領(lǐng)域知識驅(qū)動的個(gè)性化推薦方法

1、領(lǐng)域知識驅(qū)動的個(gè)性化推薦方法技術(shù)創(chuàng)新，變革未來提綱大數(shù)據(jù)時(shí)代背景及現(xiàn)狀1基于認(rèn)知的教學(xué)個(gè)性化推薦23情景感知的移動用戶推薦4金融領(lǐng)域帶風(fēng)險(xiǎn)約束的推薦5結(jié)合社交因素的用戶推薦6總結(jié)與展望Lab. Of Semantic Computing and Data Mining大數(shù)據(jù)與大數(shù)據(jù)時(shí)代大數(shù)據(jù)時(shí)代：數(shù)據(jù)爆炸增長的時(shí)代數(shù)據(jù)量大、類型多、價(jià)值密度低、 速度快時(shí)效高、數(shù)據(jù)在線各行業(yè)急速增長的數(shù)據(jù)量為推薦系 統(tǒng)的應(yīng)用奠定了基礎(chǔ)大數(shù)據(jù)從“概念”走向“應(yīng)用”分析大數(shù)據(jù)成為科研的核心任務(wù)解讀大數(shù)據(jù)成為決策的基本依據(jù)應(yīng)用大數(shù)據(jù)成為民生的重要助力3Lab. Of Semantic Computing and Da

2、ta Mining推薦系統(tǒng)蘊(yùn)含巨大價(jià)值推薦系統(tǒng)成為連接數(shù)據(jù)特征與用戶需求的橋梁普通用戶難以直接從大數(shù)據(jù)中獲取所需信息推薦系統(tǒng)將大數(shù)據(jù)從單純的數(shù)據(jù)層面轉(zhuǎn)化到 用戶可以理解的信息層面，滿足客戶的需求推薦系統(tǒng)為企業(yè)帶來巨大價(jià)值2016年“雙十一”淘寶交易額破千萬今日頭條app人均日使用時(shí)間超40分鐘UC瀏覽器個(gè)性化推薦月活躍用戶超過3.3億我們正在離開信息的時(shí)代，進(jìn)入推薦的時(shí)代。Chris Anderson in The Long Tail4Lab. Of Semantic Computing and Data MiningLab. Of Semantic Computing and Data Mi

3、ning傳統(tǒng)推薦系統(tǒng)常用方法基于內(nèi)容的推薦算法根據(jù)用戶偏好記錄來給用戶推薦內(nèi) 容相似的新項(xiàng)目歷史記錄新產(chǎn)品？新用戶優(yōu)點(diǎn)：可處理復(fù)雜的非結(jié)構(gòu)化對象缺點(diǎn)：稀疏性和冷啟動問題協(xié)同過濾推薦算法根據(jù)用戶最近鄰的偏好記錄給用戶 作出推薦優(yōu)點(diǎn)：不存在稀疏性和冷啟動問題缺點(diǎn)：可能會重復(fù)推薦混合推薦算法結(jié)合基于內(nèi)容的特性和協(xié)同過濾的特性進(jìn)行推薦Lab. Of Semantic Computing and Data Mining傳統(tǒng)推薦系統(tǒng)面對的困難6大數(shù)據(jù)的應(yīng)用模式不斷拓展專業(yè)性不斷增強(qiáng)很多應(yīng)用新問題無法使用泛化模型進(jìn) 行統(tǒng)一建模數(shù)據(jù)的多源異構(gòu)性明顯數(shù)據(jù)量大而復(fù)雜、來源分散需要依托專業(yè)知識進(jìn)行有效整合泛化的數(shù)據(jù)

4、分析結(jié)果難以精準(zhǔn)描述用戶在特定應(yīng)用場景中的信息需求。推薦系統(tǒng)將擴(kuò)展至更多領(lǐng)域教育 評估醫(yī)療 衛(wèi)生智慧 城市電子 商務(wù)社交 應(yīng)用移動用戶大數(shù)據(jù)時(shí)代推薦系統(tǒng)向更多領(lǐng)域擴(kuò)展傳統(tǒng)行業(yè)開始將業(yè)務(wù)轉(zhuǎn)移至“線上”移動軟件已經(jīng)融入人們的日常生活各個(gè)領(lǐng)域都積累了大量的數(shù)據(jù)資源Lab. Of Semantic Computing and Data Mining領(lǐng)域知識驅(qū)動推薦技術(shù)催生新方法與新工具帶來新 挑戰(zhàn)不同領(lǐng)域知識不同領(lǐng)域獨(dú)有的知識體系 和知識結(jié)構(gòu)不同行業(yè)獨(dú)有的評價(jià)準(zhǔn)則泛化的推薦結(jié)果無法滿 足具體領(lǐng)域中特定的用 戶需求新的應(yīng)用領(lǐng)域教育領(lǐng)域移動領(lǐng)域金融領(lǐng)域社交領(lǐng)域結(jié)合領(lǐng)域知識定制推薦系統(tǒng)Lab. Of Sem

