面向个性化推荐服务的社交网络数据深挖掘关键技术研究

With the explosive growth of Web information, general search tools have been far from satisfying the query needs of users who have different backgrounds, different goals and in different periods. Personalized recommendation service and related techniques have become an important direction of the field. In order to address the inherent shortcomings of traditional recommended methods, the project is going to take the rich data sources in social network as research objects to extract the interests and preferences of users and build hierarchical user preference model with a strong expressibility by using natural language processing, machine learning and data mining methods. Based on this model we not only built propagative, dynamic, context-aware and distributed trust computation model, but also proposed corresponding trust reasoning method by combing with multidisciplinary knowledge. Based on above models and methods we proposed a new personalized recommendation method based on the social trust by combing with social network structure analysis, with the aim to seek the best balance point between recommendation accuracy and recommendation novelty. The study creates a new idea of personalized recommendation method, not only contribute to the further development of social network analysis and personalized recommendation method, which has important theoretical significance; but also provide a scientific and effective solution to solve personalized service problem of e-commerce and intelligent information retrieval, which has important application value.

随着 Web 信息的爆炸式增长，通用性质的检索工具已远远不能满足不同背景、不同目的和不同时期用户的查询请求，个性化推荐及相关技术已成为目前该领域的一个重要方向。为了解决传统推荐方法的固有缺陷，本项目拟以社交网络中丰富的数据资源为研究对象，利用自然语言处理、机器学习与数据挖掘等技术提取用户的兴趣、偏好，构建具有强表达能力的层次型用户偏好模型；在此基础上，结合多学科领域知识，构建具有传播性、动态性、上下文感知能力的分布式信任计算模型，并提出相应的信任推理方法；在以上模型和方法的基础上，结合社交网络结构分析方法，提出基于社会信任的个性化推荐新方法，在推荐精度和推荐新颖度之间寻求最佳平衡点。该研究开创了个性化推荐的新思路，不仅对社交网络分析和个性化推荐方法的进一步发展做出贡献，具有重要的理论意义；也为以电子商务、智能检索为代表的个性化服务问题提供了一套科学、有效地解决方案，具有重要的应用价值。

本项目以提高推荐性能、增强用户体验度为主要研究目标，利用在线社交网络中丰富的信息源，结合多学科理论知识与计算机技术手段，为解决个性化服务问题提供一套科学、客观的定量分析方法。首先，针对传统推荐方法普遍存在的数据稀疏性和冷启动问题，利用社交网络的历史评分、社会关系以及网络结构等多项数据源，结合相似性计算、信任推理与联合推荐技术，对现有协同推荐方法进行了改进。实验结果表明，提出的改进策略非常有效，在精度和召回率方面都较已有方法具有明显改善。其次，针对传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题，借鉴社会心理学中的信任产生原理，提出基于多元社交信任的信任度计算方法，其中考虑的信任要素包括用户的可信度、可靠度、亲密度和自我意识导向，同时深入研究社交网络环境中各信任要素的识别、提取和量化方法，最后基于用户间的综合信任度选取可信邻居，完成对目标用户的协同推荐。最后，针对社交网络分析中涉及到的自然语言处理问题，对国内外具有代表性词汇语义相关性度量方法进行了分类研究，重点介绍了这些度量方法的理论基础、采用的关键技术及其应用领域，并对其中一些典型的词汇语义相关性度量方法进行了比较与总结，指出词汇语义相关性度量的现有研究成果和可能的发展方向。