項(xiàng)慨 朱倩倩 張帥 徐玲 賀靖文 張崟瀅

摘 要：隨著互聯(lián)網(wǎng)與金融的相互滲透，互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品已逐步滲入人們的生活。本文采用基于內(nèi)容推薦、基于個(gè)性化情境的協(xié)同過濾推薦構(gòu)建了一個(gè)混合推薦模型，引入兩次排名，從第一次排名過的TOP-N商品中，按照同類型產(chǎn)品收益率高低進(jìn)行二次排名作為最終推薦結(jié)果。使互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品由被動(dòng)由消費(fèi)者選擇轉(zhuǎn)為主動(dòng)出擊，智能推薦，從而達(dá)到用戶與互聯(lián)網(wǎng)金融企業(yè)的雙贏的局面。

關(guān)鍵詞：互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品;推薦技術(shù);智能推薦;混合推薦

一、引言

近年來，互聯(lián)網(wǎng)金融發(fā)展迅速，根據(jù)CNNIC2018年7月發(fā)布的《第42次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，我國互聯(lián)網(wǎng)理財(cái)使用率由2017年末的16.7%提升至2018年6月的21.0%，互聯(lián)網(wǎng)理財(cái)用戶增加3974萬，半年增長率30.9%;用戶投資理財(cái)模式正由傳統(tǒng)金融理財(cái)產(chǎn)品轉(zhuǎn)向互聯(lián)網(wǎng)理財(cái)產(chǎn)品，但是在互聯(lián)網(wǎng)技術(shù)迅猛發(fā)展的條件下，信息過載問題嚴(yán)重，用戶在大量互聯(lián)網(wǎng)理財(cái)產(chǎn)品中甄別和選擇合適的理財(cái)產(chǎn)品比以往困難，容易追求熱門理財(cái)產(chǎn)品，大量優(yōu)質(zhì)卻冷門的理財(cái)產(chǎn)品無人問津。以上不僅會(huì)導(dǎo)致用戶購買互聯(lián)網(wǎng)理財(cái)產(chǎn)品的積極性降低，而且由于盲目選擇而導(dǎo)致的收益降低甚至損失也會(huì)降低用戶對互聯(lián)網(wǎng)理財(cái)產(chǎn)品的信任度，互聯(lián)網(wǎng)理財(cái)公司利潤受到影響。

隨著用戶多樣化、個(gè)性化的需求不斷增加，智能推薦策略已在智慧城市、廣播電視媒體、電子商務(wù)以及智慧旅游等領(lǐng)域得到較好的研究與應(yīng)用?，F(xiàn)階段針對互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品的智能推薦技術(shù)研究領(lǐng)域，國內(nèi)學(xué)者王芮瑩提出了互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品多粒度推薦模型，國內(nèi)學(xué)者周瑩提出了基于證券理財(cái)產(chǎn)品用戶行為分析的個(gè)性化推薦系統(tǒng)，但現(xiàn)階段針對互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品的智能推薦技術(shù)研究較少。國外在互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品的智能推薦技術(shù)研究比較成熟，且應(yīng)用于實(shí)際的過程中。

二、常用推薦算法及比較

（一）基于內(nèi)容推薦

基于內(nèi)容推薦（CBF），通過分析用戶瀏覽或者購買過的商品特征，得到用戶興趣偏好模型，依據(jù)模型匹配符合條件的商品，推薦與這些商品相似的商品，通過整合分析以及完善將其推薦給用戶。CBF通常使用兩種方法：

1. 基于特征。將待推薦商品的相關(guān)特性用向量空間、概率、矢量權(quán)重向量或者貝葉斯模型的方法定義。用到的學(xué)習(xí)方法主要有神經(jīng)網(wǎng)絡(luò)法、決策樹法以及基于矢量表示法等。

2. 基于文本分類。在大規(guī)模的文本特征即單詞和短語上建立有效的分類方法，對所有的文本分類。

優(yōu)勢：推薦結(jié)果直觀;不需要領(lǐng)域知識(shí);用戶偏好模型可隨用戶資料改變而改變;無新項(xiàng)目和稀疏性問題;為特殊愛好用戶推薦。

