[发明专利]一种P2P平台上基于风险收益管理的个性化推荐方法

权利要求书

1.一种P2P平台上基于风险收益管理的个性化推荐方法，其特征是按如下步骤进行：

步骤1、定义P2P借贷平台中包含所有用户的用户集为U＝{u₁,u₂,...,u_n}，定义平台中包含所有贷款的贷款集为V＝{v₁,v₂,...,v_m}，对于任意一个贷款v_j都存在一个最终状态：违约、取消、延期和已偿还，其中违约、取消、延期和已偿还分别赋值为-1、0、1、和2；通过改进概率传播算法得到加权概率传播算法来对市场已存在的交易数据进行建模分析来获取用户对贷款偏好预测评分矩阵：

步骤1.1、构建一个双边网络G＝(U,V,E)，一边是用户节点集U，一边是贷款节点集V，边集E＝{e_ij|u_i∈U,v_j∈V}表示用户与贷款之间的关系，e_ij＝1代表用户i投资了贷款j，反之，e_ij＝0；对于网络中的任意一个用户i，将其历史投资记录中投资过的贷款的最终状态值设置为该贷款节点的初始资源值；

步骤1.2、对于网络G中任意用户i，将其投资过的贷款节点的初始资源平均分配给邻居用户节点，则任选一个用户α分配到的资源S_α为：

式(1)中，IS_β表示贷款节点β的初始资源值，k_β表示贷款节点β的度；

步骤1.3、把网络G中所有的用户节点在步骤1.2中分配到的资源值重新平均分配给它们的邻居贷款节点，任一贷款节点j最终分配到的资源S_j为：

式(2)中，k_α表示用户节点α的度，最终得到的S_j就表示用户i对贷款j的评分，通过对平台内的所有用户进行同样的处理得到用户对贷款的偏好预测评分矩阵wpr，wpr_ij表示加权概率传播算法预测的用户i对贷款j的偏好程度；

步骤1.4、将任意一个贷款组合X的推荐问题转换为如式(3)所示的多目标优化问题Maxmize F(X):

Maxmize F(X)＝(WPR(X),CFM(X))^T (3)

式(3)中，对于用户i，WPR(X)表示用户i对系统推荐的贷款组合X的平均偏好程度，可以间接反映该推荐系统推荐的准确性和收益状况，并有：

式(4)中，|X|表示所述贷款组合X中的贷款总数，wpr_ij表示用户i对贷款j的偏好程度；

式(3)中，CFM(X)表示所述贷款组合X与用户期望利率之间的符合程度，并有：

式(5)中，cfm_ij表示用户i的期望利率与贷款j的期望利率之间的符合程度，并有：

式(6)中，rate_j表示贷款j的期望利率，E_i表示用户i的期望利率，σ和μ是可调参数，将这两个参数分别设置为μ＝1，使得当用户与贷款的期望利率相同时cfm_ij达到峰值1；

步骤2、利用基于NSGA-Ⅱ算法框架的多目标优化方法对步骤1中定义的多目标优化问题进行优化，从而为平台内的每一个用户都得到一组最优的贷款组合；

步骤2.1、种群编码：

根据统计的所述P2P平台内贷款的总数N，先给每一个贷款一个特定的编号，其中编号为从1到N，得到推荐贷款组合的一个个体X＝(j₁,j₂,...,j_k,...,j_L)；L是预先设定好的贷款组合的长度，j_k表示的是推荐的贷款的唯一编号；

步骤2.2、决策空间降维：

步骤2.2.1、获得通过概率传播算法得到的用户对贷款的偏好预测评分矩阵pr，提出步骤1中得到的矩阵wpr和cfm，获得平台内候选贷款总数N，设置推荐列表长度L；

步骤2.2.2、计算出根据每个矩阵得到的候选贷款个数

步骤2.2.3、对于用户i，根据向量pr_i选出值最大的前Len个贷款作为候选推荐列表C₁，同理，根据向量wpr_i和cfm_i选出候选列表C₂和C₃；

步骤2.2.4、将候选列表C₁，C₂和C₃合并为用户i最终的贷款候选推荐列表O_i，即O_i＝C₁∪C₂∪C₃，O_i就是给用户i推荐过程中在进化算法中的降维后的决策空间，用户不同得到的结果也不同；

步骤2.3、初始化：

步骤2.3.1、对于用户i，设置推荐列表长度L，按照步骤2.2中的决策空间降维策略获得用户i的候选推荐列表O_i，设置种群大小为popsize，令popsize＝100；

步骤2.3.2、根据向量wpr_i和cfm_i计算出用户i在这两个向量的每一位上的调和平均值得到另一个向量hm_i，该向量的每一位hm_ij的具体计算方式如下：

步骤2.3.3、根据向量wpr_i选取值最大的前L个贷款作为种群的第一个个体P₁，同理，根据向量cfm_i和hm_i选出种群的第二个个体P₂和第三个个体P₃；

步骤2.3.4、从候选推荐列表O_i中任选两个贷款，假设为m和n，如果hm_im≥hm_in，则贷款m就被选为个体里的一个元素，反之就选贷款n；重复上述选择方法选足L个贷款组合成一个个体；

按照步骤2.3.4的方法选足剩下的97个个体再加上步骤2.3.3确定的3个个体组合起来作为初始种群POP；

步骤2.4、种群进化：

步骤2.4.1、初始化迭代次数G＝0，最大迭代次数maxGen＝100，种群P＝POP；

步骤2.4.2、从种群P中随机选取两个个体进行交叉变异操作得到子个体chd，重复100次得到100个这样的子个体；

步骤2.4.3、把种群P和新产生的100个子个体组合在一起形成一个新的种群TP；

步骤2.4.4、利用非支配排序算法和拥挤距离算法对种群TP中的所有个体进行排序，得到排序后的具有多个前沿面的候选种群；选出排名前100的个体保留到下一代，即更新为种群P；然后使迭代次数G＝G+1，直到种群P内有90％的个体连续3代没发生改变或者迭代次数GmaxGen为止，否则，转到步骤2.4.2；

步骤2.5、从所述排序后的种群P中选择第一前沿面中所有个体作为最优的一组贷款组合并输出。