CN110930259A - 一种基于混合策略的债权推荐方法及系统 - Google Patents

Abstract

发明公开了一种基于混合策略的债权推荐方法及系统，包括：构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权；该债权推荐方法促进了债权融资方和投资方之间的准确对接，促进成交，降低了交易成本，同时推荐效率高、准确度高。

Description

一种基于混合策略的债权推荐方法及系统

技术领域

本发明涉及债权推荐技术领域，尤其涉及一种基于混合策略的债权推荐方法及系统。

背景技术

近年来，应收账款流转融资成为解决企业融资难、融资贵、融资慢问题的一种有效方式，应收账款债权作为一种资产也逐渐成为一些机构投资者及个人投资者关注的投资标的，投资人在面对众多的非标债权，首先面临的问题是如何快速选择适合自己的可投资债权。

解决以上问题，一般采用人工检索和人工匹配，筛选出最终的可投资债权，但是该方法需要耗费较大的人力、物力，由于需要人工校对，造成效率低、准确度较低的缺陷。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于混合策略的债权推荐方法及系统，提高了推荐效率和准确度。

本发明提出的一种基于混合策略的债权推荐方法，包括：

构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

进一步地，在所述对客户集合U进行不同类型的质心聚类中，包括：

将客户集合U＝{U₁,U₂,……,U_n}分成k个类型，得到k个聚类C＝{C₁,C₂,...,C_k}；

从聚类集合中各选取一个用户样本作为初始的质心μ＝{μ₁,μ₂,…,μ_k}；

根据样本U_i修正初始的质心μ，得到最终的聚类结果C_m。

对于，计算客户样本U_i(i＝1，2，...，n)和各个质心μ_j(j＝1，2，...，k)的距离d_ij，得到μ_i，所述μ_i对应于距离d_ij的最小值，更新C_j＝C_j∪μ_i；

对更新后C_j中的所有样本重新计算新的质心μ_j；

重复计算至所有k个质心μ_j没有发生变化位置；得到最终的聚类结果C_m；

基于聚类结果C_m向客户推荐债权集合R_k1。

进一步地，在根据聚类结果向客户推荐债权集合R_k1中，包括：

基于聚类结果向客户推荐和他兴趣最相似的k个客户投资过的债权；

根据历史数据，获取与客户同在一个聚类的其他用户的投资历史记录，获取历史记录中当前处于可投资状态的债权，得到客户u对债权的第一偏好值

对第一偏好值进行矩阵集合，得到债权集合R_k1。

进一步地，在根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2中，包括：

将客户集合U＝{U₁,U₂,……,U_n}分成n个类型，得到n个聚类

获取聚类C_u的历史投资偏好，得到所有客户u对债权i的平均偏好，所述u∈U；

基于客户u对债权i的平均偏好，采用以下公式计算得到客户u对债权i的第二偏好值

其中，

是客户u对债权i的投资偏好，

是客户u对债权i的平均偏好，

是客户u对债权j的平均偏好，W_uj是u和j之间的权重，cos_sim(i,j)是i和j的相似度，i和j的取值范围为零至系统中的应收账款总数；

对第二偏好值进行矩阵集合，得到债权集合R_k2。

进一步地，在将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

中，包括：

其中，W_i是R_ki(i＝1,2)对应的权重。

一种基于混合策略的债权推荐系统，第一推荐模块、第二推荐模块和加权模块；

第一推荐模块用于构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

第二推荐模块用于基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

加权模块用于基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

一种计算机可读储存介质，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：

构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

本发明提供的一种基于混合策略的债权推荐方法及系统的优点在于：本发明结构中提供的一种基于混合策略的债权推荐方法及系统，基于客户聚类、基于债权聚类和基于历史投资聚类得到不同的债权集合，根据不同债权集合的占有权重，综合考虑不同债权集合，得到较为准确的债权推荐，促进了债权融资方和投资方之间的准确对接，促进成交，降低了交易成本，同时推荐效率高、准确度高。