劣勢：存在新用戶冷啟問題;無法提供新穎性推薦;無法對音樂、圖像、視頻等非結(jié)構(gòu)化項(xiàng)目進(jìn)行推薦。

（二）協(xié)同過濾推薦

協(xié)同過濾推薦（CF），使用最近鄰技術(shù)，通過分析用戶的歷史購買評價(jià)數(shù)據(jù)得到用戶之間的相似性，從而產(chǎn)生目標(biāo)用戶的最近鄰居集，并利用最近鄰居用戶對待推薦商品的評價(jià)預(yù)測目標(biāo)用戶對這一商品的需求度，向用戶推薦合適商品。CF分為：

1. 基于內(nèi)存的協(xié)同過濾推薦。在系統(tǒng)運(yùn)行的過程中將用戶—項(xiàng)目評分?jǐn)?shù)據(jù)調(diào)入內(nèi)存然后進(jìn)行協(xié)同過濾。有基于用戶和基于項(xiàng)目的協(xié)同過濾推薦。

2. 基于模型的協(xié)同過濾推薦。根據(jù)用戶興趣數(shù)據(jù)庫，用機(jī)器學(xué)習(xí)算法得到數(shù)學(xué)模型。主要有奇異值分解、聚類算法等技術(shù)。

優(yōu)勢：提供新穎性推薦;不需要領(lǐng)域知識(shí);個(gè)性化、自動(dòng)化程度高;處理非結(jié)構(gòu)化對象;隨時(shí)間推移性能高。

劣勢：存在稀疏性、冷啟動(dòng)問題;可擴(kuò)展問題;用戶量規(guī)模大時(shí)推薦結(jié)果耗時(shí)。

（三）基于效用的智能推薦

首先為每個(gè)用戶建立效用函數(shù)，然后計(jì)算待推薦商品集和用戶需求的匹配度，通過比較用戶購買該商品后可能得到的效用作出推薦。

優(yōu)勢：考慮非產(chǎn)品屬性，用戶偏好敏感。

劣勢：每位用戶需要?jiǎng)?chuàng)建效用函數(shù);靜態(tài)推薦。

（四）基于知識(shí)的智能推薦

首先分析目標(biāo)用戶的興趣愛好，得到用戶需求，從而為用戶提供推薦。目前流行的基于知識(shí)的智能推薦可分為如下三類：

1. 基于案例推理的推薦（CBR）。

2. 數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)（KDD）。

3. 基于知識(shí)推理（KR）。

優(yōu)勢：考慮非產(chǎn)品屬性。劣勢：知識(shí)難以獲取;靜態(tài)推薦。

（五）混合推薦

通過整合兩種以上智能推薦技術(shù)彌補(bǔ)或者避免單獨(dú)推薦技術(shù)的不足，以取得質(zhì)量更高的推薦結(jié)果。通過簡單的線性擬合或改進(jìn)等措施，能給企業(yè)帶來利益，用戶黏性得到增加，用戶對智能服務(wù)的滿意度也得到提高。

三、互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品智能推薦

（一）用戶建模與更新

1. 用戶建模

（1）收集用戶信息

用戶隱示輸入信息，包括用戶打開互聯(lián)網(wǎng)理財(cái)產(chǎn)品頁面的頻率以及瀏覽時(shí)間，用戶是否對某一理財(cái)產(chǎn)品有收藏或者分享的行為，通過服務(wù)器保存的用戶日志進(jìn)行記錄和使用。用戶顯示輸入信息，收集用戶對理財(cái)產(chǎn)品或關(guān)鍵詞的搜索信息以及各種形式的調(diào)查報(bào)告。用戶基本信息，包括用戶的注冊信息及之后填寫的基本信息，且為了保證推薦算法的實(shí)時(shí)性，基本信息每隔一段時(shí)間都應(yīng)該通過一種方法進(jìn)行主動(dòng)或者被動(dòng)更新。

（2）建立用戶模型

基于布爾或者加權(quán)關(guān)鍵詞向量構(gòu)建用戶模型。

2. 用戶模型更新

如果用戶產(chǎn)生了新的行為，要對用戶行為的合法性進(jìn)行判斷，根據(jù)用戶行為的分類來決定是否需要采集用戶的行為，然后再次構(gòu)建適合用戶的模型。更新不能太過頻繁，但也不能隔太久才更新。

