陈 燕，马兴敏，宿媛媛

（山东省农村信用社联合社，济南 250101）

1 引言

随着国内外金融市场的不断发展，银行业面临的竞争日益激烈，目前各大商业银行都在不断推出各种银行产品，以满足不同类型客户的需求。在激烈的竞争环境下，要取得竞争优势，必须靠高质量个性化的服务赢得市场和客户。面对数量激增而又需求迥异的银行客户，如何主动适应用户需求、准确地为新产品定位目标市场，成为银行决策者重点关注的问题。而推荐系统作为一种信息过滤工具，能够帮助用户方便、快捷地发现有价值的目标信息，从而提供准确的个性化信息服务。推荐系统不仅在电子商务、社交网络等众多应用领域发挥着重要的作用，同样可以引入银行系统，实现银行产品的个性化推荐服务。项的评分。从本质上来说，二者所面对的推荐问题是一致的，在实现流程上也是一致的。其实现步骤大体分为四步：

（1）用户偏好信息的输入。该信息主要是以用户-项目（user-item）评分矩阵形式表示。

（2）最近邻搜索。选择合适的相似度计算公式找出用户的最近邻居。

（3）预测评分。根据最近邻居对项目的评分进行加权处理并预测出用户对未评分项目的评分。

（4）Top-N推荐。依据第三步产生的评分依次选出前N个项目输出并推荐给用户。

3 银行产品推荐系统

2 推荐系统简述

2.1 推荐系统概念

推荐系统是一种信息过滤系统，它旨在帮助用户在还未接触到或选择某个事物之前，提前预测用户对该事物的喜好并引导用户做出选择的系统。推荐系统作为一种个性化信息服务系统，在众多热门研究领域中均有应用，尤其在电子商务、社交网络等领域应用广泛，如国外的Amazon.com、YouTube，国内的淘宝、京东、豆瓣等都极大地受益于推荐系统的研究及发展[1]。由此可见，推荐系统的商业应用已经融入到了用户普通生活的方方面面中。

2.2 推荐系统功能模块及流程

推荐系统与传统信息服务的不同之处在于它在用户与所需信息资源之间创建了一种“推荐机制”。而这种推荐机制主要由以下功能模块来实现和保障：信息获取、用户建模、对象信息描述、信息资料库、推荐算法、用户评价及反馈[2]。具体工作流程步骤如下：

（1）信息的获取及存储。任何推荐系统想要进行相关的推荐，其首要解决的问题就是对用户和所推荐物品进行信息收集，并以一定形式存储。

（2）信息处理及建模。这部分工作主要由对象信息描述模块及用户建模模块进行处理。

（3）推荐算法及推荐策略。推荐算法是推荐系统的核心部件，也是完成推荐功能的执行模块。推荐策略的形成是以获取的信息和信息模型为基础。

（4）用户评价及反馈。该模块将推荐结果展示给用户并接受用户的评价及反馈。反馈机制对于推荐性能的提高有着重要的意义。

2.3 推荐算法及其分类

推荐算法是推荐系统的核心部分，其中协同过滤技术是目前研究最多的也是应用最为广泛的个性化推荐技术。其原理是通过对用户信息模型的分析，发现用户或物品之间的相关性，进而根据这些关联特性对用户进行推荐[3]。协同过滤推荐一般分为两类：基于用户（User-based）的推荐和基于项目（Item-based）的推荐。基于用户的推荐是根据邻居用户的观点产生对目标用户的推荐列表；基于项目的推荐是根据用户对相似项的评分预测用户对目标

当前，商业银行的服务模式正在全方位面向市场，由被动型向主动型转变，在金融产品差异日渐缩小的形势下，利用新兴的推荐技术打造新一代的个性化客户服务系统成为银行经营发展中的战略性规划。推荐包括三个要素：用户、推荐候选对象、推荐方法。三者依次对应为银行客户、银行产品、推荐平台及其实现策略。对于银行业来说，随着Web服务的不断发展，在银行核心业务系统中产生了大量的用户数据和交易数据。这些业务数据中包含着客户基本信息数据、产品基本信息数据以及客户历史交易数据，将这些数据统一存储在银行数据仓库中，以供推荐系统利用。然后运用个性化推荐理论与算法，对这些基础数据进行深层次的分析和处理，以完成对商业银行产品推荐系统的设计和实现。具体设计思路如下：

（1）数据预处理。将所需数据从银行数据仓库中取出，通过对数据进行分析过滤处理，使其满足推荐系统要求。

（2）基于银行客户的推荐。首先搜集客户偏好信息（以用户-项目评分矩阵形式表示），利用客户偏好信息建立客户兴趣偏好模型，然后通过此模型计算目标客户与其他客户的兴趣相似度，最后根据相似度向目标客户推荐其可能感兴趣的银行产品。该过程可由User-based协同过滤算法实现。

（3）基于银行产品的推荐。通过计算银行产品间的相似性找到产品的邻居产品组，进而利用客户对产品的历史交易信息或评价信息，对预估产品进行评分并以此为客户进行推荐。该过程可由Item-based协同过滤算法实现。

（4）根据步骤2和步骤3生成并完善客户-产品匹配矩阵，该矩阵可将不同类型的客户与不同属性的产品进行匹配，从而实现根据客户偏好，向客户提供产品推荐。

客户-产品匹配矩阵可以为银行发现已有产品的潜在客户，在客户需求发生变化时，也可以及时响应，主动适应用户需求，从而为实现“一对一营销”的个性化服务提供了可能。另一方面，银行可以在市场上发展与已有客户具有相似需求的新客户，当有新产品推出时，可以根据产品属性，准确地为新产品定位目标市场。

4 结束语

本文根据银行业“以客户为中心的”商业银行经营理念，将基于协同过滤技术的推荐系统应用于银行产品个性化服务中，提出了与之相适应的个性化推荐研究思路。为商业银行金融产品创新和服务创新提供了有力的支持。

[1] 周惠宏，柳盏君等.推荐技术在电子商务中的运用综述[J].计算机应用研究，2004（8）：8-12.

[2] 任磊.推荐系统关键技术研究[D].华东师范大学，2012.

[3] 郭艳红.推荐系统的协同过滤算法与应用研究[D].大连理工大学，2008.