附图说明

图1为本发明一种基于混合策略的债权推荐方法的步骤示意图；

图2为本发明一种基于混合策略的债权推荐系统的流程示意图；

其中，100-第一推荐模块，200-第二推荐模块，300-加权模块。

具体实施方式

下面，通过具体实施例对本发明的技术方案进行详细说明，在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

参照图1，本发明提出的一种基于混合策略的债权推荐方法，包括：

S100：构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

通过对客户属性的聚类算法统计分析，获得与客户有共同相似属性的客户投资偏好的应收账款债权列表，不依赖于客户的投资历史数据。能根据大众的投资偏向，向客户推荐适用性较广的债权，便于促成债权交易。

S200：基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于应收账款债权投资历史数据平滑的协同过滤算法(皮尔逊相关系数)，依据客户的历史行为(投资、持有、买卖)数据，分析客户偏好，得到客户投资偏好矩阵。

S300：基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

依据实际情况使用不同的加权因子对得到的债权集合R_k1、R_k2进行加权，采用以下公式计算得到预测偏好矩阵

其中，W_i是R_ki(i＝1,2)对应的权重。

步骤S100、S200分别可以形成推荐债权集合；当债权推荐要求不高时，可以分别通过S100、S200中记载的二种方式中的一种进行债权推荐，但这种单一推荐方式存在关联上的局限性，使得推荐结果存在着不全面、依据不充分、部分债权得不到推荐的问题，因此将该二种方式按一定权重划分加权后形成新的债权集合，该债权集合作为预测偏好矩阵

基于预测偏好矩阵

推荐债权，进一步提高了债权的推荐准确性。

通过步骤S100至S300的基于客户聚类和基于历史投资聚类得到不同的债权集合，根据不同债权集合的占有权重，综合考虑不同债权集合，得到较为准确的债权推荐，促进了债权融资方和投资方之间的准确对接，促进成交，降低了交易成本。解决了债权人(卖家)如何实现债权转让变现(融资)信息的精准推送、以及投资人客户(买家)在面对众多非标应收账款债权投资标的如何快速选择适合自身的债权的问题。

进一步地，在步骤S100：所述对客户集合U进行不同类型的质心聚类中，根据聚类结果向客户推荐债权集合R_k1中，包括：

S101：基于客户的属性构建客户向量U＝{U₁,U₂,……,U_n}；

可以通过客户的注册信息和评测问卷调查，我们选取客户与应收账款债权投资相关的部分属性并对它们设计一定的值域，至少包括：投资占总资产比例、收益率期望、风险承受能力、投资期限、投资金额、投资年数、是否有债权投资经历、投资行业偏好、债权所属区域、债权分类、増信措施等，其中对于个人投资者还应至少包括年龄、职业、个人财务状况等，对于机构投资者还应至少包括机构性质、成立时间、净资产规模等。

客户在各属性上的差值越大，也就表示他们的相似度越低。例如客户A的喜好传统制造业的应收账款债权，B对行业的偏好于新兴服务行业，这两者的相似度差值就很大。

S102：将客户集合U＝{U₁,U₂,……,U_n}基于历史分成k个类型，得到k个聚类C＝{C₁,C₂,...,C_k}；

该k个类型是参照对市场现有实际情况的调查分析设定一个客户分类结果。

S103：从聚类集合中各选取一个用户样本作为初始的质心μ＝{μ₁,μ₂,…,μ_k}；

S104：计算客户样本U_i(i＝1，2，...，n)和各个质心μ_j(j＝1，2，...，k)的距离d_ij，得到μ_i，所述μ_i对应于距离d_ij的最小值，更新C_j＝C_j∪μ_i；其中

