基于个性化时间衰减函数的自适应协同过滤在金融产品推荐中的应用
信息检索
2023-08-03 v1 机器学习
计算金融
机器学习
摘要
经典推荐系统通常假设历史数据是平稳的，未能考虑用户偏好的动态特性，这限制了其在时间敏感场景下提供可靠推荐的能力。这一假设在金融领域尤为成问题，因为金融产品的估值持续变化，导致客户兴趣频繁转移。这些在过往客户-产品交互中体现出的演化兴趣，其效用会随时间衰减，且衰减程度可能因客户而异。为应对该挑战，我们提出一种时间依赖的协同过滤算法，可利用个性化衰减函数自适应地折扣久远的客户-产品交互。我们的方法旨在处理金融数据的非平稳性，并通过建模客户与产品间的动态协同信号来产生可靠推荐。我们使用法国巴黎银行（BNP Paribas）的专有数据集评估该方法，并展示其相较相关文献中先进基准的显著提升。我们的发现强调了在模型中显式引入时间以增强金融产品推荐准确性的重要性。
引用
@article{arxiv.2308.01208,
title = {Adaptive Collaborative Filtering with Personalized Time Decay Functions for Financial Product Recommendation},
author = {Ashraf Ghiye and Baptiste Barreau and Laurent Carlier and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2308.01208},
year = {2023}
}
备注
10 pages, 1 figure, 2 tables, to be published in the Seventeenth ACM Conference on Recommender Systems (RecSys '23)