大数据环境下面向移动电子商务虚拟社区的协同推荐方法研究

In recent years, the mobile e-commerce has become the new development trend of the electronic commerce. As an important solution to "Information Overload", personalized recommendation surfers from several problems, such as the ratings data sparsity caused by "Big Data", lack of consideration of context and users' interaction. And, how to provide users with precise personalized recommendation in consideration of context and users' interaction, is a very difficult problem to be solved. Therefore, this issue is examined in this research, including: 1. to build a model for analyzing users' interaction in virtual community; 2. to build a model for analyzing users' performance based on user context; 3. to build a parallel collaborative recommendation model based on contextual preference and relationship between community users. In this study, a hybrid collaborative recommendation approach combining contextual preference and relationship between community users, is proposed to address the problem. This approach contains the contextual performance model and user relationships model where the relationships between "user-user", "context–performance–demand" and "user-item" are considered. In this project, theories and methods of context modeling, hypergraph, clustering, social network and collaborative filtering are integrated, to explore the personalized recommendation problem in virtual community in mobile e-commerce environment. And our research can provide some new methodological support for personalized recommendation in virtual community under mobile e-commerce environment.

近年来，移动电子商务成为了电子商务发展的新方向，作为处理“信息过载”问题的重要方法—个性化推荐面临着由于大数据、缺乏考虑用户社会化关系和情境偏好等所导致推荐精度较低，实时性较差的问题。如何考虑社会化关系和情境为用户提供实时、准确的个性化推荐是亟待解决的现实难题。为此，本项目以移动电子商务虚拟社区为对象，对其中个性化推荐问题开展研究，包括：1.移动电子商务虚拟社区用户社会化关系分析与建模；2.考虑情境的移动电子商务虚拟社区用户偏好建模研究；3.考虑社会化关系和情境偏好的并行协同推荐模型研究。从“人—人”、“情境—偏好”和“人—资源”三方面构建并行协同过滤推荐模型，以解决上述问题。本项目将社会网络、聚类分析、情境、协同过滤及并行计算等方法交叉集成，为面向移动电子商务虚拟社区用户的个性化推荐过程的分析与建模提出了一系列具现实指导意义的新方法，有助于进一步推动我国移动电子商务个性化推荐系统的发展。

面向移动电子商务的个性化推荐过程面临着由于大数据、缺乏考虑用户社会化关系和情境偏好等所导致推荐精度较低，实时性较差的问题。如何考虑社会化关系和情境为用户提供实时、准确的个性化推荐是亟待解决的现实难题。为此，本项目以移动电子商务虚拟社区为对象，从以下三个方面研究对个性化推荐问题：1.移动电子商务虚拟社区用户社会化关系分析与建模；2.考虑情境的移动电子商务虚拟社区用户偏好建模研究；3.考虑社会化关系和情境偏好的协同推荐模型研究。.针对用户社会化关系分析与建模问题，研究基于特征向量的节点影响力评估模型，提出基于网络拓扑结构的可达中心性算法，并在此基础上提出基于节点影响力的社区发现算法。实验证明该方法收敛效果更好，社区发现精度更高。针对用户情境偏好建模问题，利用情境熵定义为用户在某情境下选择不同属性类别的商品的偏好程度。然后，定义用户访问项序，将其逻辑映射为用户情境序列，并结合情境熵预测目标用户在某个情境因素下对未评分商品的评分。在真实数据集上的实验结果表明，基于情境熵和用户访问项序的协同过滤推荐模型可有效提高用户评分预测的精度，有利于更好地理解用户在不同情境下的消费偏好，能进一步提高个性化推荐的质量。最后，通过Tag信息建立folksonomy network model(FNM)，利用FNM分析物品及其tag关系，将它们之间的关系分为三种，并将三种不同关系引入到物品相似性计算中，以提高基于物品的评分预测精度。然后，将情境引入到基于用户的评分预测过程中，结合用户特征和物品特征进行评分预测。实验结果表明该方法推荐准确度高，而且在解决推荐算法中的冷启动问题上是有效的，更适合面向移动虚拟社区的推荐场景。.本项目将社会网络、情境和协同过滤等方法交叉集成，从“情境-用户-物品”三方面对面向移动电子商务虚拟社区用户的个性化推荐过程的分析与建模提出了一系列具有现实指导意义的新方法，有助于进一步推动我国移动电子商务个性化推荐系统的发展。