CN116957784B - 一种银行信用卡积分数据推荐方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种银行信用卡积分数据推荐方法，所述方法包括：获取目标用户、候选用户在每种消费类型下的所有消费数据和综合消费数据；根据目标用户、候选用户在每种消费类型下的综合消费数据和所有消费数据得到目标用户、候选用户在每种消费类型下的评分值和时序性权重，根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户与候选用户之间的消费类型相似度，进而得到目标用户与候选用户之间的综合消费偏好相似度；根据目标用户与候选用户之间的综合消费偏好相似度进行积分兑换推荐，从而更准确的反映目标用户与候选用户之间的消费偏好情况，进而提高信用卡积分兑换项目推荐的精度。

Description

一种银行信用卡积分数据推荐方法

技术领域

本申请涉及数据处理领域，具体涉及一种银行信用卡积分数据推荐方法。

背景技术

银行信用卡积分数据推荐的意义在于帮助银行和信用卡持卡人更好地优化消费体验和提供个性化的服务，通过分析持卡人的消费习惯和积分数据，银行可以向持卡人提供个性化的推荐服务。根据持卡人的消费偏好，推荐适合的商家和产品的积分项目，使持卡人能够更好地满足自己的需求。银行信用卡积分数据推荐的意义在于提供个性化的服务、优化消费体验、促进消费活动和为决策提供数据支持，从而提高银行的竞争力和持卡人的满意度。

现有银行信用卡积分数据推荐的算法是基于用户协同过滤，利用离散余弦相似算法找到和目标用户消费偏好相似的其他用户，再根据这些相似用户的行为数据，推荐目标用户可能感兴趣的兑换方向。但是利用离散余弦相似度算法分析用户之间的消费偏好相似性时，没有考虑消费类型差异的影响。同时用户的消费偏好不会一成不变，其会随时间发生变化，进行用户消费推荐时，应更多的关注用户当前的消费偏好，因而在分析用户之间的消费偏好相似性时，应考虑消费金额的时序特征。

发明内容

为了解决上述技术问题，本发明提供一种银行信用卡积分数据推荐方法，所述方法包括：

获取目标用户、候选用户在每种消费类型下的所有消费数据，根据目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的综合消费数据；

根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户、候选用户在每种消费类型下的评分值，根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户与候选用户之间的消费类型相似度，基于用户消费偏好随时间变化的特征，利用目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的时序性权重；

结合目标用户、候选用户在每种消费类型下的时序性权重和评分值得到目标用户、候选用户在每种消费类型下的加权评分值，利用目标用户与候选用户之间的消费类型相似度对基于加权评分值所得的加权消费偏好相似性进行修正得到目标用户与候选用户之间的综合消费偏好相似度；

根据目标用户与候选用户之间的综合消费偏好相似度进行积分兑换推荐。

优选的，所述根据目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的综合消费数据，包括的具体步骤为：

将目标用户在每种消费类型下的所有消费数据的累加和记为目标用户在每种消费类型下的综合消费数据；

获取每个候选用户在每种消费类型下的综合消费数据。

优选的，所述根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户、候选用户在每种消费类型下的评分值，包括的具体步骤为：

对目标用户在每种消费类型下的综合消费数据进行归一化处理得到目标用户在每种消费类型下的归一化后的综合消费数据，将目标用户在每种消费类型下的归一化后的综合消费数据作为目标用户在每种消费类型下的评分值；

获取每个候选用户在每种消费类型下的评分值。

优选的，所述根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户与候选用户之间的消费类型相似度，包括的具体步骤为：

获取目标用户、候选用户的实际消费类型集合；

根据目标用户、候选用户的实际消费类型集合得到目标用户与候选用户之间的消费类型相似度：

其中，表示目标用户的实际消费类型集合，/>表示第s个候选用户的实际消费类型集合；/>表示集合中元素的个数，/>表示交集符号，/>表示并集符号，/>表示目标用户与第s个候选用户之间的消费类型相似度。