S105：对更新后C_j中的所有样本重新计算新的质心μ_j，计算公式如下：

其中x为更新后C_j中的样本；

S106：重复迭代步骤S104至S106，至所有k个质心μ_j没有发生变化位置，得到最终的聚类结果C_m；

此时C_m表示客户属性相似度较大的质心稳定聚类。

S107：基于聚类结果向客户推荐和他兴趣最相似的k个客户投资过的债权；

S108：根据所述k个客户投资过的债权，获取历史记录中当前处于可投资状态的债权，得到客户u对债权的第一偏好值

可投资状态的债权，即债权持有人发布出让意向的债权。

S109：对第一偏好值进行矩阵集合，得到债权集合R_k1。

根据步骤S101至S109，得到较为稳定的客户聚类，将待推荐客户与客户聚类进行匹配，得到与待推荐客户最相似的k个客户投资过的债权，根据投资过的债权可以向待推荐客户推荐债权，使得所推荐的债权接近待推荐客户的需求，提高了客户获取债权的准确性。

进一步地，在步骤S200：基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k中，包括步骤S201至S204：

S201：采用皮尔逊相关系数计算客户之间的相似度，客户u和u′之间的相似度计算公式如下：

其中，R_u(t)表示客户u对债权t的投资意愿，

表示客户u对所有债权的平均投资意愿，R_u′(t)表示客户u′对债权t的投资意愿，

表示客户u′对所有债权的平均投资意愿，t是客户u和u′都投资过的债权。T(u)表示客户u投资过的债权，T(u′)表示客户u′投资过的债权。

S202：将客户集合U＝{U₁,U₂,……,U_n}分成n个类型，得到n个聚类

S203：获取聚类C_u的历史投资偏好，得到所有客户u对债权i的平均偏好，所述u∈U；

客户的投资偏好表示为：

其中，r_ui是有函数计算得出

其中，Investment_ui表示客户u对债权i的投资总额，Amount_u为客户u统计的所有应收账款投资总额；

是对客户u没投资过的债权i由平滑得出，过程如下：

计算债权i与已投资过的债权j的相似度：

其中r_ui和r_uj分别表示客户U对债权i和j的投资意愿，U_ij代表同时投资债权i和j的客户集合。

预测的对客户u没投资过的债权i的偏好

S204：基于客户u对债权i的平均偏好，采用以下公式计算得到客户u对债权i的第二偏好值

通过以下公式来计算

其中，

表示客户u对所有债权的平均投资意愿，

是所有客户对债权i的平均偏好，

按如下公式计算：

其中，C_u(i)∈C_u表示在聚类C_u中投资过的债权i的客户集，|C_u(i)|表示在聚类C_u中投资过债权i的客户数量，r_u′i表示客户u′对债权i的投资意愿，

表示客户u′对债权的平均投资意愿。

可以通过计算加权和得到第二偏好值

其中，

是客户u对债权i的投资偏好，

是客户u对债权i的平均偏好，

是客户u对债权j的平均偏好，r_uj表示客户u对债权j的投资意愿，cos_sim(i,j)是i和j的相似度，i和j的取值范围为0至应收账款总数；

S205：对第二偏好值进行矩阵集合，得到债权集合R_k2。

通过步骤S201至S205，基于应收账款债权投资历史数据平滑的协同过滤算法将相应匹配的债权推荐给待推荐客户。

作为一实施例；根据以上过程，实现对不同客户个性化、智能化推荐不同的债权投资组合，如：

(1)对于新注册的客户A，根据步骤S100，得到与客户A特征属性相似的客户集合U＝{U₁,U₂,……,U_n}，从而得到这些客户投资过的并且在转让中的债权集合R_k1；由于客户A为新客户，在系统中还没有投资历史记录，步骤S200没有推荐集合，即权重W₁＝1，W₂＝0，最终集合可在推荐结果集合R_k1中按相似度从高到底排列选择x(例如10)个债权推荐给客户A。