（二）推薦算法

1. 基于向量空間模型的內(nèi)容推薦。首先對資源進(jìn)行特征提取，然后比較內(nèi)容之間的相似度，有針對的為用戶推薦。經(jīng)常使用的算法為K最近鄰算法，通過向量空間模型計(jì)算所有項(xiàng)目個(gè)體的相似度，找到空間上與之最相近的K個(gè)項(xiàng)目。具體步驟如下：

提取特征詞，并賦予不同的權(quán)重。構(gòu)建項(xiàng)目相似度模型。生成相關(guān)度矩陣。根據(jù)相關(guān)度矩陣選取相關(guān)度最高的N個(gè)資源。

以上為傳統(tǒng)算法，基于引導(dǎo)用戶多樣化投資、分散風(fēng)險(xiǎn)的目的，僅僅推薦多類型的理財(cái)產(chǎn)品還不夠。當(dāng)生成N個(gè)推薦結(jié)果中的同類型理財(cái)產(chǎn)品有多個(gè)時(shí)，應(yīng)當(dāng)把同類型的多個(gè)理財(cái)產(chǎn)品按照一定時(shí)間內(nèi)的收益率細(xì)分為低、中、高三個(gè)等級（負(fù)收益率為低收益率等級），分別按比率取三個(gè)等級前M個(gè)產(chǎn)品作為最終的推薦結(jié)果展示給用戶。

2. 基于用戶的協(xié)同推薦。首先創(chuàng)建用戶項(xiàng)目評分矩陣，根據(jù)評分矩陣計(jì)算用戶間的相似性。然后構(gòu)建鄰居模型M，從鄰居模型M中讀取與目標(biāo)用戶u最為相似的k個(gè)鄰居用戶作為興趣相投的鄰居用戶Neb（u，k）。最后為目標(biāo)用戶u推薦鄰居用戶知道并且喜歡的而目標(biāo)用戶u未知的N個(gè)項(xiàng)目。具體步驟如下：

（1）相似性度量

首先對各種符號(hào)作如下約定：Rm×n=[r1，r2，…ri…rm]為用戶評分矩陣，其中ri=[ri1，ri2，…rin]。T為用戶u的評分向量，表示下表中的第i行，rj代表用戶v的評分向量。Tu、Tv分別表示用戶u和用戶v評過分的項(xiàng)目集合?！龇謩e表示用戶u、v對所有項(xiàng)目的平均打分?！霰硎舅杏脩魧?xiàng)目i的平均打分。用戶集合為U，項(xiàng)目集合為I。

因此，在理財(cái)產(chǎn)品智能推薦算法中可以采用修正后的余弦相似度或皮爾遜相似度去度量用戶相似性。

修正后的余弦相似度：

皮爾遜相似度：

（2）確定最近鄰居

在得到用戶與目標(biāo)用戶的相似性后，選擇合適的相似性閥值，選取相似性大于閥值的作為鄰居用戶，或者選擇N個(gè)相似性最大的用戶作為鄰居用戶。

（3）產(chǎn)生推薦

用戶對目標(biāo)項(xiàng)目i的預(yù)測評分：

加權(quán)后用戶對目標(biāo)項(xiàng)目i的預(yù)測評分：

由于協(xié)同過濾推薦存在數(shù)據(jù)稀疏性問題，用戶只對很少一部分項(xiàng)目有評分。需要先對項(xiàng)目進(jìn)行處理，一般可以用聚類或者矩陣填充的方法解決。對于互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品的智能推薦，可以采用矩陣填充的方法，使用平均值對缺省值進(jìn)行填充，將稀疏矩陣轉(zhuǎn)換為密集矩陣。

3. 在基于協(xié)同過濾的基礎(chǔ)上加入個(gè)性化情境。個(gè)性化情境分為兩類：用戶情境和環(huán)境情境，但本文不涉及環(huán)境情境。用戶情境由用戶基本信息組合，包括性別，年齡，職業(yè)，受教育程度，家庭月收入，家庭總資產(chǎn)凈值，期望投資期限，投資態(tài)度，用n元組Cu表示，具體描述如下：

