本文节选自《金融电子化》2019年04月刊

作者：中国农业银行福建省分行 邱振生 周胜平 陈顶

个性化推荐技术是近年来为解决互联网时代信息泛滥应运而生的一种服务技术。通过收集、分析和挖掘客户的历史行为数据，了解客户是怎样一个人，有怎样的行为和兴趣，对产品进行了哪些反馈等，并归结出客户的特征属性和兴趣偏好，建立客户兴趣模型，从而为客户推荐其可能喜欢的产品和服务。

个性化推荐技术通过客户的交易购买行为，挖掘客户对产品的兴趣，建立客户的兴趣模型；对同一客户群体，银行可以根据其相似的风险等级、产品需求来制定相似的营销策略，进行产品服务推荐。另外，通过挖掘客户与产品之间的关联，利用客户的产品交易数据挖掘客户可能感兴趣的其他产品和服务，从而将产品推荐给目标客户，实现客户资产的优化配置，有效将银行的海量数据转化为实实在在的盈利价值。

面向银行产品的个性化推荐策略

银行庞大的客户群体每天在各个渠道产生海量交易数据，能否充分利用，很大程度上会影响推荐结果的好坏。采用合适的个性化推荐策略进行产品推荐，是本文研究的核心问题。

1．基于产品的协同过滤推荐。基于产品的协同过滤推荐（简称ItemCF）。通过对商业银行海量产品交易数据的分析计算，找到和目标产品相似的产品，并根据客户对相似产品的历史交易数据来预估目标客户购买目标产品的可能性，如图1所示。User1和User2都喜欢Product1和Product3，我们认为Product1和Product3相似，当User3喜欢Product3时，算法会自动向他推荐Product1。ItemCF的最大优点是具有创造性，其推荐的结果不但是客户曾经感兴趣过的产品，也可能是客户从未关注但可能感兴趣的产品。

图1 客户兴趣模型更新

客户对于产品的反馈信息是协同过滤推荐的重要数据来源，分为显性反馈信息和隐性反馈信息。显性反馈信息即客户根据自身的兴趣偏好主动的对产品进行直接的评分，是最直接的收集客户反馈数据的方法。但在实际中，往往较难让客户直接对金融产品进行量化的评分，导致显性反馈信息无法量化收集。所以，有意识地记录客户各种各样的行为数据，就构成了个性化推荐的重要隐性反馈信息来源。隐性反馈信息一般是客户在金融活动过程中无主观意识发生的行为信息，能反映客户兴趣的数据。例如，客户查看某产品信息的次数、在产品信息页面的停留时间、客户购买产品的份额、客户签约产品定期定投等等信息，都不同程度地透露了客户的金融需求。

收集客户反馈信息后，需要计算产品间的相似度。比如，对于客户每天新发生的增量产品交易，生成新的推荐源数据，更新到存量推荐数据中，不断完善产品相似度数据和客户对产品的兴趣度数据，从而不断更新给客户的产品推荐列表，使推荐引擎的计算结果越来越贴近客户的金融产品偏好。

2．基于内容的推荐。在个性化推荐中，物品的“内容”多种多样，类型不同，其内容信息也各不相同。在理财产品中，可包含的内容信息有风险等级、投资期限、收益率、收益类型、起点金额、费率等等；而在这些内容信息中，每一项均在一定程度上反映了产品的特征信息。

基于内容的推荐（简称CBR）。通过机器学习技术为每个客户建立兴趣模型，同时对于产品建立特征模型，从而进一步计算出产品间的相似度。CBR根据产品的特征和客户的金融偏好，推荐和该客户金融偏好相关度较高的产品给客户。

由于CBR仅仅需要根据客户的历史交易记录分析客户的金融偏好以及描述金融产品的特征，因此，当新产品发布时，只需要确定新产品的特征，更新模型，就可以进行推荐，不存在无法推荐的问题。