优选的，所述获取目标用户、候选用户的实际消费类型集合，包括的具体步骤为：

获取目标用户的综合消费数据不为0的消费类型，将目标用户的综合消费数据不为0的消费类型记为目标用户的实际消费类型，将目标用户的所有的实际消费类型构成的集合记为目标用户的实际消费类型集合；

获取每个候选用户的实际消费类型集合。

优选的，所述基于用户消费偏好随时间变化的特征，利用目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的时序性权重，包括的具体步骤为：

获取目标用户、候选用户在每种消费类型下的综合时间间隔；

根据目标用户在每种消费类型下的综合时间间隔得到目标用户在每种消费类型下的时序性权重：

其中，表示目标用户在第z种消费类型下的综合时间间隔，/>表示消费类型的数量，/>表示目标用户在第z种消费类型下的时序性权重，/>表示预设的大于0参数；

获取每个候选用户在每种消费类型下的时序性权重。

优选的，所述获取目标用户、候选用户在每种消费类型下的综合时间间隔，包括的具体步骤为：

获取目标用户在每种消费类型下的各消费数据对应的消费时刻，将每个消费数据的消费时刻与当前时刻的时间间隔记为目标用户在每种消费类型下每个消费数据的时间间隔，将目标用户在每种消费类型下的所有消费数据的时间间隔均值作为目标用户的在每种消费类型下的综合时间间隔；

获取每个候选用户在每种消费类型下的综合时间间隔。

优选的，所述结合目标用户、候选用户在每种消费类型下的时序性权重和评分值得到目标用户、候选用户在每种消费类型下的加权评分值，包括的具体步骤为：

将目标用户在每种消费类型下的时序性权重与评分值的乘积作为目标用户在每种消费类型下的加权评分值；

获取每个候选用户在每种消费类型下的加权评分值。

优选的，所述利用目标用户与候选用户之间的消费类型相似度对基于加权评分值所得的加权消费偏好相似性进行修正得到目标用户与候选用户之间的综合消费偏好相似度，包括的具体步骤为：

其中，表示目标用户在第z种消费类型下的加权评分值，/>表示第s个候选用户在第z种消费类型下的加权评分值，/>表示消费类型的数量，/>表示目标用户与第s个候选用户的消费类型相似度，/>表示目标用户与第s个候选用户的综合消费偏好相似度。

优选的，所述根据目标用户与候选用户之间的综合消费偏好相似度进行积分兑换推荐，包括的具体步骤为：

获取与目标用户的综合消费偏好相似度最大的候选用户记为参考用户，获取参考用户的时序性权重最大的消费类型记为参考消费类型，将参考消费类型的积分项目推荐给目标用户。

本发明实施例至少具有如下有益效果：为了能够给目标用户准确的推荐信用卡积分兑换项目，需准确的获得目标用户与候选用户之间的消费偏好相似度，而传统方法在计算目标用户与候选用户之间的消费偏好相似度时，没有考虑到用户消费类型差异，造成用户之间消费偏好相似度计算不准确，因而本实施例通过分析目标用户与候选用户之间的消费类型相似度情况得到目标用户与候选用户之间的消费类型相似度；同时用户的消费偏好会发生变化的，其中给目标用户推荐的积分兑换项目应符合当前的消费偏好情况，由于当前时刻较近的消费数据才能更好的反映目标用户的当前消费偏好情况，因而通过分析目标用户、候选用户在每种消费类型下的消费数据的消费时间与当前时刻的距离情况得到目标用户、候选用户在每种消费类型下的时序性权重，根据目标用户、候选用户在每种消费类型下的时序性权重和目标用户与候选用户之间的消费类型相似度计算目标用户与候选用户之间的综合消费偏好相似度，该综合消费偏好相似度更能准确的反映目标用户与候选用户之间的消费偏好相似性情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明提供的一种银行信用卡积分数据推荐方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种银行信用卡积分数据推荐方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种银行信用卡积分数据推荐方法的具体方案。

请参阅图1，其示出了本发明的一个实施例提供的一种银行信用卡积分数据推荐方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取目标用户、候选用户在每种消费类型下的所有消费数据以及综合消费数据。

