推荐列表；

其中，所述利用交易记录数据库中的借款项目与出借人的投资交易关系建立项目与出借人的二部图包括：

假设参与建立二部图的出借人共m个，借款项目共n个，出借人与借款项目分别为二部图中的两种节点，出借人节点集合为U＝{u₁,u₂,...,u_m}，借款项目节点集合为V＝{v₁,v₂,...,v_n}，第i个出借人对应的出借人节点为u_i，第j个借款项目对应的借款项目为v_j，当且仅当第i个出借人向第j个借款项目进行过投资交易时，节点u_i和v_j之间有边相连接，在二部图中的边具有双向权重，即p(u_i|v_j)与p(v_j|u_i)不一定相等；从出借人节点u_i到借款项目节点v_j的概率p(u_i|v_j)，由第i个出借人对第j个借款项目的投资额度占第i个出借人总投资额的比例所决定；而从借款项目节点v_j到达出借人节点u_i的概率p(v_j|u_i)，则由第i个出借人对第j个借款项目的投资金额在第j个借款项目当前筹集的总额中所占比例而确定，计算公式如下：

其中，M_ij表示第i个出借人对第j个借款项目的借款额度；Uv_j表示第j个借款项目在当前二部图中已经收到的出借人集合，u_k表示集合Uv_j中的第k个出借人，M_kj表示集合Uv_j中的第k个出借人u_k对第j个借款项目的借款额度；Vu_i表示第i个出借人在当前二部图中已经投资的借款项目集合，v_x表示集合Vu_i中的第x个借款项目，M_ix表示第i个出借人对集合Vu_i中的第x个借款项目v_x的借款额度，由此即可确定二部图中的结构及连接权重；之后，再根据市场的动态变化，实时地更新二部图的网络结构。

2.根据权利要求1所述的一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，其特征在于，

借款项目的收益评估值直接由利率决定，而风险评估值则通过预训练的逻辑斯蒂回归模型计算；借款项目特征画像用向量表示为：

其中

表示借款项目的收益评估值，

表示借款项目的风险评估值；通过预训练的逻辑斯蒂回归模型f(.)计算

其中，B是向量

的系数；

出借人的期望收益与风险承受能力，将通过其过往的投资偏好计算得到；出借人特征画像用向量表示为

其中，P_i ^u表示出借人的期望收益，

表示出借人的风险承受能力；计算公式如下：

其中，Si表示出借人之前投过的并且已经结束还款的项目集合，a_ij表示投资的权重。

3.根据权利要求1所述的一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，其特征在于，所述在建立的二部图执行随机游走，直至迭代收敛，获得出借人最终推荐列表与借款项目初步推荐列表包括：

每一次随机游走中，若以借款项目节点为起始节点，则以向量Pu来记录起始节点到达各个出借人节点的概率；若以出借人节点为起始节点，则以向量Pv来记录起始节点到达各个借款项目节点的概率；

对向量Pv＝{p(v₁),p(v₂),...,p(v_n)}，其每个分量p(v_j)代表到达对应节点v_j的概率，在随机游走中通过如下的迭代式进行更新：

对向量Pu＝{p(u₁),p(u₂),...,p(u_m)}，其每个分量p(u_i)代表到达对应节点u_i的概率，在随机游走中通过如下的迭代式进行更新：

其中，p^(t+1)(u_i)与p^(t)(u_i)分别表示迭代至第t步与t+1步的p(u_i)；p^(t)(v_j)与p^(t+1)(v_j)分别表示迭代至第t步与t+1步的p(v_j)；

将节点之间的转移概率归纳如概率转移矩阵M_uv与M_vu中，则概率向量的迭代过程简化表示为：

p^(t+1)v＝M_uvp^(t)u；

p^(t+1)u＝M_vup^(t)v；

假设每一次随机游走进行到任意节点时，有α的概率回到起始节点，有1-α的概率继续游走，则概率向量的迭代过程改进为：

其中，p⁽⁰⁾u、p^(t)u、p^(t+1)u分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pu；p⁽⁰⁾v、p^(t)v、p^(t+1)v分别表示初始阶段、迭代至第t步、迭代至第t+1步的向量Pv；

利用收敛后的Pv与Pu向量来生成推荐列表；将收敛后的Pu向量的分量从高到低排列，选取前N个分量所代表的出借人作为出借人最终推荐列表；收敛后的Pv向量的分量从高到低排列，选取前N个分量所代表的借款项目作为借款项目初步推荐列表。

4.根据权利要求1所述的一种网络小额贷款中借款项目与出借人的双向匹配推荐方法，其特征在于，所述根据借款项目特征画像和出借人特征画像建模出借人的投资情境，并结合所述借款项目初步推荐列表，来获得借款项目最终推荐列表包括：

根据借款项目特征画像和出借人特征画像的描绘，出借人对借款项目的选择转化为一个优化问题：即在出借人当前持有的借款项目的投资情境下，在保证收益水平的基础上选择风险最低的借款项目组合；

将借款项目初步推荐列表用γ表示，则最终优化问题为：

其中，M_j'为借款项目初步推荐列表γ中第j'个借款项目的出借额度，

为借款项目初步推荐列表γ中第j'个借款项目的风险评估值；R、E分别表示风险、收益；

表示第i个出借人当前的投资情境，C_i表示一个集合，最后一个参数的下标是|C_i|，为集合C_i的势，也就是集合C_i中元素的总数，为一个整数，其中的

表示第j”个借款项目特征画像向量(j”＝1,2,...,|C_i|)，M_j”为第j”个借款项目的出借额度；M′为待推荐的出借人当前持有的借款项目的投资金额；

上述优化问题由梯度下降求的最后的稳定解，即借款项目初步推荐列表中借款项目的权重分配M，根据权重分配重新对借款项目初步推荐列表进行排序，并选取出满足收益要求且风险最低的借款项目组合列表，作为借款项目最终推荐列表。

Images