CN116739794B - 基于大数据及机器学习的用户个性化方案推荐方法及系统 - Google Patents
基于大数据及机器学习的用户个性化方案推荐方法及系统 Download PDFInfo
- Publication number
- CN116739794B CN116739794B CN202311000525.0A CN202311000525A CN116739794B CN 116739794 B CN116739794 B CN 116739794B CN 202311000525 A CN202311000525 A CN 202311000525A CN 116739794 B CN116739794 B CN 116739794B
- Authority
- CN
- China
- Prior art keywords
- user
- historical
- historical user
- preference
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 23
- 238000012360 testing method Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于大数据及机器学习的用户个性化方案推荐方法及系统,涉及用户个性化理财或金融方案推荐技术领域,该方法包括:获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。本发明能够根据历史用户的偏好及方案的评分,为新用户推荐相应的方案。
Description
技术领域
本发明属于用户个性化理财或金融方案推荐技术领域,更具体地,涉及基于大数据及机器学习的用户个性化方案推荐方法及系统。
背景技术
量化投资是利用数学模型和计算机算法进行投资决策的一种方法。银行可以利用大数据、机器学习和人工智能技术来开发和优化量化投资方案。这些方案基于大规模数据分析和模式识别,以追求更好的投资回报。
但是现有投资推荐的技术方案对于重复适配各种用户的能力不足。如中国发明专利CN114782150B,公开了一种基于金融产品定向筛选的金融产品推荐方法和系统,其通过产品需求特征值获取能够表示用户投资意愿的特征值数据,然后利用产品信息数据获取能够准确表示金融产品特征的特征值数据,并通过用户投资意愿的特征值数据与金融产品特征的特征值数据之间的对比来获取符合用户投资意愿的金融产品,最大限度提高金融产品推荐的有效性,进而提高用户对金融产品的选择率,有效提高金融产品推荐的有效性,防止过多的不符合客户需求的无效的金融产品推荐造成用户服务体验感降低的问题发生,但是其并未解决如果根据历史用户的喜好及金融产品的评分为新用户推荐金融方案的技术问题。
又如中国发明专利CN112612942B公开了一种基于社交大数据的基金推荐系统及方法,其采用金融社交大数据采集模块爬取金融社交网站用户的行为数据,基金热度分析模块用于对金融社交网站的热门基金产品进行热度分析,基金净值风险分析模块根据当前市场平均市盈率值判断基金投资风险。该推荐系统能服务于投资理财基础与经验不够完备的投资者群体,该推荐方法通过设计基于自适应的用户影响力算法,对金融社交网站上的用户行为和基金热度进行分析,结合基金估值、市场风险等相关因素,为客户及其社交圈好友推荐适合投资的基金产品,但是该技术不能根据历史用户选择的基金方案及每个基金方案的评分为新用户提供个性化且安全的基金方案。
发明内容
为解决以上技术问题,本发明提出一种基于大数据及机器学习的用户个性化方案推荐方法,包括:
获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。
进一步的,所述历史用户的历史用户偏好度如下计算:
。
所述新用户与所述历史用户的相似度如下计算:
。
所述历史用户选择的方案的评分如下计算:
。
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值,/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子,/>为新用户与第/>个历史用户的相似度,/>为新用户与第/>个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的数量,/>为方案的数量,/>为偏好特征值的数量。
进一步的,动态权重为:
,
其中,为基础权重,/>为历史用户的反馈因子,/>为历史用户的时序因子。
进一步的,历史用户的反馈因子为历史用户对每个方案的评分;
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第/>个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差。
进一步的,所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
本发明还提出一种基于大数据及机器学习的用户个性化方案推荐系统,包括:获取信息模块,用于获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;计算模块,用于根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;推荐模块,用于获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。
进一步的,所述历史用户的历史用户偏好度如下计算:
。
所述新用户与所述历史用户的相似度如下计算:
。
所述历史用户选择的方案的评分如下计算:
,
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值,/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子,/>为新用户与第/>个历史用户的相似度,/>为新用户与第/>个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的数量,/>为方案的数量,/>为偏好特征值的数量。
进一步的,动态权重为:
,
其中,为基础权重,/>为历史用户的反馈因子,/>为历史用户的时序因子。
进一步的,历史用户的反馈因子为历史用户对每个方案的评分。
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第/>个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差。
进一步的,所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