其中，性別由集合Sex表示，由2種性別構(gòu)成，即男、女;年齡由集合Age表示，由6個(gè)年齡段構(gòu)成，即18歲以下，18-25，26-50，51-60，61-64，65歲以上;職業(yè)由集合Occupation表示，由8大類職業(yè)構(gòu)成，即政府機(jī)關(guān)，事業(yè)單位，國企，私企，金融機(jī)構(gòu)，學(xué)生，退休人員，其他;受教育程度由集合Education表示，由4種受教育程度構(gòu)成，即初中及以下，高中，大專或本科，碩士、博士及更高;家庭月收入由集合Income表示，由6種收入情況構(gòu)成，即均待業(yè)暫未收入，2000以下，2000-6000，6000-10000，10000-20000，20000以上;家庭總資產(chǎn)凈值由集合TotalAssets表示，由5種資產(chǎn)凈值表示，即15萬元及以下，15萬元-50萬元，50萬元-100萬元，100萬元-1000萬元，1000萬元以上;期望投資期限由集合Term表示，由4種期望表示，即隨時(shí)取出，6個(gè)月以內(nèi)，6個(gè)月到一年，一年以上;投資態(tài)度由集合Attitude表示，由4種投資態(tài)度構(gòu)成，即厭惡風(fēng)險(xiǎn)，保守投資，尋求資金的較高收益和成長，希望賺取高回報(bào)，能接受為期較長期間的負(fù)面波動(dòng)包括本金損失。

在對情境信息進(jìn)行描述之后，接下來對用戶進(jìn)行聚類分析，將用戶群體劃分成多個(gè)不同用戶集合，使同一集合內(nèi)的用戶相似度較高（具有相似情境），不同集合間的用戶相似度低（情境相差較大）。設(shè)用戶集合為■，對于任意用戶Ui其情境定義Ci如下：■;利用相異度矩陣來描述情境數(shù)據(jù)之間的差異，情境相異度d（Ci，Cj）的計(jì)算方式如下：■。

其中，情境由L個(gè)混合變量組成，■和■為指示函數(shù)，如果Ci或者Cj中的第v個(gè)變量的度量值缺失，那么■=0，否則■=1;如果Ci和Cj中的第v個(gè)變量的度量值相同，那么■=1，否則■=0。d（Ci，Cj）越接近1，則說明Ci和Cj相似度越大，反之，說明Ci和Cj相似度越小。根據(jù)實(shí)際情況，當(dāng)d（Ci，Cj）的值在一定范圍內(nèi)時(shí)，認(rèn)為Cj是Ci的一個(gè)相似聚落。

4. 基于個(gè)性化情境加入評分的協(xié)同推薦。即使Cj是Ci的一個(gè)相似聚落，仍需繼續(xù)對同一聚落的用戶進(jìn)行劃分。在現(xiàn)實(shí)生活中，用戶通常會(huì)在網(wǎng)站上進(jìn)行交互活動(dòng)（評論，評分等行為），而這種交互活動(dòng)會(huì)對其他用戶的購買行為產(chǎn)生直接或間接的影響。下面闡述加入評分的算法并結(jié)合上述加入個(gè)性化情境的算法進(jìn)行分析。

首先在通過上述加入個(gè)性化情境的協(xié)同推薦得到的相似聚落中建立一個(gè)用戶-產(chǎn)品評分的關(guān)系矩陣。設(shè)用戶集合為■，產(chǎn)品集合為■，用戶-產(chǎn)品評分矩陣為R。評分由[0，0.1，1]三種組成，其中0表示未評，0.1表示差評，1表示好評。例如：Rij=0表示用戶Ui對產(chǎn)品Ij未進(jìn)行評價(jià);Rij=0.1表示用戶Ui對產(chǎn)品Ij差評，Rij=1表示用戶Ui對產(chǎn)品Ij好評。

在Rij的基礎(chǔ)上建立用戶關(guān)系矩陣■，

M用于描述不同用戶對相同產(chǎn)品進(jìn)行評分的情況。Cpqj表示用戶Up和Uq同時(shí)對產(chǎn)品Ij的評分情況。其中：

則設(shè)一函數(shù)■表示Up和Uq對所有產(chǎn)品評分相同的數(shù)量，另設(shè)一函數(shù)■表示Up和Uq共同參與評分的產(chǎn)品數(shù)，Cpqj表示用戶Up和Uq是否同時(shí)對產(chǎn)品Ij進(jìn)行評分。其中■，評分相異度為：■。

