基于领域知识和链路预测的个性化推荐研究

On the context of big date, how to provide the users with more personalized goods and service to meet their demand from the ocean of information is becoming the key to win out in an increasingly fierce E-business competition environment. Upon the researching basis of personalized recommend mechanism, this study will focus on the research of user interest, behavior and context modeling, product's domain knowledge obtain and representation, product-user bipartite constructing, and the personalized recommend model, algorithm and key technology innovation based on domain knowledge and link prediction, from the perspective of the inter-discipline of knowledge management, data mining, marketing management and complex network. Then we will do further research on recommend result's secondary mining and deep knowledge discovery to support enterprise decision. The research will theoretically combine the domain knowledge, link prediction and personalized recommend, and explore the method innovation on personalized recommend. Our research will enrich the personalized recommend theory from a completely new perspective and improve the diversity and accuracy of E-business personalized recommend, and guide the enterprise earnings improving theoretically and practically.

大数据环境下，如何从信息的海洋中为用户提供个性化程度更高、更符合需求的商品和服务，已经成为电商在日益激烈的竞争环境下决胜的关键、商家和学者关注的焦点和热点研究方向。本研究针对现有个性化推荐中存在的重视推荐准确性忽视多样性、忽视领域知识、情境等问题，从知识管理、数据挖掘、营销管理、复杂网络交叉学科的角度，在研究个性化推荐机理的基础上，重点研究用户兴趣、行为、情境模型的建立，产品领域知识的获取、表示，产品-用户二图的建立方法，以及基于领域知识和链路预测的个性化推荐模型、算法和关键技术，并在此基础上研究对推荐结果进行"二次"或"深层次"挖掘，以更好地支持企业决策的技术和方法。该研究在理论上将领域知识、链路预测和个性化推荐三者结合，探索个性化推荐方法上的创新，从一个新的视角丰富了个性化推荐理论。同时，也可对电商企业提升个性化推荐的多样性、准确性和企业效益提供理论和实践的指导。

基于领域知识和链路预测的个性化推荐是一个全新而又有实用价值的研究领域，但目前研究成果很少。本项目基于复杂网络链路预测的理论框架，实现电子商务领域中的个性化推荐，针对传统个性化推荐技术的问题，从复杂网络、知识管理、数据挖掘、社会网络综合交叉学科的角度进行应用和实证研究。.本研究通过建立用户兴趣和行为模型，将个性化推荐问题转化为复杂网络中的链路预测问题，将产品领域知识、客户兴趣知识、情境等因素融合到算法中，最终实现多样化、高准确性的产品推荐。研究成果主要有以下几个方面：在理论方面，提出考虑隐私保护的链路预测个性化推荐方法框架；对目前链路预测的方法进行了较为全面的综述，考虑异质网络中节点之间当前链接的强弱，设计基于二分网络的个性化推荐过程，使节点的度作为影响项加入基于SAN网络下的链路预测算法中；进行开放网络社区中文本信息的情感分析研究工作，对推荐列表进行“二次”或“深层次”挖掘，并在此基础上开发实际的个性化推荐系统。在应用方面，将新媒体时代的互动性、动态的用户兴趣模型的建立和个性化推荐三者结合，提出OF-IDF方法定量化表示文本数据，将非结构化的文本数据转化为结构化的文本数据并建立动态的用户兴趣模型，提出了个性化新闻推荐算法；基于音乐流派的用户特征提取构建了MGW模型；调研用户回收和购买数据构建商品推荐系统；提出用字典匹配的方法将财经新闻的情绪引入传统的数学模型中，为股票价格的预测提供了新思路；基于网络搜索数据及历史客流量数据构建模型，并探索其对旅游市场客流量的预测作用。此外，根据研究的需要，还增加了智能知识管理的相关研究内容。.该项目在课题组全体成员的努力下，圆满地完成了预定的研究计划，研究成果在理论上丰富和完善了复杂网络和个性化推荐交叉学科的内容，在实践上为提升用户推荐的多样化和智能性，提高企业的交叉销售能力提供了参考。