信用卡积分兑换推荐一般是根据与目标用户具有相似消费偏好的其他用户的消费服务数据，为目标用户推荐需要的积分兑换服务。为了更准确的给目标用户推荐需要的积分兑换服务，需准确的获得具有相似消费偏好的其他用户，因而如何准确计算出用户之间的消费偏好相似性是实现准确信用卡积分兑换推荐的基础。要想计算用户之间的消费偏好相似性需先获得用户的消费数据。

将需要积分兑换推荐的用户记为目标用户，将其他用户称为候选用户。

获取所有的消费类型；

获取目标用户、候选用户在每种消费类型下的所有消费数据：

用户会存在多种消费类型，用户在每种消费类型中存在多次消费数据，获取目标用户在每种消费类型下的所有消费数据；同样获取候选用户在每种消费类型下的所有消费数据，例如书籍消费为一种消费类型，目标用户购买书籍总共存在两次消费数据，其中目标用户在5月12日8:00购买书籍花费80元，在5月20日12:00购买书籍花费120元，因而目标用户在书籍消费类型下的所有消费数据有。

根据目标用户、候选用户在每种消费类型下的综合消费数据：

将目标用户在每种消费类型下的所有消费数据的累加和记为目标用户在每种消费类型下的综合消费数据；同理得到候选用户在每种消费类型下的综合消费数据。

需要说明的是当用户在某种消费类型下无消费时，用户在某种消费类型下的消费数据为0。

步骤S002，计算目标用户、候选用户在每种消费类型下的评分值，计算目标用户与候选用户之间的消费类型相似度，计算目标用户、候选用户在每种消费类型下的时序性权重。

由于传统离散余弦相似度方法在分析用户之间的消费偏好相似性时，没有考虑用户之间消费类型的差异影响，导致计算出的用户之间的消费偏好相似性不够准确，例如用户c有购买商品服务A，其对购买商品服务A的购买金额为100，用户s没有购买商品服务A，用户s对商品服务A的购买金额为0，商品服务A为用户c和用户s之间的非共有消费类型，因而两用户之间存在消费类型差异。同时传统离散余弦相似度方法在分析用户之间的消费偏好相似性时，认为用户的消费偏好一成不变，因而将每个时刻的消费数据重视情况相同，因而导致给用户推荐的积分兑换服务不够准确，为此本实施例提出一种新的用户之间消费偏好相似性计算方法，具体如下：

1、计算目标用户、候选用户在每种消费类型下的评分值：

利用传统离散余弦相似度方法计算用户之间消费偏好相似性时，是将用户在每种消费类型的综合消费数据作为用户在每种消费类型下的评分值，但是这种将用户在每种消费类型的综合消费数据作为用户在每种消费类型下的评分值方法，存在不够准确的问题，例如用户c和用户s在一种消费类型的综合消费数据分别是490和500，在所有消费类型下的综合消费总数据分别为2000和1900，将用户c和用户s在一种消费类型的综合消费数据490和500作为用户c和用户s在一种消费类型的评分值时，所计算出的离散余弦相似度较大，即两用户的消费偏好较为相似，此时计算出的用户之间的消费偏好相似性较为准确；当用户c和用户s在所有消费类型下的综合消费总数据分别为2000和20000时，还将用户c和用户s在一种消费类型的综合消费数据490和500作为用户c和用户s在一种消费类型的评分值，所计算出的用户之间的消费偏好相似性非常不准确。因为将用户在单一消费类型下的综合消费数据作为评分值，没有考虑总的消费情况的影响。

为了解决该问题，将对目标用户在每种消费类型下的综合消费数据进行归一化处理，将目标用户在每种消费类型下的归一化后的综合消费数据作为目标用户在每种消费类型下的评分值，同理得到候选用户在每种消费类型下的评分值，将目标用户在第z个消费类型下的评分值记为，将第s个候选用户在第z个消费类型下的评分值记为/>。所述归一化方法为：对于一个用户在所有消费类型下的综合消费序列，将其中每个综合消费数据与综合消费数据序列的所有元素的累加和的比值作为用户在每种消费类型下的归一化后的综合消费数据。通过该方式得到的目标用户、候选用户在每种消费类型下的评分值，该评分值能够考虑总的消费数据的影响，能够更准确的反映用户的消费情况。

