富信息环境下基于兴趣模式的推荐系统研究

The interestingness of recommended results is the most concern in personalization recommender systems research. However, it has not been well resolved in traditional recommender systems on account of the limitations of recommendation technologies and computation resources. Further, the traditional recommendation technologies have to face more serious challenges from the huge amounts of data, recommendation diversity and speed efficiency in a rich-information era. To address these challenges,this project will conduct an in-depth study for the interesting pattern based recommendation technology in rich information environment and the main contents include:(1)constructing a new interesting pattern based recommendation method;(2)implementing a new mining method to find rare but valuable interesting pattern form huge amounts of data;(3)combining the recommendation method with the information fusion technology to improve the performance of recommendation systems. The advantages of the interesting pattern based recommender systems are as follows:(1) The accuracy of the system is improved by using the user interested patterns in recommendation technology; (2) The mining process of interesting patterns with very low minimum-support is feasible while the new evaluation method is introduced; (3)The diversity of recommended results is reserved while combining with the rich information fusion technology, so that the well known Matthew Effect and the "cold start" problem are avoided in recommendation results..In addition, the detection of shilling attack and the implementation of a recommender prototype system are also taken into consideration.

推荐结果的兴趣性一直是电子商务个性化推荐系统的关注重点。这一问题在传统推荐系统中因为方法和计算资源的局限，目前并未得到很好的解决。近年来随着富信息技术的渗透发展,电子商务相关活动数据海量增长,又对个性化推荐系统增加了结果多样性和速度高效性要求,传统推荐技术正面临着多项挑战。因此，本课题拟对: 1、基于关联兴趣模式的推荐方法；2、兴趣度指标及兴趣模式挖掘；3、面向富信息融合的多维推荐方法等技术展开深入研究,期望建立起富信息环境下基于兴趣模式的推荐系统。本研究的优点：通过兴趣度指标可以发现用户真正有兴趣的模式并用于推荐，将提高推荐的精确性；其次，改进方法使得在海量数据中挖掘较低支持度的兴趣模式可行；最后，兴趣模式结合富信息融合的推荐方法可以提高推荐的多样性，同时可以避免推荐结果的马太效应和冷启动问题。另外，本课题还将基于兴趣模式推荐技术对系统可能面临的欺诈攻击进行研究，并实现一个推荐原型系统。

在激烈的竞争环境下，推荐系统能够有效提高电子商务活动的绩效，产生巨大的经济效益。因此，建立精度高和效率快的商品推荐系统对于电子商务网站的发展十分重要，与推荐相关的算法和技术因而成为学术界的研究热点。我们发现频繁项集和关联规则为代表的关联关系直接应用于推荐系统具有很大缺陷。. 本研究内容涵盖：兴趣模式挖掘；基于兴趣模式的协同过滤推荐算法；面向富信息融合的推荐、欺诈攻击检测以及推荐系统原型设计与应用五部分内容。在项目中，设定前三部分为主要研究内容。我们先研究问题领域中用户的兴趣性特点，获得问题相关的富信息，基于问题进行数据融合，然后发现模式并用于推荐。这两条针对本项目的主要研究问题，已基本完成预定研究计划。针对非主要研究问题，进行了初步的问题探索。. 本项目的特色与创新体现在：. 1.以兴趣模式所承载的“泛相似性”来代替一般基于协同过滤和内容过滤方法的特征相似性，并在此基础上实现一种高效的推荐策略。并且该方法在推荐结果多样性上更具有优势，适用于各种类型的数据。. 2.在兴趣模式挖掘过程中,引入基于分治思想的直接挖掘方法，使得在海量数据集上以较小的最小支持度阈值实现关联（兴趣）模式的有效挖掘成为可能。模式挖掘算法更具有可实现性，挖掘出的兴趣模式在推荐中的管理意义更为明显。. 3.我们在本项目中主要考虑数据集中广泛存在的依赖关系，如企业-企业；企业-个人；城市-景点以及主题-特征等。这些方法的显著优点是可以发现用户真正有兴趣的模式并用于推荐，提高推荐结果的精确性。