总体而言,本发明与现有技术相比,具有以下有益效果:通过获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。本发明能够根据历史用户的偏好及方案的评分,为新用户推荐相应的方案。
附图说明
图1是本发明实施例一的方法的流程图;
图2是本发明实施例二的系统的结构图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明公式中所有下角标只为了区分参数,并没有实际含义。
实施例一
如图1所示,本发明实施例提供一种基于大数据及机器学习的用户个性化方案推荐方法,包括:步骤101,获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;步骤102,根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;步骤103,获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。
具体的,所述历史用户的历史用户偏好度如下计算:
,
所述新用户与所述历史用户的相似度如下计算:
,
所述历史用户选择的方案的评分如下计算:
,
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值(用户提供:用户可以直接提供一些特征值,例如在注册过程中填写个人信息、兴趣爱好、喜好选项等,这些特征值可以作为用户自身的特征指标;行为记录:可以根据用户的行为记录来获取特征值,例如,对于银行业务推荐,可以记录用户的交易记录、存款偏好、投资偏好等,这些行为记录可以作为特征值的一部分;数据挖掘与分析:可以使用数据挖掘和分析技术来从大规模数据中提取特征值,例如,可以通过分析用户的购买历史、点击行为、浏览记录等来获取特征值,或者使用自然语言处理技术从文本数据中提取特征值),/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子(可信度因子可以根据方案的来源、历史表现或其他相关指标来获取,1.来源可信度:对于方案的来源,可以根据其信誉度、可靠性或可信度评级来获取可信度因子,例如,可以将来源分为高信誉、中信誉和低信誉等级,并为每个等级分配相应的可信度因子;2.历史表现:可以基于方案的历史表现来计算可信度因子,例如,可以考虑方案的成功率、用户反馈评分、转化率或其他相关指标来衡量方案的历史表现,并将其作为可信度因子的一部分),/>为新用户与第/>个历史用户的相似度,/>为新用户与第个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的个数,/>为方案的数量,为偏好特征值的数量。
具体的,动态权重为:
,
其中,为基础权重,/>为历史用户的反馈因子(获得反馈因子可以基于用户的实时反馈、行为或其他指标,1.用户评价反馈:可以收集用户对个性化方案的评价反馈,如打分、评论或喜欢/不喜欢等反馈,根据用户的反馈情况,可以计算出一个评价反馈指标,例如平均评分或用户满意度等;2.用户行为反馈:可以分析用户的行为数据,如点击率、购买率、停留时间等指标,来获得用户的行为反馈,根据用户行为的变化,可以计算出相应的行为反馈指标,例如用户活跃度、转化率或购买频率等,反馈因子可以根据行为反馈指标的变化来获得;3.用户偏好反馈:可以根据用户的偏好数据,如兴趣标签、喜好选项或个人配置等,来获取用户的偏好反馈,根据用户偏好的变化,可以计算出偏好反馈指标,例如偏好强度或偏好覆盖度等,反馈因子可以根据偏好反馈指标的变化来获得;4.实验测试反馈:可以进行实验测试,通过对比不同个性化方案的效果或对照组与实验组的差异,获得用户的实验测试反馈,根据实验测试的结果,可以计算出相应的实验测试反馈指标,例如转化提升率、用户满意度增量等,反馈因子可以根据实验测试反馈指标的变化来获得),/>为历史用户的时序因子。
具体的,历史用户的反馈因子为历史用户对每个方案的评分。
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差。
具体的,所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
实施例二
如图2所示,本发明实施例还提供一种基于大数据及机器学习的用户个性化方案推荐系统,包括:获取信息模块,用于获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;计算模块,用于根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;推荐模块,用于获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案。
具体的,所述历史用户的历史用户偏好度如下计算:
。
所述新用户与所述历史用户的相似度如下计算:
。
所述历史用户选择的方案的评分如下计算:
。
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值(用户提供:用户可以直接提供一些特征值,例如在注册过程中填写个人信息、兴趣爱好、喜好选项等,这些特征值可以作为用户自身的特征指标;行为记录:可以根据用户的行为记录来获取特征值,例如,对于银行业务推荐,可以记录用户的交易记录、存款偏好、投资偏好等,这些行为记录可以作为特征值的一部分;数据挖掘与分析:可以使用数据挖掘和分析技术来从大规模数据中提取特征值,例如,可以通过分析用户的购买历史、点击行为、浏览记录等来获取特征值,或者使用自然语言处理技术从文本数据中提取特征值),/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子(可信度因子可以根据方案的来源、历史表现或其他相关指标来获取,1.来源可信度:对于方案的来源,可以根据其信誉度、可靠性或可信度评级来获取可信度因子,例如,可以将来源分为高信誉、中信誉和低信誉等级,并为每个等级分配相应的可信度因子;2.历史表现:可以基于方案的历史表现来计算可信度因子,例如,可以考虑方案的成功率、用户反馈评分、转化率或其他相关指标来衡量方案的历史表现,并将其作为可信度因子的一部分),/>为新用户与第/>个历史用户的相似度,/>为新用户与第/>个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的个数,/>为方案的数量,/>为偏好特征值的数量。
具体的,动态权重为:
。