5、antic Computing and Data Mining推薦系統(tǒng)在各領(lǐng)域的應(yīng)用案例應(yīng)用領(lǐng)域挑戰(zhàn)性問題結(jié)合領(lǐng)域知識 的研究工作推薦結(jié)果的可解 釋性問題移動商務(wù)智能化 發(fā)展問題潛在客戶個(gè)性化 推薦問題社交網(wǎng)絡(luò)動態(tài)影 響問題基于“認(rèn)知診斷” 的教學(xué)推薦方法基于情境感知的個(gè)性化偏好挖掘方法基于風(fēng)險(xiǎn)偏好的個(gè) 性化推薦方法基于社交信息的用 戶行為挖掘方法社交領(lǐng)域金融領(lǐng)域移動領(lǐng)域教育領(lǐng)域大 數(shù) 據(jù) 時(shí) 代 下 推 薦 系 統(tǒng) 在 不 同 領(lǐng) 域 的 應(yīng) 用研究背景Lab. Of Semantic Computing and Data Mining提綱大數(shù)據(jù)時(shí)代背景及現(xiàn)狀1基于認(rèn)知的教學(xué)個(gè)性化推薦23情

6、景感知的移動用戶推薦4金融領(lǐng)域帶風(fēng)險(xiǎn)約束的推薦5結(jié)合社交因素的用戶推薦6總結(jié)與展望10Lab. Of Semantic Computing and Data Mining教育領(lǐng)域的推薦目標(biāo)教育領(lǐng)域所面臨的問題：我最近 學(xué)習(xí)怎 么樣？學(xué)生對自己的學(xué)習(xí)狀態(tài)沒有直觀的認(rèn)識認(rèn)知診斷學(xué)生作業(yè)多、課業(yè)量繁重試題推薦班級教學(xué)中，老師對于班級內(nèi)的學(xué)生難以顧全學(xué)習(xí)分組推薦11Lab. Of Semantic Computing and Data Mining教育推薦的特點(diǎn)和所面臨的挑戰(zhàn)函數(shù)能力：0.8詞匯水平：0.3數(shù)學(xué)能力強(qiáng)潛在特質(zhì)英語能力弱技能掌握教育推薦的特點(diǎn)：有特殊的領(lǐng)域知識（試題知識點(diǎn)、學(xué)生認(rèn)知情況等

7、），教育推薦需要同“認(rèn)知 診斷”等教育領(lǐng)域方法相結(jié)合用戶（學(xué)生、教師等）對于推薦結(jié)果的可解釋性要求較高所面臨的挑戰(zhàn)：數(shù)據(jù)挖掘技術(shù)如何同教育學(xué)的領(lǐng)域知識相集合？如何在不同的教學(xué)推薦中引入領(lǐng)域知識，使得推薦結(jié)果更精確、可解釋性更 高，從而提高用戶（學(xué)生、教師等）的接受程度？12Lab. Of Semantic Computing and Data Mining如何評價(jià)一個(gè)學(xué)生的能力？傳統(tǒng)的評價(jià)方法：基于學(xué)生成績的評價(jià)方法基于學(xué)生排名的評價(jià)方法認(rèn)知診斷評價(jià)方法：結(jié)合答題數(shù)據(jù)和教育心理學(xué)方法能夠分析學(xué)生的知識狀態(tài)問題評價(jià)粒度粗結(jié)果單一沒有個(gè)性化分析13Lab. Of Semantic Computin

8、g and Data Mining“認(rèn)知診斷”的學(xué)生建模方法學(xué)生潛在特質(zhì)/能力學(xué)生知識點(diǎn)掌握程度學(xué)生題目掌握程度學(xué)生題目具體得分學(xué) 生 畫 像 建 模 層 級框架：模糊認(rèn)知診斷模型(四層生成模型)概率化學(xué)生技能掌握程度結(jié)合模糊理論，分別建?？陀^題與主觀題的技能反映模式考慮學(xué)生不確定因素（粗心”和“猜測”）14Lab. Of Semantic Computing and Data Mining診斷結(jié)果用于教育領(lǐng)域個(gè)性化推薦診斷結(jié)果的應(yīng)用教育領(lǐng)域的應(yīng)用場景復(fù)雜多樣。如何在不同應(yīng)用場景的目標(biāo)之間，引入學(xué)生認(rèn)知診斷的結(jié)果，和大數(shù) 據(jù)有效的結(jié)合，進(jìn)行更合理、更高效的個(gè)性化推薦？學(xué)生個(gè)性化試題推薦班級學(xué)生

9、分組推薦場景1：學(xué)生個(gè)體學(xué)習(xí)場景2：班級群體學(xué)習(xí)15Lab. Of Semantic Computing and Data Mining場景1：學(xué)生個(gè)體學(xué)習(xí)如何從海量的試題中自動篩選出適合每個(gè)學(xué)生的題目？已知學(xué)生的個(gè)性化知識點(diǎn)掌握程度，和現(xiàn)有的得分預(yù)測方法結(jié)合，使推薦學(xué)生學(xué)習(xí)共性挖掘?qū)W生學(xué)習(xí)個(gè)性挖掘（認(rèn)知診斷）結(jié)果更加準(zhǔn)確。基于“認(rèn)知診斷”的得分預(yù)測用幾何平均計(jì)算學(xué)生在試題所需技能上的平均技能掌握程度，得到矩陣A。從矩陣A中提取特征作為PMF的先驗(yàn)信息。將得到新的推 薦模型PMF-CD = + + (1 )= + ，其中：1 = i=116Lab. Of Semantic Computing

10、and Data Miningi=1 = 1 基于“認(rèn)知診斷”的試題推薦針對不同場景的學(xué)生個(gè)性化試題推薦在試題推薦中，不是推薦越難的試題越好、也不是推薦越簡單的試題 越好，這和傳統(tǒng)的推薦系統(tǒng)有較大的差異。根據(jù)試題相對于學(xué)生的難度，從試題庫中為學(xué)生推薦個(gè)性化試題。試題a 試題b簡單基礎(chǔ)鞏固成績提升根據(jù)不同的學(xué)習(xí)目 標(biāo)，向?qū)W生提供不 同難度的試題17Lab. Of Semantic Computing and Data Mining10場景2：班級群體學(xué)習(xí)班級群體學(xué)習(xí)推薦教育大數(shù)據(jù)對學(xué)生的分析除了可以應(yīng)用于針對每個(gè)學(xué)生的個(gè)性化試題推薦之外，還可以為線下的教學(xué)活動進(jìn)行推薦。根據(jù)認(rèn)知診斷所得到的學(xué)生個(gè)

11、性化知識點(diǎn)掌握程度，為同班級的學(xué)生進(jìn)行協(xié)同 學(xué)習(xí)分組推薦。協(xié)同學(xué)習(xí)分組通過學(xué)習(xí)小組的形式組織學(xué)生進(jìn)行學(xué) 習(xí)的一種教學(xué)應(yīng)用目標(biāo)：將學(xué)生進(jìn)行分組，將班內(nèi)所有學(xué)生分入若干個(gè)組中，組內(nèi)學(xué)生通過相互交流、討論，達(dá)到學(xué)業(yè)水平提升18Lab. Of Semantic Computing and Data Mining基于“認(rèn)知診斷”的協(xié)同學(xué)習(xí)分組（A）基于異質(zhì)性的目標(biāo)分組目標(biāo)：將最大化每個(gè)組內(nèi)學(xué)生的平均異 質(zhì)性“認(rèn)知診斷”結(jié)果相似的學(xué)生分在不同的組，使得每個(gè)分組中的學(xué)生可以優(yōu)勢互補(bǔ)。（B）基于收益的目標(biāo)（A）基于學(xué)生差異的分組算法UKB： （B）基于收益的學(xué)生分組算法BGB：分組目標(biāo)：最大化所有學(xué)生的平均收