其中Md越接近1，表示Up和Uq對產(chǎn)品的評分情況越相近，表明兩者對產(chǎn)品的喜好越相近;反之則表示兩者對產(chǎn)品的喜好越相異。同樣的，根據(jù)現(xiàn)實(shí)情況，Md將在一定差異范圍內(nèi)的用戶認(rèn)為是相似用戶，再將Md和d（Ci，Cj）定為權(quán)重將目標(biāo)用戶的相似用戶的喜好產(chǎn)品進(jìn)行計(jì)算，得分前三的產(chǎn)品推薦給目標(biāo)用戶。

四、基于混合推薦的互聯(lián)網(wǎng)理財(cái)產(chǎn)品智能推薦方案

（一）混合推薦技術(shù)主要組合策略

混合推薦技術(shù)的思想是將不同的推薦技術(shù)按照某種方法進(jìn)行組合，以發(fā)揮各種推薦技術(shù)的優(yōu)點(diǎn)，彌補(bǔ)其缺點(diǎn)，產(chǎn)生更優(yōu)的推薦結(jié)果。不同組合策略的推薦效率不同，推薦結(jié)果也不同。目前常用組合策略有以下幾種：

1. 加權(quán)混合法：首先采用多種推薦技術(shù)，然后分別得到對某一項(xiàng)目的預(yù)測評分，根據(jù)不同的權(quán)重相加，得出推薦結(jié)果。

2. 切換混合法：具體采用哪一種推薦技術(shù)取決于當(dāng)時(shí)的需求和實(shí)際情況，根據(jù)應(yīng)用場合不同切換不同推薦技術(shù)。

3. 流水混合法：一種推薦技術(shù)的結(jié)果輸出作為另一種推薦技術(shù)的輸入繼續(xù)推薦。

4. 特征組合法：組合來自不同推薦數(shù)據(jù)源的特征并被一種主要推薦算法所采用。

5. 交叉混合法：幾種推薦方法同時(shí)進(jìn)行，產(chǎn)生的結(jié)果是由各種方法所得結(jié)果的混合。

6. 分級混合法：一種推薦方法使用其他推薦方法構(gòu)建的模型進(jìn)行推薦。

（二）互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品混合推薦的組合策略

基于上述幾種推薦方法的比較分析，互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品的混合推薦適合以下兩種組合策略：

1. 交叉混合法。將基于內(nèi)容推薦和基于用戶的協(xié)同過濾推薦產(chǎn)生的結(jié)果按相應(yīng)比例組合在一起，如果兩個(gè)算法有共同的推薦結(jié)果，應(yīng)該先合并并展示共同的推薦結(jié)果，如果存在沖突，還需要提供沖突解決方案。

2. 切換混合法。在沒有足夠的用戶評分?jǐn)?shù)據(jù)或是用戶購買、瀏覽記錄時(shí)，切換至基于知識(shí)的推薦;當(dāng)有足夠的用戶評分?jǐn)?shù)據(jù)或是用戶購買、瀏覽記錄時(shí)，切換至基于內(nèi)容和基于用戶的協(xié)同過濾推薦的交叉混合法。當(dāng)需要突然時(shí)時(shí)在線更新時(shí)，也可以切換至基于知識(shí)的推薦。

（三）互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品混合推薦模型

1. 用戶數(shù)據(jù)模塊。如果存在較多用戶信息，則收集用戶狀態(tài)、屬性數(shù)據(jù)。用戶行為數(shù)據(jù)通過行為日志提取，經(jīng)過數(shù)據(jù)預(yù)處理之后，與用戶狀態(tài)、屬性數(shù)據(jù)一起表示為用戶特征。

2. 物品特征模塊根據(jù)用戶特征向量，分別采用基于內(nèi)容、基于知識(shí)、基于用戶的協(xié)同過濾技術(shù)篩選出相關(guān)物品應(yīng)該具備的特征。

3. 候選物品模塊。根據(jù)相關(guān)的數(shù)據(jù)表，篩選出候選物品的集合，產(chǎn)生初始推薦物品。并將基于內(nèi)容、基于知識(shí)、基于用戶的協(xié)同過濾技術(shù)篩選出的物品分別存儲(chǔ)在獨(dú)立的單元。

4. 過濾模塊。將獨(dú)立單元中的物品分別過濾出已推薦和未推薦過的候選物品，基于互聯(lián)網(wǎng)理財(cái)產(chǎn)品的特性，如果存在較多的已推薦過的物品，應(yīng)該保留少部分已推薦過的物品。

