基于数据分析的交易用户风险推荐方法技术

本发明专利技术涉及数据处理技术领域，具体涉及基于数据分析的交易用户风险推荐方法，包括：将每个用户的信息构成每个用户的特征向量，根据每个用户的特征向量获取每个用户的风险等级

【技术实现步骤摘要】
基于数据分析的交易用户风险推荐方法


[0001]本专利技术涉及数据处理
，具体涉及基于数据分析的交易用户风险推荐方法
。

技术介绍

[0002]随着数据相关科学和人工智能技术的进步，越来越多的行业尝试利用大数据和先进的数据分析方法来提供更准确和个性化的用户风险推荐和服务，以提升用户体验
。
通过分析大量的交易数据
、
用户行为数据和其他相关数据，可识别
、
评估用户的风险水平，并为用户其提供个性化的风险推荐和服务，降低对于相关商家以及用户自身的相关风险
。
[0003]目前通常利用协调过滤算法对用户进行个性化的推荐服务，协同过滤算法主要根据用户之间的相似性进行推荐，而在交易用户风险推荐中，用户的个性化需求和风险承受能力是关键因素
。
只基于用户的相似性推荐算法难以充分考虑用户的个性化特征和风险偏好，无法提供准确的个性化推荐
。

技术实现思路

[0004]为了解决上述问题，本专利技术提供基于数据分析的交易用户风险推荐方法
。
[0005]本专利技术的基于数据分析的交易用户风险推荐方法采用如下技术方案：
[0006]本专利技术一个实施例提供了基于数据分析的交易用户风险推荐方法，该方法包括以下步骤：
[0007]采集每个用户的信息，将每个用户的信息构成每个用户的特征向量；根据每个用户的特征向量，获取每个用户的风险等级；
[0008]根据每个用户与其余用户的特征向量之间的相似度获取每个用户的相似用户；根据每个用户的风险等级获取每个用户的所有兴趣产品；
[0009]根据每个用户的兴趣产品获取每个用户的每个相似用户的置信度，根据置信度对相似用户进行筛选，得到每个用户的绝对相似用户；
[0010]根据每个用户的特征向量获取每个用户的风险产品；根据每个用户的兴趣产品以及绝对相似用户的兴趣产品获取每个用户的风险产品的推荐权重；根据每个用户的兴趣产品和风险产品获取每个用户的推荐产品，根据每个用户的风险产品的推荐权重获取每个推荐产品的推荐值；
[0011]根据每个用户的每个推荐产品的推荐值对每个用户进行产品推荐
。
[0012]优选的，所述根据每个用户的特征向量，获取每个用户的风险等级，包括的具体步骤如下：
[0013]利用神经网络进行用户的风险等级评估，包括：
[0014]神经网络的输入为用户的特征向量，输出为用户的风险等级；神经网络为全连接神经网络，神经网络的训练集为存在历史交易的用户的特征向量构成的训练集，标签为用户的风险等级，包括低风险
、
中风险和高风险三个风险等级；标签标注的过程为：由专业人
员根据存在历史交易的用户注册交易平台时填写的用户信息，结合专业人员的经验为存在历史交易的用户设置风险等级的标签，当风险等级为低风险时，标注1，当风险等级为中风险时，标注2，当风险等级为高风险时，标注3；神经网络的损失函数为交叉熵损失；
[0015]将每个用户的特征向量输入到训练好的神经网络中，输出每个用户的风险等级
。
[0016]优选的，所述根据每个用户与其余用户的特征向量之间的相似度获取每个用户的相似用户，包括的具体步骤如下：
[0017]将任意一个用户作为当前用户，获取当前用户的特征向量与其余每个用户的特征向量的相似度，作为当前用户和其余每个用户的相似度；
[0018]获取当前用户和其余每个用户的相似度的平均值
μ
以及标准差
σ
；预设倍数阈值
τ
，将与当前用户的相似度大于
μ
‑
τ
×
σ
的用户作为当前用户的相似用户
。
[0019]优选的，所述根据每个用户的风险等级获取每个用户的所有兴趣产品，包括的具体步骤如下：
[0020]将每个用户的风险等级对应的产品展示给每个用户，由每个用户进行预选择，将每个用户预选择的产品作为每个用户的兴趣产品
。
[0021]优选的，所述根据每个用户的兴趣产品获取每个用户的每个相似用户的置信度，包括的具体步骤如下：
[0022]将当前用户的所有兴趣产品构成当前用户的兴趣产品集合；
[0023]根据当前用户的兴趣产品集合获取当前用户的每个相似用户的置信度：
[0024][0025]其中，
C
i
为当前用户的第
i
个相似用户的置信度；
B
i
为当前用户的第
i
个相似用户的兴趣产品集合；
B
j
为当前用户的第
j
个相似用户的兴趣产品集合，且
j≠i
；
N(B
i
∩B
j
)
表示当前用户的第
i
个相似用户的兴趣产品集合和当前用户的第
j
个相似用户的兴趣产品集合的交集中元素个数；
N(B
i
∪B
j
)
表示当前用户的第
i
个相似用户的兴趣产品集合和当前用户的第
j
个相似用户的兴趣产品集合的并集中元素个数；
n
表示当前用户的相似用户数量；
L
i
表示当前用户的第
i
个相似用户的兴趣产品集合中包含的兴趣产品的数量；
m
i
表示当前用户的第
i
个相似用户的已购买次数；
[]表示艾佛森括号；
exp()
表示以自然常数为底的指数函数
。
[0026]优选的，所述根据置信度对相似用户进行筛选，得到每个用户的绝对相似用户，包括的具体步骤如下：
[0027]预设比例阈值
Q
，对每个用户的所有相似用户按照置信度从大到小的顺序排列，将得到的序列中前
Q
的相似用户作为每个用户的绝对相似用户
。
[0028]优选的，所述根据每个用户的特征向量获取每个用户的风险产品，包括的具体步骤如下：
[0029]利用神经网络获取用户的合适产品，包括：
[0030]神经网络的输入为用户的特征向量，输出为用户的合适产品；神经网络为全连接神经网络，神经网络的训练集为存在历史交易的用户的特征向量构成的训练集，标签为用
户的合适产品向量；标签标注的过程为：由专业人员根据存在历史交易的用户注册交易平台时填写的用户信息，结合经验判断适合用户的产品，将适合用户的产品作为用户的合适产品，将用户的所有合适产品的产品
ID
构成的向量作为用户的合适产品向量，将合适产品向量作为标签；神经网络的损失函数为均方差损失；
[0031]将每个用户的特征向量输入到训练好的神经网络中，输出每个用户的合适产品，将每个用户的合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于数据分析的交易用户风险推荐方法，其特征在于，该方法包括以下步骤：采集每个用户的信息，将每个用户的信息构成每个用户的特征向量；根据每个用户的特征向量，获取每个用户的风险等级；根据每个用户与其余用户的特征向量之间的相似度获取每个用户的相似用户；根据每个用户的风险等级获取每个用户的所有兴趣产品；根据每个用户的兴趣产品获取每个用户的每个相似用户的置信度，根据置信度对相似用户进行筛选，得到每个用户的绝对相似用户；根据每个用户的特征向量获取每个用户的风险产品；根据每个用户的兴趣产品以及绝对相似用户的兴趣产品获取每个用户的风险产品的推荐权重；根据每个用户的兴趣产品和风险产品获取每个用户的推荐产品，根据每个用户的风险产品的推荐权重获取每个推荐产品的推荐值；根据每个用户的每个推荐产品的推荐值对每个用户进行产品推荐
。2.
根据权利要求1所述的基于数据分析的交易用户风险推荐方法，其特征在于，所述根据每个用户的特征向量，获取每个用户的风险等级，包括的具体步骤如下：利用神经网络进行用户的风险等级评估，包括：神经网络的输入为用户的特征向量，输出为用户的风险等级；神经网络为全连接神经网络，神经网络的训练集为存在历史交易的用户的特征向量构成的训练集，标签为用户的风险等级，包括低风险
、
中风险和高风险三个风险等级；标签标注的过程为：由专业人员根据存在历史交易的用户注册交易平台时填写的用户信息，结合专业人员的经验为存在历史交易的用户设置风险等级的标签，当风险等级为低风险时，标注1，当风险等级为中风险时，标注2，当风险等级为高风险时，标注3；神经网络的损失函数为交叉熵损失；将每个用户的特征向量输入到训练好的神经网络中，输出每个用户的风险等级
。3.
根据权利要求1所述的基于数据分析的交易用户风险推荐方法，其特征在于，所述根据每个用户与其余用户的特征向量之间的相似度获取每个用户的相似用户，包括的具体步骤如下：将任意一个用户作为当前用户，获取当前用户的特征向量与其余每个用户的特征向量的相似度，作为当前用户和其余每个用户的相似度；获取当前用户和其余每个用户的相似度的平均值
μ
以及标准差
σ
；预设倍数阈值
τ
，将与当前用户的相似度大于
μ
‑
τ
×
σ
的用户作为当前用户的相似用户
。4.
根据权利要求1所述的基于数据分析的交易用户风险推荐方法，其特征在于，所述根据每个用户的风险等级获取每个用户的所有兴趣产品，包括的具体步骤如下：将每个用户的风险等级对应的产品展示给每个用户，由每个用户进行预选择，将每个用户预选择的产品作为每个用户的兴趣产品
。5.
根据权利要求3所述的基于数据分析的交易用户风险推荐方法，其特征在于，所述根据每个用户的兴趣产品获取每个用户的每个相似用户的置信度，包括的具体步骤如下：将当前用户的所有兴趣产品构成当前用户的兴趣产品集合；根据当前用户的兴趣产品集合获取当前用户的每个相似用户的置信度：
其中，
C
i
为当前用户的第
i
个相似用户的置信度；
B
i
为当前用户的第
i
个相似用户的兴趣产品集合；
B
j
为当前用户的第
j
个相似用户的兴趣产品集合，且
j≠i
；
N(B
i
∩B
j
)
表示当前用户的第
i
个相似用户的兴趣产品集合和当前用户的第
j
个相似用户的兴趣产品集合的交集中元素个数；
N(B
i
∪B
j
)
表示当前用户的第
i
个相似用户的兴趣产品集合和当前用户的第
j
个相似用户的兴趣产品集合的并集中元素个数；
n
表示当前用户的相似用户数量；
L
i
表示当前用户的第
i
个相似用户的兴趣产品集合中包含的兴趣产品的数量；
m
i
表示当前用户的第
i
个相似用户的已购买次数；
[]
表示艾佛森括号；
exp()
表示以自然常数为底的指数函数
。6.
根据权利要求1所述的基于数据分析的交易用户风险推荐方法，其特征在于，所述根据置信度对相似用户进行筛选，得到每个用户的绝对相似用户，包括的具体步骤如下：预设比例阈值
Q
，对每个用户的所有相似用户按照置...

【专利技术属性】
技术研发人员：叶德林，邵炜，高超，
申请(专利权)人：杭州易靓好车互联网科技有限公司，
类型：发明
国别省市：