12、益學(xué)生收益：受學(xué)生技能掌握和組內(nèi)leader技能 掌握共同影響學(xué)生收益 =組內(nèi)最好學(xué)生技能掌握程度學(xué)生本人技能掌握程度19Lab. Of Semantic Computing and Data Mining應(yīng)用智學(xué)網(wǎng)學(xué)生個(gè)性化推薦根據(jù)學(xué)生的考試情況生成立體成績報(bào)告，幫助學(xué)生了解自己的學(xué)習(xí)狀態(tài)，并向?qū)W生推薦個(gè)性化練習(xí)題。20Lab. Of Semantic Computing and Data Mining應(yīng)用智學(xué)網(wǎng)學(xué)生個(gè)性化推薦在線試題推薦流程基于認(rèn)知診斷結(jié)果的個(gè)性化試題推薦21Lab. Of Semantic Computing and Data MiningLab. Of Semantic

13、 Computing and Data Mining提綱大數(shù)據(jù)時(shí)代背景及現(xiàn)狀1基于認(rèn)知的教學(xué)個(gè)性化推薦23情景感知的移動用戶推薦4金融領(lǐng)域帶風(fēng)險(xiǎn)約束的推薦5結(jié)合社交因素的用戶推薦6總結(jié)與展望移動商務(wù)大數(shù)據(jù)2015年，全球智能手機(jī)用戶比例超過全球人口的十分之一傳統(tǒng)的移動數(shù)據(jù)來源分散、關(guān)聯(lián)性差用戶移動行為數(shù)據(jù)地理信息數(shù)據(jù)移動商務(wù)研究的新機(jī)遇：情境數(shù)據(jù)用戶屬性（年齡、性別、身高等）歷史數(shù)據(jù)（消費(fèi)記錄、搜索上下文等）環(huán)境數(shù)據(jù)（自然環(huán)境、社會關(guān)系等）情境數(shù)據(jù)挖掘針對用戶相關(guān)的情境數(shù)據(jù)進(jìn)行情境建模 和特征提取，挖掘出用戶在不同情境下的 特性或者行為模式的過程情境1周末在家情境3外出旅游情境2周中上班23L

14、ab. Of Semantic Computing and Data Mining基于情境感知的移動推薦傳統(tǒng)數(shù)據(jù)挖掘的解空間情境1周末在家情境3外出旅游情境2周中上班情境數(shù)據(jù)挖 掘的解空間情境數(shù)據(jù)挖掘的特點(diǎn)傳統(tǒng)數(shù)據(jù)挖掘方法挖掘的解空間較大，結(jié)果難以滿足用戶需求情境數(shù)據(jù)挖掘縮小解空間，對用戶進(jìn)行個(gè)性化推薦用戶相關(guān)數(shù)據(jù)24Lab. Of Semantic Computing and Data Mining情境數(shù)據(jù)挖掘的挑戰(zhàn)用戶情境的動態(tài)化情境信息來源的多樣化情境特征的復(fù)雜性及不同特征間的關(guān)聯(lián)性我要買7月1日 合肥到北京的 車票傳統(tǒng)數(shù)據(jù)挖掘用戶情境用戶年齡：18歲當(dāng)前時(shí)間：6月27日情境數(shù)據(jù)挖掘旅游

15、出差？旅游？看??？其他用戶的數(shù)據(jù)基于情境感知的移動推薦其他用戶的數(shù)據(jù)25Lab. Of Semantic Computing and Data Mining相似行為習(xí)慣的移動用戶挖掘相似用戶挖掘的意義移動用戶情境數(shù)據(jù)的特點(diǎn)購物網(wǎng)站中 物品的推薦移動相似用戶挖掘挑戰(zhàn)：情境數(shù)據(jù)來源多：多源異構(gòu)單個(gè)用戶數(shù)據(jù)量少：數(shù)據(jù)稀疏移動用戶的增多：數(shù)據(jù)量大朋友推薦26Lab. Of Semantic Computing and Data Mining推薦系統(tǒng)市場人群分析相似行為習(xí)慣的移動用戶挖掘帶約束條件的貝葉斯矩陣分解：1.規(guī)范化情境日志位置情境規(guī)范化用戶位置標(biāo)示映射到更高具有抽象意義的位置空間交互記錄規(guī)范化

16、將用戶交互記錄映射到更高抽象級別的交互類別規(guī)范化情境日志的好處減少數(shù)據(jù)的稀疏性，數(shù)據(jù)抽象具有更好解釋性， 提高數(shù)據(jù)的泛化性能27Lab. Of Semantic Computing and Data Mining相似行為習(xí)慣的移動用戶挖掘帶約束條件的貝葉斯矩陣分解：1.規(guī)范化情境日志位置情境規(guī)范化用戶位置標(biāo)示映射到更高具有抽象意義的位置空間交互記錄規(guī)范化將用戶交互記錄映射到更高抽象級別的交互類別規(guī)范化情境日志的好處減少數(shù)據(jù)的稀疏性，數(shù)據(jù)抽象具有更好解釋性， 提高數(shù)據(jù)的泛化性能2.帶約束條件的貝葉斯矩陣分解 = + N : 用戶-行為模式矩陣 : 用戶共同行為模式類矩陣KM : 用戶在共同行為模

17、式上的概率分布矩陣28Lab. Of Semantic Computing and Data Mining相似行為習(xí)慣的移動用戶挖掘帶約束條件的貝葉斯矩陣分解：1.規(guī)范化情境日志位置情境規(guī)范化用戶位置標(biāo)示映射到更高具有抽象意義的位置空間交互記錄規(guī)范化將用戶交互記錄映射到更高抽象級別的交互類別規(guī)范化情境日志的好處減少數(shù)據(jù)的稀疏性，數(shù)據(jù)抽象具有更好解釋性， 提高數(shù)據(jù)的泛化性能2.帶約束條件的貝葉斯矩陣分解 = + N : 用戶-行為模式矩陣 : 用戶共同行為模式類矩陣KM : 用戶在共同行為模式上的概率分布矩陣根據(jù)用戶在共同行為模式上的概率分布得到相似用戶29Lab. Of Semantic Co

18、mputing and Data Mining基于情境的移動用戶個(gè)性化推薦如何挖掘移動用戶的個(gè)性化偏好？移動用戶的個(gè)性化偏好挖掘用戶特定 情境信息不同情境下, 用戶的個(gè)性化偏好不同結(jié)合情境信 息準(zhǔn)確給移 動用戶推薦用戶情境記錄情境信息時(shí)間 地點(diǎn) 日期用戶偏好30Lab. Of Semantic Computing and Data Mining移動用戶的個(gè)性化偏好挖掘情境特征用戶偏好打 游戲方法一：情境特征相互獨(dú)立假設(shè)地點(diǎn)：家時(shí)間：晚上10點(diǎn)概率主題模型建模 , :用戶在情境下對活動的偏好(, |): 公共情境上情境和活動分布 :用戶的個(gè)性化偏好分布根據(jù)用戶在特定情境下對活動的偏好通過概 率主

19、題模型挖掘到用戶的個(gè)性化偏好31Lab. Of Semantic Computing and Data Mining時(shí)間： 晚上10點(diǎn)移動用戶的個(gè)性化偏好挖掘方法二：情境特征相互影響假設(shè)情境特征用戶偏好打 游戲地點(diǎn)： 家?guī)Ъs束的矩陣分解建模 : :用戶行為模式分布公共模式上不同行為模式的分布：用戶的個(gè)性化偏好分布 :噪聲分布根據(jù)用戶行為模式分布通過帶約束的矩陣分 解模型挖掘到用戶的個(gè)性化偏好公共情境偏好(, |)用戶公共情境分布(|)32Lab. Of Semantic Computing and Data Mining移動商務(wù)大數(shù)據(jù)應(yīng)用實(shí)例示范應(yīng)用：面向移動App的排名欺詐檢測為了在移動Ap

20、p商店的應(yīng)用排行榜上吸引更多用戶，許多廠商雇用商業(yè)公司，通 過“機(jī)器人”或者“水軍”來刷榜，實(shí)現(xiàn)移動App商店排名惡意欺詐如何檢測這些排名欺詐，具有很多挑戰(zhàn)：刷榜行為并不是長時(shí)間的，而是在某些時(shí)間段實(shí)現(xiàn)移動App數(shù)量眾多，難以手動標(biāo)注刷榜行為，需要設(shè)計(jì)自動的增量式方法實(shí)現(xiàn)移動App排行具有高度的動態(tài)性，需要尋找刷榜行為證據(jù)33Lab. Of Semantic Computing and Data Mining移動商務(wù)大數(shù)據(jù)應(yīng)用實(shí)例挖掘活躍周期問題轉(zhuǎn)換為驗(yàn)證一個(gè)活躍周期是否可疑提取欺詐證據(jù)：基于排名的欺詐證據(jù)一個(gè)可疑的APP基于評分的欺詐證據(jù)基于評論的欺詐證據(jù)一個(gè)可疑的APP一個(gè)正常的APP一個(gè)