其中,为基础权重,/>为历史用户的反馈因子(获得反馈因子可以基于用户的实时反馈、行为或其他指标,1.用户评价反馈:可以收集用户对个性化方案的评价反馈,如打分、评论或喜欢/不喜欢等反馈,根据用户的反馈情况,可以计算出一个评价反馈指标,例如平均评分或用户满意度等;2.用户行为反馈:可以分析用户的行为数据,如点击率、购买率、停留时间等指标,来获得用户的行为反馈,根据用户行为的变化,可以计算出相应的行为反馈指标,例如用户活跃度、转化率或购买频率等,反馈因子可以根据行为反馈指标的变化来获得;3.用户偏好反馈:可以根据用户的偏好数据,如兴趣标签、喜好选项或个人配置等,来获取用户的偏好反馈,根据用户偏好的变化,可以计算出偏好反馈指标,例如偏好强度或偏好覆盖度等,反馈因子可以根据偏好反馈指标的变化来获得;4.实验测试反馈:可以进行实验测试,通过对比不同个性化方案的效果或对照组与实验组的差异,获得用户的实验测试反馈,根据实验测试的结果,可以计算出相应的实验测试反馈指标,例如转化提升率、用户满意度增量等,反馈因子可以根据实验测试反馈指标的变化来获得),/>为历史用户的时序因子。
具体的,历史用户的反馈因子为:历史用户对每个方案的评分。
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差。
具体的,所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
本发明实施例还提出一种存储介质,存储有多条指令,所述指令用于实现所述的一种基于大数据及机器学习的用户个性化方案推荐方法。在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。存储介质被设置为存储用于执行实施例一方法的程序代码。
本发明实施例还提出一种电子设备,包括处理器和与所述处理器连接的存储介质,所述存储介质存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行所述的一种基于大数据及机器学习的用户个性化方案推荐方法。具体的,本实施例的电子设备可以是计算机终端,所述计算机终端可以包括:一个或多个处理器、以及存储介质。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (2)
1.一种基于大数据及机器学习的用户个性化方案推荐方法,其特征在于,包括:
获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;
根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;
获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案,其中,所述历史用户的历史用户偏好度如下计算:
,
所述新用户与所述历史用户的相似度如下计算:
,
所述历史用户选择的方案的评分如下计算:
,
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值,/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子,/>为新用户与第/>个历史用户的相似度,/>为新用户与第/>个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的数量,/>为方案的数量,/>为偏好特征值的数量;
动态权重为:
,
其中,为基础权重,/>为历史用户的反馈因子,/>为历史用户的时序因子;
历史用户的反馈因子为:历史用户对每个方案的评分;
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第/>个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差;
所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
2.一种基于大数据及机器学习的用户个性化方案推荐系统,其特征在于,包括:
获取信息模块,用于获取历史用户的历史用户信息,其中,所述历史用户信息包括:历史用户的个人信息和历史用户选择的方案的特征值;
计算模块,用于根据所述历史用户信息,计算历史用户的历史用户偏好度和历史用户选择的方案的评分;
推荐模块,用于获取新用户的个人信息,结合所述历史用户信息,计算与所述新用户最相似的所述历史用户,按照所述历史用户偏好度由高到低,并结合历史用户选择的方案的评分由高到低,为所述新用户推荐方案,其中,所述历史用户的历史用户偏好度如下计算:
,
所述新用户与所述历史用户的相似度如下计算:
,
所述历史用户选择的方案的评分如下计算:
,
其中,为历史用户选择第/>个方案的历史用户偏好度,/>为动态权重,/>为历史用户第/>个偏好特征值,/>为历史用户第/>个偏好特征值的可信度因子,/>为归一化因子,/>为历史用户第/>个偏好特征值的可信度因子,/>为新用户与第/>个历史用户的相似度,/>为新用户与第/>个历史用户的相似特征值,/>为相似度权重,/>为相似度调整因子,/>为历史用户选择的第/>个方案的评分,/>为第/>个方案的特征值,/>为历史用户的数量,/>为方案的数量,/>为偏好特征值的数量;
动态权重为:
,
其中,为基础权重,/>为历史用户的反馈因子,/>为历史用户的时序因子;
历史用户的反馈因子为:历史用户对每个方案的评分;
历史用户的时序因子为:
,
其中,为平滑系数,取值范围在0到1之间,/>为第/>个特征值,/>为第/>个特征值,其中,特征值为历史用户偏好特征值/>、新用户与历史用户的相似特征值/>或方案的特征值/>,/>为衰减系数,/>为获取第/>个特征值的时间与获取第/>个特征值时间的时间差;
所述新用户与第个历史用户的相似特征值/>如下计算:
,
其中,为新用户第/>个偏好特征值出现的次数,/>为历史用户第/>个偏好特征值出现的次数,/>为新用户第/>个偏好特征值与历史用户第/>个偏好特征值共同出现的次数,其中,新用户第/>个偏好特征值与历史用户第/>个偏好特征值相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000525.0A CN116739794B (zh) | 2023-08-10 | 2023-08-10 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000525.0A CN116739794B (zh) | 2023-08-10 | 2023-08-10 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739794A CN116739794A (zh) | 2023-09-12 |
CN116739794B true CN116739794B (zh) | 2023-10-20 |
Family