2、计算目标用户与候选用户之间的消费类型相似度：

利用传统离散余弦相似度方法计算用户之间消费偏好相似性时，只考虑了用户之间在每种消费类型下的综合消费数据的差异，没有考虑消费类型之间的差异。例如用户c有购买商品服务A，其对购买商品服务A的购买金额为100，用户s没有购买商品服务A，用户s对商品服务A的购买金额为0，商品服务A为用户c和用户s之间的非共有消费类型，因而用户之间存在消费类型差异。

为了能够更准确的计算目标用户与候选用户之间的消费偏好相似性，基于目标用户与候选用户之间的消费类型情况来计算目标用户与候选用户之间的消费类型相似度，具体操作为：

获取目标用户的综合消费数据不为0的消费类型，将目标用户的综合消费数据不为0的消费类型记为目标用户的实际消费类型，将目标用户的所有的实际消费类型构成的集合记为目标用户的实际消费类型集合；同理得到每个候选用户的实际消费类型集合。

因而目标用户与候选用户之间的消费类型相似度为：

其中，表示目标用户的实际消费类型集合，该集合中包含了目标用户的所有消费数据不为0的消费类型，该集合能够反映目标用户的消费类型情况，/>表示第s个候选用户的实际消费类型集合，该集合能够反映第s个候选用户的消费类型情况；/>表示集合中元素的个数，/>表示交集符号，/>表示目标用户与第s个候选用户的实际消费类型集合之间的交集中的元素个数，该值反映目标用户与第s个候选用户的共有消费类型的个数，该值越大说明两用户的共有消费类型越多，因而两用户的消费类型相似度越大；/>表示并集符号，/>表示目标用户与第s个候选用户的实际消费类型集合之间的并集中的元素个数，/>表示目标用户与第s个候选用户之间的消费类型相似度。

3、计算目标用户、候选用户在每种消费类型下的时序性权重：

由于用户的消费偏好不会一成不变，应更多的利用当前的消费数据来计算用户之间的消费偏好相似性，因而基于此来计算用户在每种消费类型下的时序性权重，具体操作为：

目标用户在每种消费类型下存在多次消费，每次消费对应一个消费数据，获取目标用户在每种消费类型下的各消费数据对应的消费时刻，将每个消费数据的消费时刻与当前时刻的时间间隔记为目标用户在每种消费类型下每个消费数据的时间间隔，将目标用户在每种消费类型下的所有消费数据的时间间隔均值作为目标用户在每种消费类型下的综合时间间隔，将目标用户在第z个消费类型下的综合时间间隔记为，同理得到每个候选用户在每种消费类型下的综合时间间隔。

因而目标用户在每种消费类型下的时序性权重为：

其中，表示目标用户在第z种消费类型下的综合时间间隔，该值越大说明目标用户在第z个消费类型的消费数据对应的消费时刻与当前时刻时间间隔较大，因而该消费类型下的消费数据不能够很好的反映目标用户的消费偏好情况，因而目标用户在该消费类型下的时序性权重越小，/>表示消费类型的数量，/>表示目标用户在第z种消费类型下的时序性权重，/>表示预设的非0参数，本实施例/>取1，其他实施例中可以取其他值，本实施不进行具体限制。

需要说明的是当目标用户在第z种消费类型下的综合消费数据为0时，目标用户在第z种消费类型下的时序性权重设置为0。

同理得到每个候选用户在每种消费类型下的时序性权重。

步骤S003，根据目标用户、候选用户在每种消费类型下的评分值、时序性权重以及目标用户与候选用户之间的消费类型相似度得到目标用户与候选用户之间的综合消费偏好相似度。

通过上述步骤得到目标用户与候选用户之间的消费类型相似度以及目标用户、候选用户在每种消费类型下的时序性权重，下面需结合目标用户与候选用户之间的消费类型相似度和目标用户、候选用户在每种消费类型下的时序性权重计算目标用户与候选用户之间的综合消费偏好相似度，具体操作为：

