摘要：针对传统推荐算法过度关注推荐的精度而导致的长尾问题,即热门项目拥有过高的推荐量的同时非热门项目长时间不被关注,提出一种基于欧氏距离构建二维加权相似度并融入自适应群组重排的多目标优化推荐模型(MDOM)——自适应群组重排的推荐模型(AGRM)。首先,利用欧氏距离构建二维加权相似度度量,根据个体历史行为记录动态设定替换比例,并利用融入群组的多目标优化算法解决长尾推荐问题;其次,设计两个简明的目标函数,并同时考虑流行度和长尾关注度,以降低目标函数的复杂性;然后,基于二维加权相似度度量,选择用户子集作为“最佳推荐用户组”,并计算帕累托最优解。在MovieLens 1M和Yahoo数据集上的实验结果表明,AGRM的覆盖率表现最优,与基于物品相似的协同过滤(ItemCF)算法相比,分别平均提升了4.11、25.38个百分点;与用于Top-N推荐的具有浅并行路径的深度变分自动编码器(VASP)模型相比,分别平均提升了8.38、33.19个百分点。在Yahoo数据集上,AGRM的推荐的平均流行度最低,表明AGRM能够推荐更多长尾项目。

摘要：近年来,互联网金融业务竞争激烈,为解决传统银行业务中小企业融资模式手续复杂、信息不对称、成本过高等问题,众多商业银行尝试网络信贷这种全新的中小企业在线融资模式,而随之而变的网络信贷盈利模式相应进行调整。目前,商业银行关注的问题多集中在电子渠道的应用、产品设计的创新和互联网金融的风险控制,更应在网络信贷收益模式方面开展创新。本文从银行实际出发,通过分析商业银行网络信贷收益模式相关影响因素,分析目前商业银行对线上、线下融资采用同一标准测算收益的潜在问题,提出银行网络信贷收益模式创新路径。