面向电子商务协同推荐的新型用户兴趣模型研究

User interest model is fundamental for implementing collaborative recommendation in E-commence. While traditional rating matrix leads into several problems including sparsity, interest drifting and scalability, the emerging model (bipartite network model) can only resolves small portion of the above problems. Hence, we will construct a novel user interest model called "Multisource Evolving Network" (MEN) to solve the sparsity, interest drifting and scalability problems comprehensively: (1) By using intelligent agent method, originating from artificial intelligent theory, the mechanism of multisource user interest data will be designed; while an information fusion method based on the set of two-stage multivariate function is to be built to solve sparsity problem for obtained data; (2) By lessons from bio-inspired computing, we will build the adaptive evolving mechanism of MEN, which including nutrient spread tactic and nutrient dissipation tactic, to solve interest drifting problem; (3) By using graph theory, we can design an similarity computing method with high accuracy and efficiency for MEN, and then we will build the neighborhood searching mechanism of MEN to solve scalability problem. The results can be used to consummate and popularize the application of collaborative recommendation, while providing novel theoretic model, algorithm implementations and system platform. They will also benefit building intelligent data mining and complex machine learning system in E-commerce.

用户兴趣模型是实现电子商务协同推荐的核心和基础。但传统的评分矩阵模型会导致稀疏性、兴趣漂移及可扩展性问题，新兴的对分网络模型还只能部分解决之。对此，本项目研究拟构建一种新型用户兴趣模型"多源进化网络"，可望在该模型统一框架下综合解决上述问题：（1）采用源自人工智能理论的智能agent方法来设计多源用户兴趣数据采集机制，并通过构造两级多元函数组对所采数据进行信息融合以解决稀疏性；（2）借鉴仿生计算思想，建立包括养分蔓延策略、养分耗散策略的模型自适应进化机制以解决兴趣漂移；（3）基于图论来设计准确、高效的模型相似性计算方法，在此基础上构建模型最近邻搜寻机制以解决可扩展性。本项目的研究成果不仅可以促进协同推荐理论的完善及其在电子商务中的应用、推广与普及，为新一代电子商务个性化推荐服务提供理论模型、算法实现及系统平台，也有助于构建电子商务智能数据挖掘与复杂机器学习系统。

本项目针对电子商务协同推荐的用户兴趣建模展开研究，构建完成了一种新型用户兴趣模型“多源进化网络”，主要研究工作和成果包括：.（1）提出了一种基于智能Agent的多源用户兴趣数据采集机制DFM-IA(Data Fetching Mechanism based on Intelligent Agent)。DFM-IA设计了四种智能Agent和三条排序规则，对七类用户兴趣数据进行排序与合并处理。在此基础上，设计了多源进化网络模型的自适应机制，包括养分赋权算法、分层扩散算法、增量重构机制等。.（2）由于多源进化网络本质上是一种动态赋权树型网络，为此提出了一种基于权重层次路径分解的树型网络相似性算法S-WHPD(Similarity measure based on Weighted Hierarchical Path Decomposition)，基于商品目录树生成树型网络，通过权重层次路径分解和编码以获取路径集合，再基于路径集合的匹配计算得到树型网络相似性，实现了基于多源进化网络模型的最近邻搜寻机制。.（3）针对协同推荐所面临的数据稀疏性问题，提出了一种基于Rough集理论的最近邻协同过滤算法。以用户评分项并集作为用户相似性计算基础，设计了一种基于Rough集理论的评分预测方法来填补评分项并集中的缺失值，从而通过实现用户评分项并集的完备化来降低数据稀疏性和提升协同推荐质量。.（4）由于邻居用户的信誉(reputation)对于最终的推荐结果会产生重要影响，课题组增加了分别以C2C、B2C、电子易货(e-barter)为背景的电子商务用户信誉评价机制研究工作，提出了两种分别面向C2C和B2C的电子商务差异化折扣模型，商家可实施更精准的一对一营销、动态定价策略和价格歧视策略；提出了一种基于启发式搜索策略的电子易货资源匹配算法，构建满足当前易货者供需要求的多方交易树MPTT(Multi-Party Trade Tree)，建模过程中基于设计的多条启发式规则和提出的多维信誉模型e-BRM对MPTT剪枝，以缩减算法搜索空间。从而e-barter运营商可采用HETS算法来实现最大化资源匹配以提升收益，同时优化在线用户体验。.综上所述，本项目为电子商务协同推荐理论建设与应用提供了新的理论模型和算法等研究成果，有助于提升新一代电子商务个性化推荐服务水平和构建电子商务智能推荐系统。