ID=87901516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311000525.0A Active CN116739794B (zh) | 2023-08-10 | 2023-08-10 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739794B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520864B (zh) * | 2024-01-08 | 2024-03-19 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697628A (zh) * | 2018-11-12 | 2019-04-30 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、存储介质、计算机设备 |
CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
CN114066533A (zh) * | 2021-11-29 | 2022-02-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114297511A (zh) * | 2022-01-27 | 2022-04-08 | 中国农业银行股份有限公司 | 理财推荐方法、装置、系统和存储介质 |
CN115713389A (zh) * | 2022-11-28 | 2023-02-24 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150363862A1 (en) * | 2014-06-13 | 2015-12-17 | Connect Financial LLC | Financial product recommendation for a consumer |
-
2023
- 2023-08-10 CN CN202311000525.0A patent/CN116739794B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697628A (zh) * | 2018-11-12 | 2019-04-30 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、存储介质、计算机设备 |
CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
CN114066533A (zh) * | 2021-11-29 | 2022-02-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114297511A (zh) * | 2022-01-27 | 2022-04-08 | 中国农业银行股份有限公司 | 理财推荐方法、装置、系统和存储介质 |
CN115713389A (zh) * | 2022-11-28 | 2023-02-24 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116739794A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648074B (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
US20210329094A1 (en) | Discovering signature of electronic social networks | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
US11704500B2 (en) | Techniques to add smart device information to machine learning for increased context | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
CN116739794B (zh) | 基于大数据及机器学习的用户个性化方案推荐方法及系统 | |
CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
WO2013089592A2 (en) | Information graph | |
CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN107622072A (zh) | 一种针对网页操作行为的识别方法及服务器、终端 | |
CN116561542B (zh) | 模型的优化训练系统、方法以及相关装置 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN111582912A (zh) | 一种基于深度嵌入聚类算法的画像建模方法 | |
CN112053245B (zh) | 信息评估方法及系统 | |
CN115271282A (zh) | 基于模糊逻辑的客户价值确定方法及装置 | |
CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
CN110533528A (zh) | 评估企业信用的方法及设备 | |
US20230351435A1 (en) | Training an artificial intelligence engine for most appropriate actions | |
CN112765449B (zh) | 一种应用程序展示方法、装置及存储介质 | |
JP7302107B1 (ja) | 学習システム、学習方法、及びプログラム | |
CN117057812B (zh) | 用户满意度确定方法、装置、计算机设备及存储介质 | |
CN117815674B (zh) | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 | |
Xu et al. | Towards user profiling for web recommendation | |
CN118014737A (zh) | 基于大数据的健康保险风险控制方法及系统 | |
CN114418729A (zh) | 白户违约风险评估方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |