本文節選自《金融電子化》2019年04月刊

作者：中國農業銀行福建省分行 邱振生 周勝平 陳頂

個性化推薦技術是近年來為解決互聯網時代信息泛濫應運而生的一種服務技術。通過收集、分析和挖掘客戶的歷史行為數據，了解客戶是怎樣一個人，有怎樣的行為和興趣，對產品進行了哪些反饋等，并歸結出客戶的特征屬性和興趣偏好，建立客戶興趣模型，從而為客戶推薦其可能喜歡的產品和服務。

個性化推薦技術通過客戶的交易購買行為，挖掘客戶對產品的興趣，建立客戶的興趣模型；對同一客戶群體，銀行可以根據其相似的風險等級、產品需求來制定相似的營銷策略，進行產品服務推薦。另外，通過挖掘客戶與產品之間的關聯，利用客戶的產品交易數據挖掘客戶可能感興趣的其他產品和服務，從而將產品推薦給目標客戶，實現客戶資產的優化配置，有效將銀行的海量數據轉化為實實在在的盈利價值。

面向銀行產品的個性化推薦策略

銀行龐大的客戶群體每天在各個渠道產生海量交易數據，能否充分利用，很大程度上會影響推薦結果的好壞。采用合適的個性化推薦策略進行產品推薦，是本文研究的核心問題。

1．基于產品的協同過濾推薦?；诋a品的協同過濾推薦（簡稱ItemCF）。通過對商業銀行海量產品交易數據的分析計算，找到和目標產品相似的產品，并根據客戶對相似產品的歷史交易數據來預估目標客戶購買目標產品的可能性，如圖1所示。User1和User2都喜歡Product1和Product3，我們認為Product1和Product3相似，當User3喜歡Product3時，算法會自動向他推薦Product1。ItemCF的最大優點是具有創造性，其推薦的結果不但是客戶曾經感興趣過的產品，也可能是客戶從未關注但可能感興趣的產品。

圖1 客戶興趣模型更新

客戶對于產品的反饋信息是協同過濾推薦的重要數據來源，分為顯性反饋信息和隱性反饋信息。顯性反饋信息即客戶根據自身的興趣偏好主動的對產品進行直接的評分，是最直接的收集客戶反饋數據的方法。但在實際中，往往較難讓客戶直接對金融產品進行量化的評分，導致顯性反饋信息無法量化收集。所以，有意識地記錄客戶各種各樣的行為數據，就構成了個性化推薦的重要隱性反饋信息來源。隱性反饋信息一般是客戶在金融活動過程中無主觀意識發生的行為信息，能反映客戶興趣的數據。例如，客戶查看某產品信息的次數、在產品信息頁面的停留時間、客戶購買產品的份額、客戶簽約產品定期定投等等信息，都不同程度地透露了客戶的金融需求。

收集客戶反饋信息后，需要計算產品間的相似度。比如，對于客戶每天新發生的增量產品交易，生成新的推薦源數據，更新到存量推薦數據中，不斷完善產品相似度數據和客戶對產品的興趣度數據，從而不斷更新給客戶的產品推薦列表，使推薦引擎的計算結果越來越貼近客戶的金融產品偏好。

2．基于內容的推薦。在個性化推薦中，物品的“內容”多種多樣，類型不同，其內容信息也各不相同。在理財產品中，可包含的內容信息有風險等級、投資期限、收益率、收益類型、起點金額、費率等等；而在這些內容信息中，每一項均在一定程度上反映了產品的特征信息。

基于內容的推薦（簡稱CBR）。通過機器學習技術為每個客戶建立興趣模型，同時對于產品建立特征模型，從而進一步計算出產品間的相似度。CBR根據產品的特征和客戶的金融偏好，推薦和該客戶金融偏好相關度較高的產品給客戶。

由于CBR僅僅需要根據客戶的歷史交易記錄分析客戶的金融偏好以及描述金融產品的特征，因此，當新產品發布時，只需要確定新產品的特征，更新模型，就可以進行推薦，不存在無法推薦的問題。

