考虑在线评论中消费者价格敏感的兴趣建模及个性化推荐研究

Personalized recommendation offers an effective way to help consumers find appropriate products that they prefer. It has been an important part of the E-commerce model. The research of personalized recommendation has been playing a significant role in both the theory and the application. The project aims to investigate the personalized recommendation by considering consumer price sensitivity in the online review. Firstly of all, we will explore the effect of consumer price sensitivity on the online review and separate it with the user ideal preference. The preference model with consumer price sensitivity will be established. Moreover, we will analyze the different price sensitivities between different consumers and different product categories. The project will also study on the changes of the consumer price sensitivity over time and the changes with consumer expertise accumulation. A dynamic consumer preference model will be developed by analyzing the changeable effect. Finally, a hybrid recommendation model will be presented with fully considering the multiple preference effect and the dynamic preference effect, to predict the consumer profile and give the refine recommendation. It will be valuable for both the recommender systems and the E-commerce firms.

个性化推荐能够帮助消费者寻找符合其兴趣偏好的商品，已成为电子商务的重要组成部分。本项目拟针对考虑价格因素影响的个性化推荐展开深入研究。首先，研究用户评价行为中价格因素的影响，将其和用户真实兴趣分离出来，建立考虑价格因素的用户兴趣模型。其次，分析不同用户的价格敏感差异，以及不同商品品类的用户价格敏感差异，分析价格敏感差异性对用户兴趣模型的影响。然后，结合用户兴趣动态变化的特性，分析用户价格敏感随时间和经验增长的演化趋势，构建考虑价格敏感的动态用户兴趣模型。最后，针对用户可能存在多兴趣并存的现象，分析用户价格敏感在兴趣社区和商品品类多层关联网络中的影响，构建考虑用户价格敏感的多兴趣混合推荐模型。本项目深入研究商品在线评论中用户价格敏感对评价行为的影响，从个体差异性、动态变化性以及多样并存性几个方面深入分析，制定混合推荐策略，为电子商务个性化推荐提供新思路，有助于电商企业全面分析和制定推荐策略。

该项目主要针对个性化推荐中典型用户识别和选择，用户兴趣差异性分析，基于用户兴趣社区的增量式动态推荐，基于真实兴趣和价格影响的个性化推荐以及基于价格偏好和价格敏感度的个性化推荐等展开研究。首先针对个性化推荐中样本选择问题，提出了基于凸包和最近异类的样本选择算法以及基于划分样本集的增量集成算法，重点考虑分布边界数据，能够利用较少的用户数据获得较准确的预测性能。针对用户兴趣差异性问题，设计了一种混合相似度计算方法，在矩阵分解的目标函数中加入两个正则项，构建了双正则化矩阵分解的个性化推荐算法，实验结果表明该算法不仅可以为历史评分数量多的用户提供精确的推荐，也能为评分数量相对较少的新用户提供精确的推荐。提出了一种基于自组织映射神经网络的在线推荐算法，面对带有少量评分的新用户、新商品进入系统的情形，无需重新训练整个模型，而仅需根据新用户、新商品带有的少量数据对模型进行在线更新，即可实时地为新用户、新商品提供较高质量的推荐结果。研究价格因素对用户购买行为的影响，提出了基于用户真实兴趣和价格因素影响的个性化推荐算法框架，通过分离出用户评分中受价格影响的部分，得到反映用户兴趣的真实评分，在利用真实评分进行预测后，再重新考虑价格因素的影响，对比实验表明了该框架相比于其他算法具有较好的推荐性能，能充分利用价格因素对用户购买决策的影响。在此基础上，进一步分析用户的价格敏感度，提出了基于价格偏好和价格敏感度的个性化推荐算法，利用矩阵分解模型，从评分中分离出用户的价格偏好，同时还考虑到了用户价格敏感度的影响，实验结果表明，所提算法在多个数据集上都显著优于其他对比算法，此外借助价格因素，该算法可以在一定程度上缓解长尾商品的推荐问题。