21、正常的APP34Lab. Of Semantic Computing and Data MiningLab. Of Semantic Computing and Data Mining提綱大數(shù)據(jù)時(shí)代背景及現(xiàn)狀1基于認(rèn)知的教學(xué)個(gè)性化推薦23情景感知的移動用戶推薦4金融領(lǐng)域帶風(fēng)險(xiǎn)約束的推薦5結(jié)合社交因素的用戶推薦6總結(jié)與展望金融大數(shù)據(jù)應(yīng)用與推薦系統(tǒng)的關(guān)系金融領(lǐng)域的應(yīng)用與推薦系統(tǒng)的結(jié)合十分緊密主要集中在銀行、證券和保險(xiǎn)三個(gè)部分其中，精準(zhǔn)營銷、精細(xì)化運(yùn)營、運(yùn)營優(yōu)化等都涉及到推薦系統(tǒng)應(yīng)用案例:中信銀行進(jìn)行實(shí)時(shí)的產(chǎn)品 推薦，帶來了更大的收益光大銀行建立了社交網(wǎng)絡(luò)信息數(shù)據(jù)庫，更有效地進(jìn)行了產(chǎn)品推薦保險(xiǎn)23.

22、80%銀行41.10%中國金融行業(yè)大數(shù)據(jù)應(yīng)用 投資分布數(shù)據(jù)來源:賽迪顧問，2012年客戶畫像精準(zhǔn)營銷風(fēng)險(xiǎn)管控運(yùn)營優(yōu)化證股券價(jià)預(yù)測35客.1戶0%關(guān)系管 理精細(xì)化營銷欺詐分析精細(xì)化運(yùn)營36Lab. Of Semantic Computing and Data Mining如何結(jié)合金融領(lǐng)域特點(diǎn)進(jìn)行推薦在金融領(lǐng)域進(jìn)行推薦的特點(diǎn)投資人的特點(diǎn)：不同用戶有不同的風(fēng)險(xiǎn)偏好、預(yù)期收益投資產(chǎn)品的特點(diǎn)：產(chǎn)品本身具有時(shí)效性、時(shí)變性挑戰(zhàn)：如何結(jié)合用戶特點(diǎn)進(jìn)行產(chǎn)品的推薦，進(jìn)一步進(jìn)行精準(zhǔn)營銷？ 如何結(jié)合產(chǎn)品特點(diǎn)進(jìn)行客戶的挖掘推薦，實(shí)現(xiàn)效益最大化？結(jié)合金融領(lǐng)域特點(diǎn)在借貸投資方面進(jìn)行推薦的兩個(gè)場景滿足投資人的風(fēng)險(xiǎn)偏好、預(yù)期收

23、益的情況下進(jìn)行投資產(chǎn)品個(gè)性化推薦在進(jìn)行營銷前，在產(chǎn)品的銷售期內(nèi)進(jìn)行潛在投資人的挖掘推薦場景1：投資產(chǎn)品個(gè)性化推薦場景2：投資人挖掘推薦37Lab. Of Semantic Computing and Data Mining場景1：滿足客戶偏好進(jìn)行金融產(chǎn)品個(gè)性化推薦哪些投資產(chǎn) 品比較好？如何組成最 優(yōu)組合？38Lab. Of Semantic Computing and Data Mining不同投資產(chǎn)品存在的風(fēng)險(xiǎn)不同，而投資人對風(fēng)險(xiǎn)的偏好也不同Alice在投資時(shí)主要考慮兩個(gè)方面由于自由的投資交易，對眾多投資產(chǎn)品，不同投資人在選擇時(shí)有不同的風(fēng)險(xiǎn)偏好場景1：滿足客戶偏好進(jìn)行金融產(chǎn)品個(gè)性化推薦產(chǎn)品會