例如根据客户购买产品的历史记录，可以判定客户属于保守型客户，金融偏好在保本型理财，周期较短。推荐引擎就会根据这样特点推荐天天理财、货币型基金这样的理财产品给该客户。这也是CBR的一大优点，客户曾经喜欢过什么内容的产品，就将具有相同或相似内容的新产品推荐给这位客户，将此作为产品推荐的解释，大部分客户都能很好的接受。

在构建客户兴趣模型时，需要表示客户的金融偏好。主要指体现客户的金融偏好、资产状况、风险等级、交易频度等数据。

提取特征数据的过程，也分为显性特征和隐性特征的提取。显性特征即客户主动提供的能体现金融偏好的信息数据，例如理财风险评估、客户个人信息等，但仅仅依靠客户的显性特征数据是远远不够的，我们需要从隐性特征数据中获取更多的客户金融偏好信息。

例如，当客户发生产品交易行为时，即更新客户的兴趣模型，并定时根据客户最新的兴趣模型，更新客户对产品的兴趣度，并生成产品推荐列表。通过客户每次的购买行为不断更新客户的兴趣模型，使系统的推荐结果更接近与客户的投资偏好。

3．混合推荐。如图2，ItemCF和CBR的推荐算法相辅相成，优势互补。ItemCF缺少对客户兴趣爱好和产品业务内容的了解，而CBR则缺少对客户反馈数据的考虑。本文基于两种策略的优缺点互补，提出混合推荐策略。

图2 混合推荐

其中，将产品推荐列表A和B进行加权混合，A和B的权重参数根据业务需求适时调整，对于同时在A和B中出现的产品，进行叠加权重处理。最终按推荐度排序得到产品推荐列表C，并进行进一步筛选，如去掉可购买额度不足的产品等。

推荐效果评价

为了评价金融产品个性化推荐策略的效果，本文从客户满意度、产品覆盖率、推荐成功率这几个评价指标对上述三种推荐方法进行分析评价。相关定义如下。

1．产品覆盖率。是产品发布者所关心的指标，体现的是推荐策略对产品的挖掘能力。产品覆盖率为100%的推荐策略会将所有出现的产品都推荐给至少一个客户。而产品热销榜的产品覆盖率就很低，仅仅推荐热门产品，所占比例及其有限。好的推荐策略需要有较高的产品覆盖率。这里，我们取推荐的产品占产品总数的比例作为产品覆盖率。

2．产品多样性。为了满足客户不同的兴趣，推荐策略生成的推荐列表需要覆盖客户不同的兴趣领域，即推荐列表的多样性。若推荐列表较为多样，对客户不同兴趣的覆盖较全面，那么客户找到自己感兴趣产品的概率也较大。可以看到，推荐列表的多样性描述了推荐列表中两两产品的不相似性。而推荐系统的整体多样性可以定义为所有客户推荐列表多样性的平均值。

3．推荐新颖度。新颖的推荐是指给用户推荐过去未接触过的产品，越热门的产品越可能让客户觉得新颖，因此，推荐列表中产品的平均热门程度越低，那么推荐策略的新颖度就越高。这里以所有客户的推荐列表的平均热门度作为整个推荐策略的热门度，反之，即推荐策略的新颖度。

通过以上的分析，我们可以发现，在面向银行金融产品的推荐方法中，基于内容的推荐方法相比协同过滤的推荐方法，推荐效果有一定的优势,并且更容易向客户推荐新产品。主要的原因在于投资者、客户，在金融市场中，相对更关注产品本身的特征属性，而协同过滤带来的产品相似度，更不容易解释，也更不被客户所接受。而协同过滤推荐方法得到的推荐产品更为新颖，更容易向客户推荐客户以前未接触的产品。两种方法混合后的推荐策略，综合了两种策略的优势，推荐的产品更为多样，更容易挖掘客户不同的兴趣点。

责任编辑：韩希宇