(2)对于有过投资历史的客户B，根据步骤S100，得到与客户B特征属性相似的客户集合U＝{U₁,U₂,……,U_n}，从而得到这些客户投资过的并且在转让中的债权集合R_k1；最后根据步骤S200，得到综合考虑客户B的历史投资偏好和相似客户的投资历史等得到推荐集合R_k2。对R_k1、R_k2依据各自集合数量计算权重，得到预测偏好矩阵

选取最终的推荐结果集合

但

中出现中重复情况(结果)时，做去除重复处理；得到推荐结果集合

一种基于混合策略的债权推荐系统，第一推荐模块100、第二推荐模块200和加权模块300；

第一推荐模块100用于构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

第二推荐模块200用于基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

加权模块300用于基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

一种计算机可读储存介质，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：

构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

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揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于混合策略的债权推荐方法，其特征在于，包括：

构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

2.根据权利要求1所述的基于混合策略的债权推荐方法，其特征在于，在所述对客户集合U进行不同类型的质心聚类中，包括：

将客户集合U＝{U₁，U₂，...，U_n}基于历史分成k个类型，得到k个聚类C＝{C₁，C₂，...，C_k}；

从聚类集合中各选取一个用户样本作为初始的质心μ＝{μ₁，μ₂，...，μ_k}；

根据样本U_i修正初始的质心μ，得到最终的聚类结果C_m。

3.根据权利要求2所述的基于混合策略的债权推荐方法，其特征在于，在根据样本U_i修正初始的质心μ中，包括：

计算客户样本U_i(i＝1，2，…，n)和各个质心μ_j(j＝1，2，…，k)的距离d_ij，得到μ_i，所述μ_i对应于距离d_ij的最小值，更新C_j＝C_j∪μ_i；

对更新后C_j中的所有样本重新计算新的质心μ_j；

重复计算至所有k个质心μ_j没有发生变化位置，得到最终的聚类结果C_m；

基于聚类结果C_m向客户推荐债权集合R_k1。

4.根据权利要求3所述的基于混合策略的债权推荐方法，其特征在于，在基于聚类结果C_m向客户推荐债权集合R_k1中，包括：

基于聚类结果向客户推荐和他兴趣最相似的k个客户投资过的债权；

根据历史数据，获取与客户同在一个聚类的其他用户的投资历史记录，获取历史记录中当前处于可投资状态的债权，得到客户u对债权的第一偏好值

对第一偏好值进行矩阵集合，得到债权集合R_k1。

5.根据权利要求1所述的基于混合策略的债权推荐方法，其特征在于，在根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2中，包括：

将客户集合U＝{U₁，U₂，......，U_n}分成n个类型，得到n个聚类

获取聚类C_u的历史投资偏好，得到所有客户u对债权i的平均偏好，所述u∈U；

基于客户u对债权i的平均偏好，采用以下公式计算得到客户u对债权i的第二偏好值

其中，

是客户u对债权i的投资偏好，

是客户u对债权i的平均偏好，

是客户u对债权j的平均偏好，cos_sim(i，j)是i和j的相似度；

对第二偏好值进行矩阵集合，得到债权集合R_k2。

6.根据权利要求1所述的基于混合策略的债权推荐方法，其特征在于，在将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

中，包括：

其中，W_i是R_ki(i＝1，2)对应的权重。

7.一种基于混合策略的债权推荐系统，其特征在于，第一推荐模块(100)、第二推荐模块(200)和加权模块(300)；

第一推荐模块(100)用于构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

第二推荐模块(200)用于基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

加权模块(300)用于基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

8.一种计算机可读储存介质，其特征在于，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：

构建相似客户集合U，对客户集合U进行不同类型的质心聚类，根据聚类结果向客户推荐债权集合R_k1；

基于皮尔逊相关系数计算客户之间的相似度，根据客户之间的相似度和客户的历史投资偏好，计算得到债权集合R_k2；

基于线性加权融合，将债权集合R_k1、R_k2进行加权，得到预测偏好矩阵

基于预测偏好矩阵

推荐债权。

Images