摘要
随着互联网不断融入到社会经济和日常生活中，人们已习惯于进行各种在线信息交互行为（如购物、社交、导航等），从而产生了海量的情境数据。这些数据包含很多特征信息，如客户的消费时间、空间位置、购物记录等，其中隐含了客户的消费意向。同时，企业往往需要针对不同的客户群体、不同的消费情境，结合不同的业务元素，设计不同的套餐产品，以满足不同客户群体的消费需求，增强用户粘度。为此，分析海量用户消费数据，从中获取有用知识，以“消费者导向”为核心理念，个性化、智能化地为用户推荐商品变得尤为重要。 本文基于混合策略个性化推荐的思想，为提升业务套餐型产品个性化推荐的准确性，提出了基于特征增益与多级优化的协同过滤推荐算法（Feature Augmentation and Cascade Collaborative Filtering，FACCF），其中融合了消费数据的时域特征、空域特征、消费倾向以及套餐特征。首先基于客户的时域、空域行为特征构建了 C TAP概率主题模型进行主题抽取；其次，将抽取的新特征、套餐主题与套餐特征结合进行优化；再结合客户群体的消费倾向进行挖掘研究，形成二次优化，获得个性化推荐列表。使用真实用户数据进行实证分析的结果表明，FACCF算法在推荐准确性方面均优于传统方法。最后，将FACCF算法在Hadoop平台上予以实现，提高算法的运算效率，并应用于电信套餐个性化推荐。
NETL