词计算视角下信息粒决策方法与在线评论精准推荐应用

The rise of AI and the growth of big data make the users’ purchase behavior in the e-commerce mode more complex. Developing the recommender system of e-commerce in the new environment has become an important task of modern online retailers, and is also a need for Chinese industrial upgrading. According to the characteristics of fuzziness, subjectivity and implicit in online reviews, this topic starts from the language data in online reviews, and studies the core essence of decision-making based on such information granule and the impact on the recommendation results. By analyzing the structure of linguistic information granules, we establish a “cross granular solving problem mechanism”, which provides a mathematical description for quantifying multi-source and fuzzy online reviews.We design information clustering and classification algorithm based on granular computing theory. Based on the granularity optimization model, combining the existing theories of computing with words, rough set and quotient space, we build an information granule decision making model to realize the simplification and optimization of multi-source and large-scale dynamic fuzzy information decision. It can satisfy the requirements of big data. The multi-attribute fuzzy decision making method based on online reviews in the personalized recommendation process and the recommendation algorithms are given. The computer simulation is carried out. This project provides theoretical and application technical support for language processing and recommender system. To a certain extent, it improves and complements the weak links of linguistic information mining and utilization under the trend of big data.

人工智能的兴起和大数据的增长使电子商务模式下的用户购买行为更加复杂，发展新环境下电子商务的推荐系统成为现代电商的重要任务，也是中国产业升级的需要。针对网络中在线评论语言信息模糊性、主观性、隐式性的特征，课题从在线评论中的语言数据出发，研究此类信息粒决策的内核本质以及对推荐结果的影响。通过对语言信息粒的结构剖析，建立“跨粒度”求解问题机制，为多源、模糊的在线文本信息定量化提供数学描述方法，并根据粒计算设计语言信息粒聚类和分类算法。基于粒度优化模型，融合现有的词计算、粗糙集和商空间理论，构建相应的信息粒决策模型，实现对多源、大规模动态模糊信息决策的简化和优化，满足大数据运算要求。给出个性化推荐过程中基于在线评论信息的多属性模糊决策方法及基于此的推荐算法，进行计算机仿真。本项目为语言处理和推荐系统提供理论方法和应用技术支持，一定程度上完善和补充了大数据趋势下，语言信息挖掘利用的薄弱环节。

本课题以词计算范式的研究为起点，归纳总结词计算范式的共同点，定义模糊多粒度语言的测度信息计算的范式，在扩展理论与符号化模型的基础上，提出概率语言群决策模型、非均衡多粒度语言群决策模型、模糊犹豫语言群决策模型、概率语言云模型、语言变量与VIKOR、TOPSIS等结合的多准则决策模型。本课题进一步结合社会网络分析，研究社会网络群决策（SN-GDM）问题，提出了基于Choquet积分的多层次结构群决策模型、量子框架下的群决策模型等。最后将研究的理论成果应用到个性化推荐、灾害风险评估、应急决策等问题中，提出的应用方法同时考虑了决策个体认知偏差与决策信息不确定性，不仅在理论层面上进一步丰富和完善了词计算视角下信息粒决策方法，在不同应用层面也有一定参考价值。.具体内容如下：.1、深入分析多粒度语言计算模型在处理大量网络文本数据中的不足，以粒计算理论为基础，结合复杂不确定认知下的决策行为特征，提炼行为变量，然后将其运用到不确定行为决策的分析框架之中，构建多源语言决策信息的“多准则群决策问题”求解框架，并给出基于以上粒化模型的语言多准则群决策方法和一致性检验。.2、针对社会信任关系对开放域评论信息挖据的影响，将群体决策者的社会网络特征及其之间的社会关系表示为复杂网络的形式，通过分析、量化决策个体的社会网络特征及其风险偏好对群体聚类效果和决策结果的影响，设计基于不同用户语言情境的精准推荐方法，有效解决传统推荐系统中的数据稀疏问题与用户冷启动问题，从而提高网络推荐的精准度。.3、以社交媒体中基于关注的社会关系模拟群体交互过程，结合社会网络分析和量子概率理论构建了考虑叠加和干扰效应的社会网络群决策场景决策框架，通过一个类量子贝叶斯网络的影响图以模拟具有交互作用的群体决策，解释SN-GDM场景下群体偏好的演化过程。通过拓展决策问题的研究方法，引入量子概率原理来描述和解释人类的认知和决策行为，解决了复杂情况下群决策行为的建模问题。