消费贷款产品在我国的需求量与日俱增,在众多的消费贷款产品中,为用户推荐满意的产品是一个不小的挑战。现阶段,在各种主流的推荐算法中,协同过滤算法是应用较为广泛的一种推荐算法,但是传统的协同过滤存在用户数据稀疏性的问题,导致用户相似度计算的精准度降低。针对上述问题,本文在教育部-中国移动集团科研基金项目支持下,利用移动运营商网络数据,提出基于密度峰值聚类算法(Density Peaks Clustering Algorithm,DPCA)的消费贷款产品推荐模型。主要研究内容与贡献如下:(1)提出并设计实现基于DPCA聚类的消费贷款产品推荐模型。在协同过滤推荐模型的用户分类过程中引入DPCA聚类,利用用户移动数据提取用户的消费行为特征,其中包括用户购物倾向与购买力两大类特征。基于以上特征,通过DPCA聚类方法将用户进行聚类划分,使对消费贷款产品需求相似的用户,即相似度较高的用户聚集到同一个类中,简化查找最近邻居过程,提高用户相似度计算的精准度,从而提高了推荐结果的准确性。(2)设计实现基于改进DPCA聚类的消费贷款产品推荐模型。传统的DPCA聚类具有:不能处理混合属性数据集、类簇中心与噪音点难以区分、截断距离选取不确定性和单一聚类的精准度较低等问题。为了提高用户划分的准确性,针对以上问题对DPCA聚类进行改进,提出了:基于信息熵的混合属性对象间的距离度量方法、基于两次残差分析的聚类中心识别方法、基于GA的最优截断距离获取方法以及一种基于最小生成树的聚类集成方法。从而,进一步提高推荐模型的推荐准确性。在合作方公司提供的数据集与公共数据集上进行实验,以平均绝对偏差(MAE)值、ARI指数和FMI指数为评价指标,验证了本文模型的有效性。总之,针对协同过滤算法与DPCA聚类算法的不足,本文分别提出了相应的解决方案,并通过实验验证本文提出的方案能有效地提高推荐结果的准确性,在推荐领域研究方面具有一定参考价值。