[发明专利]一种金融资讯智能推荐系统

说明书

本发明涉及一种金融资讯智能推荐系统，包括：新闻特征向量计算模块，配置为计算各新闻的特征向量；用户特征向量计算模块，配置为计算各用户的特征向量；多维度新闻池创建模块，配置为创建多个维度的新闻池，并对各新闻池中的新闻排序；新闻推荐模块，配置为计算各新闻池的采样概率，根据所述采样概率对各新闻池进行采样，将采样得到的新闻池中排在第一位的新闻推荐给用户。本发明解决了现有技术中资讯推荐功能单一、无法推荐同时具有多样性、新颖性、准确率高、个性化以及时效性强的资讯的问题，本发明既能向用户主动推送符合用户投资偏好的新闻资讯，又能向用户提供各种内容丰富和及时的信息，及时捕捉瞬息万变的投资机会。

技术领域

本发明涉及资讯推荐技术领域，特别涉及一种金融资讯智能推荐系统。

背景技术

随着经济社会和互联网等相关技术的发展，金融领域的各种新闻资讯和信息成爆炸式的增长。广大投资者面对每天都在产生的海量资讯信息，很难找到自己需要的有用信息并根据这些信息快速地做出投资决策。为了让投资者能快速获得对自己有用的金融信息，通过新闻推荐系统主动向投资者推荐符合投资者偏好特征的新闻资讯是一个良好的途径。但由于金融资讯具有很强的时效性（如突发事件和突发投资热点等）和多维度性（如宏观和微观等），传统的基于相关内容的推荐很难向投资者提供及时有用的投资信息和投资机会。

已有的推荐算法主要有：基于内容相关度的推荐算法、基于协同过滤的推荐算法、基于流行度的推荐算法以及基于模型的推荐算法等。

基于内容相关度的推荐算法：通过分析用户行为以及新闻的文本内容，分别对用户和新闻标注能够代表用户和新闻特征的关键词（主题词），然后将这些关键词通过tf-idf等计算词权重的算法分别组成用户和新闻的特征向量，这些特征向量就代表了各个用户和各篇新闻的特征。然后再用余弦相似度等方法计算用户向量和新闻向量之间的相似度，再根据这些相似度向用户推荐与用户相似度较大的新闻。基于内容相关度的推荐算法有一个最大的弊端就是容易产生同质化推荐，即一直给用户推荐同一类内容的新闻并进入死循环，失去了推荐内容的多样性和新颖性。

基于协同过滤的推荐算法：分析各个用户对item的评价（通过浏览记录和购买记录等）；依据用户对item的评价计算得出所有用户之间的相似度；选出与当前用户最相似的N个用户；将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户。基于协同过滤的推荐算法也有很多不足之处：1.冷启动问题，即对于新用户和新item，推荐无法进行；2.该算法的准确性依赖于大量的准确用户数据，如果用户数据较少则会导致推荐不准确甚至推荐无法进行；3.在一些item生存周期短（如新闻和广告等）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐。

基于流行度的推荐算法：根据点击量、页面访问量、独立访客量以及分享率等数据按某种热度排序，并推荐给用户。这种算法的优点是简单，适用于刚注册的新用户。缺点是无法针对用户提供个性化的推荐。

基于模型的推荐算法：通过诸如机器学习的方法构建模型，然后用大量已有的用户行为数据、购买记录和用户的各种特征属性等对所构建的模型进行训练和数据拟合，然后向训练好的模型输入待推荐用户的各特征属性，模型输出最终的推荐结果。该算法的缺点是：需要大量的用户历史行为数据，并且需要反复的人工干预进行属性的组合和筛选（即特征工程）。同时，由于新闻的时效性，模型也需要反复的训练更新，以适应变化。

由于金融资讯具有很强的时效性和多维度性，并且不同的投资者有不同的投资偏好和投资逻辑，上述的任何一种推荐算法都很难向投资者提供及时有用的投资信息和投资机会。

因此有必要提供一种金融资讯智能推荐系统，以解决现有技术中资讯推荐功能单一、无法推荐同时具有多样性、新颖性、准确率高、个性化以及时效性强的资讯的问题。

发明内容