复杂社交网络环境下基于社区演化和传递效应的推荐策略研究

The social network has given a deeply influence on the E-commerce model. The research of personalized recommendation has been playing a significant role in both the theory and the application. This project aims to investigate the personalized recommendation in a social network context. Firstly of all, we will explore the relationship between the users' interest evolution patterns and the community evolution process, and develop a coevolution model of user and community based on the concept of the interest lifecycle. Moreover, it will discover mutual influence between the social network and the products, and propose a novel three-layer recommender model of social network, user and product. This model can mine both the potential user interest and the potential user group. The project will also study on the interaction between the social network and interest network in order to accelerate the two networks' merging. In addition, a transfer model will be developed by analyzing the transfer effect in and between the social network and the interest network. Finally, a hybrid recommendation model will be presented by fully considering the community evolution and the transfer effect, to predict the user profile and give the refine recommendation. It will be valuable for both the recommender systems and the social commerce.

社交网络的发展影响着电子商务中网络营销模式的改变，社交网络环境下的个性化推荐研究具有重大的理论意义和应用价值。本项目拟针对复杂社交网络环境下的个性化推荐展开深入研究。首先，研究社交网络影响下用户兴趣和兴趣社区之间的关联关系，建立复杂社交网络环境下用户-社区协同演化模型，深入分析用户兴趣的生命周期，实现兴趣精准定位。其次，建立社交-用户-产品三层混合推荐模型，分析社交网络和产品的映射关系，扩展用户兴趣，挖掘产品的潜在用户群体。然后，研究社交网络和兴趣网络之间转化和影响，促进两个网络的融合，以提高社交网络影响下的推荐算法性能。最后研究两个网络中的推荐传递效应，建立基于社交网络和兴趣网络的混合推荐传递模型。本项目深入研究用户兴趣网络和社交网络中社区演化以及推荐传递效应，制定混合推荐策略，为复杂社交网络环境下的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，推动新的社交化商务模式产生。

该项目主要针对在社交网络环境下，用户兴趣受到社交好友兴趣的影响，出现兴趣变化、演化等特点，分别对典型用户挖掘和典型兴趣特征选择，用户兴趣变化规律和用户兴趣演化趋势，产品簇和用户类之间的关联关系挖掘，社交信息对用户兴趣的影响以及推荐算法等展开研究。首先结合最近异类样本概念，提出了基于最近异类的典型样本选择算法，选择位于分类决策面附近的样本点，有效提高样本选择效率和样本压缩率，通过该算法进行典型用户选择，能够利用较少的用户数据获得较准确的预测性能。设计一种基于输入子空间特征提取的分类算法，利用协同进化方式优化特征子空间，充分考虑数据投影到不同的特征子空间的特点，从而实现更精准的特征选择，可有效挖掘用户典型兴趣特征，具有较好的鲁棒性。针对个性化推荐中普遍存在的用户兴趣变化问题，提出了基于重叠社区的时权关联规则推荐算法，充分挖掘用户兴趣，形成带权重的用户多兴趣社区，并在此基础上采用时权关联规则挖掘，获得各个社区典型兴趣，并结合用户多社区属性设计混合推荐策略，建立基于重叠社区的时权关联规则推荐算法，具有良好的推荐性能。针对个性化推荐中存在随用户经验累积而形成的用户兴趣进化问题，基于心理学理论，构建兴趣进化模型，挖掘用户兴趣进化趋势，提高个性化推荐的准确性。利用矩阵分解、神经网络等理论和方法，分析用户类兴趣模式，挖掘产品簇和用户类之间的关联关系。针对目前推荐系统中存在的稀疏性和冷启动用户问题，结合社交网络信息，提出基于用户评分和社交信息的用户兴趣聚类推荐模型，同时在推荐准确性和多样性上优于已有的协同过滤算法。对用户兴趣动态演化过程中社交影响机制展开研究，并结合隐马尔可夫模型，以隐藏的状态序列来为用户兴趣演化过程建模，更加准确地预测用户偏好，改善推荐性能。