例如根據客戶購買產品的歷史記錄，可以判定客戶屬于保守型客戶，金融偏好在保本型理財，周期較短。推薦引擎就會根據這樣特點推薦天天理財、貨幣型基金這樣的理財產品給該客戶。這也是CBR的一大優點，客戶曾經喜歡過什么內容的產品，就將具有相同或相似內容的新產品推薦給這位客戶，將此作為產品推薦的解釋，大部分客戶都能很好的接受。

在構建客戶興趣模型時，需要表示客戶的金融偏好。主要指體現客戶的金融偏好、資產狀況、風險等級、交易頻度等數據。

提取特征數據的過程，也分為顯性特征和隱性特征的提取。顯性特征即客戶主動提供的能體現金融偏好的信息數據，例如理財風險評估、客戶個人信息等，但僅僅依靠客戶的顯性特征數據是遠遠不夠的，我們需要從隱性特征數據中獲取更多的客戶金融偏好信息。

例如，當客戶發生產品交易行為時，即更新客戶的興趣模型，并定時根據客戶最新的興趣模型，更新客戶對產品的興趣度，并生成產品推薦列表。通過客戶每次的購買行為不斷更新客戶的興趣模型，使系統的推薦結果更接近與客戶的投資偏好。

3．混合推薦。如圖2，ItemCF和CBR的推薦算法相輔相成，優勢互補。ItemCF缺少對客戶興趣愛好和產品業務內容的了解，而CBR則缺少對客戶反饋數據的考慮。本文基于兩種策略的優缺點互補，提出混合推薦策略。

圖2 混合推薦

其中，將產品推薦列表A和B進行加權混合，A和B的權重參數根據業務需求適時調整，對于同時在A和B中出現的產品，進行疊加權重處理。最終按推薦度排序得到產品推薦列表C，并進行進一步篩選，如去掉可購買額度不足的產品等。

推薦效果評價

為了評價金融產品個性化推薦策略的效果，本文從客戶滿意度、產品覆蓋率、推薦成功率這幾個評價指標對上述三種推薦方法進行分析評價。相關定義如下。

1．產品覆蓋率。是產品發布者所關心的指標，體現的是推薦策略對產品的挖掘能力。產品覆蓋率為100%的推薦策略會將所有出現的產品都推薦給至少一個客戶。而產品熱銷榜的產品覆蓋率就很低，僅僅推薦熱門產品，所占比例及其有限。好的推薦策略需要有較高的產品覆蓋率。這里，我們取推薦的產品占產品總數的比例作為產品覆蓋率。

2．產品多樣性。為了滿足客戶不同的興趣，推薦策略生成的推薦列表需要覆蓋客戶不同的興趣領域，即推薦列表的多樣性。若推薦列表較為多樣，對客戶不同興趣的覆蓋較全面，那么客戶找到自己感興趣產品的概率也較大?？梢钥吹?，推薦列表的多樣性描述了推薦列表中兩兩產品的不相似性。而推薦系統的整體多樣性可以定義為所有客戶推薦列表多樣性的平均值。

3．推薦新穎度。新穎的推薦是指給用戶推薦過去未接觸過的產品，越熱門的產品越可能讓客戶覺得新穎，因此，推薦列表中產品的平均熱門程度越低，那么推薦策略的新穎度就越高。這里以所有客戶的推薦列表的平均熱門度作為整個推薦策略的熱門度，反之，即推薦策略的新穎度。

通過以上的分析，我們可以發現，在面向銀行金融產品的推薦方法中，基于內容的推薦方法相比協同過濾的推薦方法，推薦效果有一定的優勢,并且更容易向客戶推薦新產品。主要的原因在于投資者、客戶，在金融市場中，相對更關注產品本身的特征屬性，而協同過濾帶來的產品相似度，更不容易解釋，也更不被客戶所接受。而協同過濾推薦方法得到的推薦產品更為新穎，更容易向客戶推薦客戶以前未接觸的產品。兩種方法混合后的推薦策略，綜合了兩種策略的優勢，推薦的產品更為多樣，更容易挖掘客戶不同的興趣點。

責任編輯：韓希宇