面向最优时间窗推荐的网络用户行为轨迹预测研究

Recommendation system is considered as the best application of information filtering technology in e-commerce. But the low efficient of personalized recommendation technology restricts the development of user experience quality. Sticking to the characteristics of user sequential behavior under complex network environment, this project introduces data mining of user’s network spatial location information and trajectory prediction research of user network sequential behaviors, designs Optimal Time Window-based recommendation strategies, and researches the predicted recommendation strategies in multi-stage single-channel and multi-stage multi-channel scenarios. Considering to achieve bilateral value maximization of user personalized demand and business/platform provider, the new theory and approach system is proposed to promote recommendation accuracy and efficiency and development of intelligent e-commerce recommendation technology. Main research content of the project includes:①user dynamic profile based on spatiotemporal behavior under complex network environment;②prediction approach of user sequential behaviors trajectory under complex network environment;③evolutionary mechanism of user interest based on user sequential behaviors; and④recommendation strategy of the optimal time window based on user dynamic profile and interest evolutionary. It deepens the cross and penetration of the theory of knowledge management, data mining technology, and service theory, enriches the e-commerce personalize recommendation technology and approach. The research also brings forward a new study way for prediction recommendation system facing the future in big data.

针对电子商务中的个性化推荐效率低下这一应用问题，项目紧扣复杂互联网环境下用户网络时序行为特征，将用户网络空间位置信息挖掘和网络时序行为轨迹预测引入个性化推荐研究，创新基于最优时间窗的推荐策略，提出基于用户网络时序行为预测的最优时间窗条件下的多阶段单渠道和多阶段多渠道的预测式推荐策略这一理论方法体系，旨在提升复杂网络环境下个性化推荐的准确性和效率，实现用户个性化需求与商品或平台提供商的双边价值最大化，促进复杂网络环境下智能电子商务推荐技术的发展。主要研究内容包括：①基于网络时空行为的用户动态画像；②网络环境下用户行为轨迹预测；③基于用户网络行为的兴趣演化机制；④基于用户动态画像和兴趣规律的最优时间窗内推荐策略。项目深化了知识管理、数据挖掘技术及服务理论的交叉和渗透，丰富了电子商务个性化推荐技术和理论，开创了大数据环境下面向未来的预测式推荐系统的研究新思路。

针对电子商务中的个性化推荐效率低下这一应用问题，项目紧扣复杂互联网环境下用户网络时序行为特征，将用户网络空间位置信息挖掘和网络时序行为轨迹预测引入个性化推荐研究，创新基于最优时间窗的推荐策略，提出基于用户网络时序行为预测的最优时间窗条件下的多阶段单渠道和多阶段多渠道的预测式推荐策略这一理论方法体系，旨在提升复杂网络环境下个性化推荐的准确性和效率，实现用户个性化需求与商品或平台提供商的双边价值最大化，促进复杂网络环境下智能电子商务推荐技术的发展。主要研究内容包括：①基于网络时空行为的用户动态画像；②网络环境下用户行为轨迹预测；③基于用户网络行为的兴趣演化机制；④基于用户动态画像和兴趣规律的最优时间窗内推荐策略。本项目围绕针对多领域网络服务资源推荐机制完成以下研究：①构建了客户Web时空行为超网络模型。客户兴趣点预测是大数据环境下提高电子商务推荐精度的关键，针对现有客户兴趣预测未综合考虑客户多种行为和时序时间的影响问题，为研究一种基于客户Web时空行为 轨迹的兴趣点预测方法，构建了包含客户、时间、行为和兴趣点四层子网的客户Web时空行为超网络模型。②设计了带时间窗的车辆调度策略。针对用户对服务时间的要求，在车辆调度中引入时间窗，将问题转化为带时间窗的车辆调度问题。构建的多目标调度模型考虑了互联网环境下用户的即时用车需求，适用于新能源车、无人驾驶汽车等新兴领域。③提出了面向不同泊位占用率水平的动态定价策略。基于车主停车行为特征测算泊位综合效用及车主选择泊位概率，在预测停车场泊位需求的基础上构建定价模型，确定了区域内不同占用率水平下的目标函数，利用构建的动态定价模型能够有效调整区域内泊位占用率水平，实现多方利益最大化，提高社会效益。项目深化了知识管理、数据挖掘技术及服务理论的交叉和渗透，丰富了电子商务个性化推荐技术和理论，开创了大数据环境下面向未来的预测式推荐系统的研究新思路。