5. 排名模塊。在各獨(dú)立單元的候選物品中，給準(zhǔn)確性和覆蓋度附以較高的權(quán)重，新穎度和多樣性附以相對較低的權(quán)重分別對已推薦和未推薦的物品進(jìn)行排名。

6. 同類型產(chǎn)品排名模塊。在各獨(dú)立單元的候選物品中，如果同類型產(chǎn)品有多個(gè)。取第一次排名靠前的n個(gè)候選物品，按產(chǎn)品類型分類，然后按同類型產(chǎn)品的收益率排名。如果同類型產(chǎn)品較少，則不予排名，直接取TOP-N產(chǎn)品。

7. 推薦結(jié)果模塊。如果用戶信息量較少或者計(jì)算復(fù)雜，則切換為基于知識(shí)的推薦算法，調(diào)取基于知識(shí)的經(jīng)過過濾和兩次排名的產(chǎn)品。如果用戶信息量較多或者計(jì)算相對簡單，切換為基于內(nèi)容和基于用戶的協(xié)同推薦混合模型，采取交叉混合方法，根據(jù)對應(yīng)的權(quán)重，調(diào)取基于內(nèi)容的經(jīng)過過濾和兩次排名的i個(gè)產(chǎn)品，調(diào)取基于用戶的協(xié)同過濾經(jīng)過過濾和兩次排名的j個(gè)產(chǎn)品。

8. 更新與反饋。如果用戶對推薦的結(jié)果長時(shí)間無行為狀態(tài)，則修正推薦模型。如果用戶的屬性信息、狀態(tài)信息、行為信息發(fā)生改變，需要以合適的時(shí)間更新用戶模型。

五、總結(jié)與展望

本文在對比分析以往智能推薦算法優(yōu)缺點(diǎn)的基礎(chǔ)上，提出了基于內(nèi)容、基于用戶的協(xié)同推薦、基于知識(shí)三者于一體的混合推薦，引入切換混合、交叉混合兩種混合策略，能在不同情形下動(dòng)態(tài)切換。避免了推薦的理財(cái)產(chǎn)品過于同質(zhì)化，信息過載問題普遍的今天，對于欠缺理財(cái)知識(shí)的新用戶，通過智能推薦可以減輕用戶選擇的憂慮，對于積累了一定理財(cái)知識(shí)的用戶，可以快速定位合適的產(chǎn)品，合適的推薦能減少用戶流失率而為公司帶來增值效益。

但由于專業(yè)知識(shí)限制，本文在算法上還有許多缺陷和不足之處，對于理財(cái)產(chǎn)品的特殊性考慮也較少。未來還需要在以下方面改進(jìn)：未充分考慮理財(cái)產(chǎn)品和普通商品的差異;

對于推薦結(jié)果的評價(jià)，除了傳統(tǒng)的評價(jià)方法，理財(cái)產(chǎn)品的推薦結(jié)果評價(jià)應(yīng)該能夠盡量避免結(jié)構(gòu)化風(fēng)險(xiǎn);需要構(gòu)建一個(gè)適合理財(cái)產(chǎn)品的動(dòng)態(tài)推薦系統(tǒng)。

參考文獻(xiàn)：

[1] 郎鵬程.基于用戶協(xié)同過濾推薦技術(shù)的研究與實(shí)現(xiàn)[D].寧夏：寧夏大學(xué)，2017.

[2] 王芮瑩.互聯(lián)網(wǎng)金融理財(cái)產(chǎn)品多粒度推薦模型研究[D].重慶：重慶工商大學(xué)，2018.

[3] 汪瑜彬.基于混合協(xié)同過濾的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京工業(yè)大學(xué)，2016.

[4] 張春麗，張濤.基于用戶社會(huì)關(guān)系推送理財(cái)產(chǎn)品的研究[J].電腦知識(shí)與技術(shù)，2016，（12）.

[5] 張松蘭.智能推薦算法研究綜述[J].長春師范大學(xué)學(xué)報(bào)，2017，（36）.

[6] 周瑩.基于證券理財(cái)產(chǎn)品用戶行為分析的個(gè)性化推薦研究[D].成都，電子科技大學(xué)，2014.

[7] 朱子江，劉東，劉壽強(qiáng).基于用戶行為的推薦算法研究[J].軟件導(dǎo)刊，2017，（16）.