24、違約 嗎？融資能成功 嗎？投標(biāo)了能成功嗎？問題如何評估投資產(chǎn)品在多個(gè)風(fēng)險(xiǎn)層面的表現(xiàn)如何幫助投資人選擇在她多方面風(fēng)險(xiǎn)考慮下最優(yōu)的投 資產(chǎn)品組合產(chǎn)品違約的概率？融資成功的概率？投標(biāo)成功的概率？ 這個(gè)投資產(chǎn)品的整體風(fēng)險(xiǎn)如何？產(chǎn)品1產(chǎn)品2產(chǎn)品3投資組合1產(chǎn)品1產(chǎn)品2產(chǎn)品4投資組合2對投資產(chǎn)品的風(fēng)險(xiǎn)考慮投資產(chǎn)品違約的風(fēng)險(xiǎn)投資產(chǎn)品融資成功的風(fēng)險(xiǎn)投資人投標(biāo)成功的風(fēng)險(xiǎn)問題一哪 種 組 合 更 好？問題二39Lab. Of Semantic Computing and Data Mining場景1：滿足客戶偏好進(jìn)行金融產(chǎn)品個(gè)性化推薦解決方法（分三步）：根據(jù)投資人最近的投資記錄，識別當(dāng)前市場的活躍投資人針對問題一

25、的解決方法：對當(dāng)前市場的投資產(chǎn)品進(jìn)行多維度風(fēng)險(xiǎn)評估（GBDT算法）針對問題二的解決方法：兩種選擇策略（加權(quán)目標(biāo)策略，多目標(biāo)優(yōu)化策略）1. 識別當(dāng)前市場 的活躍投資人2. 對當(dāng)前市場投資產(chǎn) 品進(jìn)行多維度認(rèn)知評估3. 投資產(chǎn)品組合 選擇策略40Lab. Of Semantic Computing and Data Mining場景2：結(jié)合產(chǎn)品特性進(jìn)行潛在投資人的推薦41%的投資產(chǎn)品募集失敗41Lab. Of Semantic Computing and Data Mining投資失敗的投資產(chǎn)品中有60%的產(chǎn)品 只收到了20%以下的目標(biāo)金額投資以借貸平臺prosper為例什么是潛在投資人推薦？在眾多

26、投資人中，為投資產(chǎn)品找到潛在會投資該產(chǎn)品的投資人為什么要進(jìn)行潛在投資人推薦？大多數(shù)投資產(chǎn)品，由于在投資期限內(nèi)沒有被潛在的投資人發(fā)現(xiàn)，導(dǎo)致投資失敗，為投資產(chǎn)品推薦潛在的投資人可以提高產(chǎn)品融資成功率有利于進(jìn)行精準(zhǔn)營銷場景2：結(jié)合產(chǎn)品特性進(jìn)行潛在投資人的推薦問題問題一：投資產(chǎn)品隨著時(shí)間推移，投資的金額、投資的人數(shù)等 會進(jìn)行實(shí)時(shí)變化，考慮如何刻畫投資產(chǎn)品的實(shí)時(shí)變化問題二：投資產(chǎn)品投資時(shí)間有限，具有時(shí)效性問題三：如何結(jié)合潛在投資人的特點(diǎn)，進(jìn)行投資人推薦投資過程動態(tài)變化投資時(shí)間有限時(shí) 效 性時(shí)間產(chǎn)品融資比例產(chǎn)品融資金額產(chǎn)品融資時(shí)間融資天數(shù)60306010.89：0033%3300時(shí)產(chǎn)品12013.10.1

27、2 - 2013.12.1210.818：0050%5000變產(chǎn)品22014.01.02 - 2014.02.0110.9 12：0082%8200性產(chǎn)品32015.07.05 - 2015.09.05結(jié)合以上投資產(chǎn)品特點(diǎn)和投資人雙方特點(diǎn)，推薦潛在投資人42Lab. Of Semantic Computing and Data Mining場景2：結(jié)合產(chǎn)品特性進(jìn)行潛在投資人的推薦動態(tài)推薦模型混合隨機(jī)游走模型混合隨機(jī)游走模型示意圖進(jìn)行潛在投資人的推薦結(jié)合協(xié)同過濾和基于內(nèi)容的過濾方法協(xié)同過濾的方法實(shí)現(xiàn)投資產(chǎn) 品與投資人之間的游走基于內(nèi)容的過濾方法實(shí)現(xiàn)投 資產(chǎn)品之間的游走為投資產(chǎn)品建立實(shí) 時(shí)的動態(tài)推