由于传统方法在分析目标用户和候选用户之间的消费偏好相似度时，没有考虑用户的消费偏好会随着时间发生变化，因而导致所得的目标用户、候选用户在每种消费类型下的评分值不够准确，进而使得计算出的消费偏好相似度不够准确。为了提高目标用户、候选用户在每种消费类型下的评分值的准确性，将目标用户在每种消费类型下的时序性权重与评分值的乘积作为目标用户在每种消费类型下的加权评分值，将目标用户在第z种消费类型下的加权评分值记为，同理得到每个候选用户在每种消费类型下的加权评分值，将第s个候选用户在第z种消费类型下的加权评分值记为/>。

同时由于传统方法在分析目标用户和候选用户之间的消费偏好相似度时，没有考虑两用户之间的消费类型差异，导致计算出目标用户和候选用户之间的消费偏好相似度不够准确，因而需利用目标用户和候选用户之间的消费类型相似度对两用户的消费偏好相似度进行修正得到目标用户和候选用户之间综合消费偏好相似度，具体为：

其中，表示目标用户在第z种消费类型下的加权评分值，该值考虑了目标用户消费偏好变动的影响，从而该值更能准确的描述目标用户在第z种消费类型下的评分情况；表示第s个候选用户在第z种消费类型下的加权评分值，该值考虑了该候选用户消费偏好变动的影响，从而该值更能准确的描述该候选用户在第z种消费类型下的评分情况，/>表示消费类型的数量，/>表示目标用户与第s个候选用户的加权消费偏好相似度，/>表示目标用户与第s个候选用户的消费类型相似度，该值越大说明目标用户与第z个候选用户的消费类型越相似，因而目标用户与第s个候选用户的综合消费偏好相似度越大，/>表示目标用户与第s个候选用户的综合消费偏好相似度。

步骤S004，根据目标用户与候选用户之间的综合相似度为目标用户推荐积分兑换服务。

获取与目标用户的综合消费偏好相似度最大的候选用户记为参考用户，获取参考用户的时序性权重最大的消费类型记为参考消费类型，将参考消费类型的积分项目推荐给目标用户。

综上所述，本发明实施例提供了一种银行信用卡积分数据推荐方法，为了能够给目标用户准确的推荐信用卡积分兑换项目，需准确的获得目标用户与候选用户之间的消费偏好相似度，而传统方法在计算目标用户与候选用户之间的消费偏好相似度时，没有考虑到用户消费类型差异，造成用户之间消费偏好相似度计算不准确，因而本实施例通过分析目标用户与候选用户之间的消费类型相似度情况得到目标用户与候选用户之间的消费类型相似度；同时用户的消费偏好会发生变化的，其中给目标用户推荐的积分兑换项目应符合当前的消费偏好情况，与当前时刻较近的消费数据才能更好的反映当前目标用户的消费偏好情况，因而通过分析目标用户、候选用户在每种消费类型下的消费数据的消费时间与当前时刻的距离情况得到目标用户、候选用户在每种消费类型下的时序性权重，根据目标用户、候选用户在每种消费类型下的时序性权重和目标用户与候选用户之间的消费类型相似度计算目标用户与候选用户之间的综合消费偏好相似度，该综合消费偏好相似度更能准确的反映目标用户与候选用户之间的消费偏好相似性情况。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种银行信用卡积分数据推荐方法，其特征在于，该方法包括：

获取目标用户、候选用户在每种消费类型下的所有消费数据，根据目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的综合消费数据；

根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户、候选用户在每种消费类型下的评分值，根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户与候选用户之间的消费类型相似度，基于用户消费偏好随时间变化的特征，利用目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的时序性权重；

结合目标用户、候选用户在每种消费类型下的时序性权重和评分值得到目标用户、候选用户在每种消费类型下的加权评分值，利用目标用户与候选用户之间的消费类型相似度对基于加权评分值所得的加权消费偏好相似性进行修正得到目标用户与候选用户之间的综合消费偏好相似度；

根据目标用户与候选用户之间的综合消费偏好相似度进行积分兑换推荐；

所述基于用户消费偏好随时间变化的特征，利用目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的时序性权重，包括的具体步骤为：

