协同过滤推荐算法在P2P信贷系统中的应用研究

摘要

P2P(Peer to Peer)信贷是互联网金融中最为典型，发展最为广泛的一种模式，其通过互联网将贷款人和借款人直接联接，借助专业系统平台来帮助交易双方确立借贷关系并完成交易手续。由于我国目前在互联网金融的立法，监管以及网络安全等方面还存在着许多不足，使得P2P信贷平台还面临着许多困境，其中最大的问题就是如何赢得广大用户的信任。在大多数的情况下，用户并不知道自己的需求是什么，P2P平台需要基于合适推荐算法来为用户推荐适合他们的信贷产品。推荐算法的好坏会直接影响到推荐结果质量的高低，最终影响到用户对平台的信任度。
　　本文首先总结了推荐算法在P2P信贷平台的使用过程中存在的主要问题:一是推荐算法的准确性问题。导致推荐算法准确性的主要原因很大程度是由于用户和产品相关数据的缺失，数据矩阵的极度稀疏直接影响了推荐算法推荐结果的准确性。二是推荐算法的冷启动问题。在协同过滤推荐算法中，<用户，项目>对的评分情况往往直接与推荐算法的结果相关联，如果一个项目很少有用户对其进行评价，那么这个项目就没有机会被推荐给用户。也就是说，如果在限定的时间内很少有用户去评价P2P信贷系统中的项目，则信贷系统很可能找不到用户的相关兴趣点，这样就会导致没有合适的项目推荐给用户，从而造成真正合适的项目无人知晓。
　　基于以上分析，本文基于自组织映射提出了一种改进的k-means算法来优化协同过滤推荐算法中的准确性问题。由于SOM自组织映射算法对奇异点不敏感，本算法利用SOM算法对所有的初始数据进行预处理，形成一定数量的初始簇和簇中心点。然后基于改进的k-means算法进行聚类，最终形成推荐结果。
　　其次提出了DecRec算法来缓解传统的协同过滤推荐算法中存在的冷启动问题。其基本思想是利用辅助信息把冷启动问题分解成两个部分:首先从原有评级矩阵中剔除出那些冷启动的用户和项目，形成一个新的评级子矩阵;然后使用辅助信息完成从已存在用户和项目的评级矩阵到冷启动项目或者用户评级矩阵的转换。
　　最后，本文对文中所提出的kmeans协同过滤算法以及DecRec算法进行了实验。实验结果表明，本文所提出的算法能提高协同过滤推荐算法的准确性，并能在一定程度上缓解原有算法中存在的冷启动问题。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景

1．2 国内外研究现状

1．3 推荐算法的测评指标

1．3．1 预测准确度

1．3．2 覆盖率

1．3．3 新颖性

1．4 本文的主要研究内容

1．5 论文的组织

第2章 协同过滤推荐技术

2．1 协同过滤概念和原理

2．2 协同过滤推荐技术的应用

2．3 经典的协同过滤推荐技术

2．3．1 隐语义模型

2．3．2 基于邻域推荐技术

2．3．3 混合推荐技术

2．4 协同过滤推荐技术存在的问题

2．4．1 准确性问题

2．4．2 冷启动问题

2．5 本章小结

第3章 改进的k-means自组织映射协同过滤算法

3．1 设计动机

3．2 算法介绍

3．2．1 SOM算法

3．2．2 K-MEANS聚类算法

3．2．3 改进的K-means算法

3．3 SOM-IK算法

3．4 实验结果分析

3．4．1 用户分类标准

3．4．2 实验环境

3．4．3 实验分析

3．5 本章小结

第4章 协同过滤算法的冷启动问题的改进算法

4．1 传统的协同过滤算法存在冷启动问题

4．2 现有的关于冷启动问题的解决方法

4．3 DecRec算法

4．3．1 算法的前提假设

4．3．2 算法的理论基础

4．3．2 算法的描述

4．4 实验结果与分析

4．4．1 实验数据集

4．4．2 实验设置

4．4．3 结果与分析

4．5 本章小结

结论

参考文献

致谢