28、薦模型解決方法：混合隨機(jī)游走方法解決了投資產(chǎn)品動態(tài)變化的問題（問題一）解決了投資產(chǎn)品募集時(shí)間有限的問題（問題二）以及挖 掘潛在投資人的問 題（問題三）43Lab. Of Semantic Computing and Data Mining金融領(lǐng)域推薦應(yīng)用場景結(jié)果場景1的結(jié)果場景2的結(jié)果在考慮三個(gè)風(fēng)險(xiǎn)的情況下，投 資產(chǎn)品組合都落在了帕累托最 優(yōu)邊界上所提出的EVA方法結(jié)果更優(yōu)， 說明了該方法應(yīng)用在投資產(chǎn)品 組合推薦上的有效性比較所提出的混合隨機(jī)游走算 法（RWH）與其他算法在潛 在投資人推薦的結(jié)果在精度和召回率上，RWH都 表現(xiàn)得優(yōu)于其他算法44Lab. Of Semantic Computin

29、g and Data Mining通過結(jié)合金融領(lǐng)域特點(diǎn)進(jìn)行推薦，實(shí)現(xiàn)了投資人和投資產(chǎn)品雙方效益的最大化Lab. Of Semantic Computing and Data Mining提綱大數(shù)據(jù)時(shí)代背景及現(xiàn)狀1基于認(rèn)知的教學(xué)個(gè)性化推薦23情景感知的移動用戶推薦4金融領(lǐng)域帶風(fēng)險(xiǎn)約束的推薦5結(jié)合社交因素的用戶推薦6總結(jié)與展望大數(shù)據(jù)時(shí)代下的社交推薦大數(shù)據(jù)時(shí)代下社交網(wǎng)絡(luò)與推薦系統(tǒng)緊密結(jié)合Facebook等社交網(wǎng)絡(luò)大行其道，而其中包含了海量的數(shù)據(jù)個(gè)性化推薦在社交網(wǎng)絡(luò)上取得了廣泛應(yīng)用應(yīng)用案例:Facebook與亞馬遜合作 進(jìn)行實(shí)時(shí)的產(chǎn)品推薦，帶來 了更大的收益阿里巴巴建立了社交網(wǎng)絡(luò) 信息數(shù)據(jù)庫，更有效地

30、進(jìn)行 產(chǎn)品推薦社交大數(shù)據(jù)推薦系統(tǒng)個(gè)性化 推薦46Lab. Of Semantic Computing and Data Mining社交推薦的特點(diǎn)和挑戰(zhàn)什么是社交推薦：結(jié)合用戶之間的社交關(guān)系進(jìn)行個(gè)性化推薦社交推薦推薦什么：推薦與用戶行為相關(guān)的事物比如推薦好友，推薦商品社交推薦的特點(diǎn)：有特殊的領(lǐng)域知識（社交影響力傳播、社會心理學(xué)等）推薦結(jié)果的可解釋性較好（如推薦理由是某個(gè)好友喜歡）社交推薦的挑戰(zhàn)：如何刻畫社交影響和同質(zhì)性之間的相互作用如何衡量社交網(wǎng)絡(luò)動態(tài)演化過程及其影響如何利用社會心理學(xué)建模用戶行為與社交關(guān)系的共同演化47Lab. Of Semantic Computing and Data M

31、ining動態(tài)社交影響傳統(tǒng)方法的局限性和不足之處：傳統(tǒng)的社交推薦并沒有很好地建模社交影響和用戶行為演變之間的關(guān)系傳統(tǒng)的社交推薦忽視了用戶受社交影響之后行為變化對社交關(guān)系的反作用動態(tài)社交推薦的特點(diǎn)：更真實(shí)地刻畫社交網(wǎng)絡(luò)與用戶行為之間的相互演變過程用戶社交心理（如從眾）的影響會與社交關(guān)系強(qiáng)弱的變化而聯(lián)合演變更好地解釋用戶行為演變的機(jī)制場景1：用戶興趣演變？場景2：用戶關(guān)系演變48Lab. Of Semantic Computing and Data Mining場景1：用戶興趣演變預(yù)測用戶行為受社交好友影響協(xié)同過濾社交影響49Lab. Of Semantic Computing and Data Mining問題定義在社交服務(wù)平臺的時(shí)間軸到上，給定用戶消費(fèi)張量C(user-item-time)及社交張量S(user-user-time)預(yù)測用戶在時(shí)間的消費(fèi)行為基本思路每個(gè)用戶在時(shí)刻t有一個(gè)潛在的興趣因素U t興趣因素以及社交因素預(yù)測用戶消費(fèi)行為用戶消費(fèi)行為演化分析用戶更喜歡和歷史消費(fèi)興趣相似的產(chǎn)品場景2：用戶關(guān)系演變預(yù)測同質(zhì)性任意節(jié)點(diǎn)鄰近模型50Lab. Of Semantic Computing and Data