获取目标用户、候选用户在每种消费类型下的综合时间间隔；

根据目标用户在每种消费类型下的综合时间间隔得到目标用户在每种消费类型下的时序性权重：

；

其中，表示目标用户在第z种消费类型下的综合时间间隔，/>表示消费类型的数量，/>表示目标用户在第z种消费类型下的时序性权重，/>表示预设的大于0的参数；

获取每个候选用户在每种消费类型下的时序性权重；

所述获取目标用户、候选用户在每种消费类型下的综合时间间隔，包括的具体步骤为：

获取目标用户在每种消费类型下的各消费数据对应的消费时刻，将每个消费数据的消费时刻与当前时刻的时间间隔记为目标用户在每种消费类型下每个消费数据的时间间隔，将目标用户在每种消费类型下的所有消费数据的时间间隔均值作为目标用户的在每种消费类型下的综合时间间隔；

获取每个候选用户在每种消费类型下的综合时间间隔。

2.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述根据目标用户、候选用户在每种消费类型下的所有消费数据得到目标用户、候选用户在每种消费类型下的综合消费数据，包括的具体步骤为：

将目标用户在每种消费类型下的所有消费数据的累加和记为目标用户在每种消费类型下的综合消费数据；

获取每个候选用户在每种消费类型下的综合消费数据。

3.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户、候选用户在每种消费类型下的评分值，包括的具体步骤为：

对目标用户在每种消费类型下的综合消费数据进行归一化处理得到目标用户在每种消费类型下的归一化后的综合消费数据，将目标用户在每种消费类型下的归一化后的综合消费数据作为目标用户在每种消费类型下的评分值；

获取每个候选用户在每种消费类型下的评分值。

4.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述根据目标用户、候选用户在每种消费类型下的综合消费数据得到目标用户与候选用户之间的消费类型相似度，包括的具体步骤为：

获取目标用户、候选用户的实际消费类型集合；

根据目标用户、候选用户的实际消费类型集合得到目标用户与候选用户之间的消费类型相似度：

；

其中，表示目标用户的实际消费类型集合，/>表示第s个候选用户的实际消费类型集合；/>表示集合中元素的个数，/>表示交集符号，/>表示并集符号，/>表示目标用户与第s个候选用户之间的消费类型相似度。

5.如权利要求4所述的一种银行信用卡积分数据推荐方法，其特征在于，所述获取目标用户、候选用户的实际消费类型集合，包括的具体步骤为：

获取目标用户的综合消费数据不为0的消费类型，将目标用户的综合消费数据不为0的消费类型记为目标用户的实际消费类型，将目标用户的所有的实际消费类型构成的集合记为目标用户的实际消费类型集合；

获取每个候选用户的实际消费类型集合。

6.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述结合目标用户、候选用户在每种消费类型下的时序性权重和评分值得到目标用户、候选用户在每种消费类型下的加权评分值，包括的具体步骤为：

将目标用户在每种消费类型下的时序性权重与评分值的乘积作为目标用户在每种消费类型下的加权评分值；

获取每个候选用户在每种消费类型下的加权评分值。

7.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述利用目标用户与候选用户之间的消费类型相似度对基于加权评分值所得的加权消费偏好相似性进行修正得到目标用户与候选用户之间的综合消费偏好相似度，包括的具体步骤为：

；

其中，表示目标用户在第z种消费类型下的加权评分值，/>表示第s个候选用户在第z种消费类型下的加权评分值，/>表示消费类型的数量，/>表示目标用户与第s个候选用户的消费类型相似度，/>表示目标用户与第s个候选用户的综合消费偏好相似度。

8.如权利要求1所述的一种银行信用卡积分数据推荐方法，其特征在于，所述根据目标用户与候选用户之间的综合消费偏好相似度进行积分兑换推荐，包括的具体步骤为：

获取与目标用户的综合消费偏好相似度最大的候选用户记为参考用户，获取参考用户的时序性权重最大的消费类型记为参考消费类型，将参考消费类型的积分项目推荐给目标用户。