基于多元异构信息融合的个性化推荐系统研究

The multiple heterogeneous information in Web 2.0 e-commerce systems including user ratings, user friends and social tags can reflect the users' preferences and the similarity between the products in different level. Integrating those heterogeneous information into the recommendation process can compensate for the lack of information on a single dimension because of data sparsity. This project intends to build a new user-item-tag tripartite graph model through empirical analysis of the characteristic of the expression preferences and the relevance of multi-dimensional user interest similarity based on multiple heterogeneous information environment. In the model the similarity fusing the user similarities of social trust network and user-tag relation network is the supplementary of the user similarity of user-item bipartite. The linear fusion weight parameter not only considers the unbalance of the overall ability of the different dimension network, but also the difference of user's expression preference. Recommendation algorithm based on mass diffusion and global diversity recommendation algorithm making use of the semantic links between the tags will be developed. Different recommendation cold start strategies will be studied according to the different expression characteristics. The research of this project can promote the development of the decision theory and technology of personalized recommendation based on the heterogeneous information environment.

Web2.0电子商务系统中的用户-商品评分、用户友邻、社会化标签等多元异构信息都能不同程度地反映出用户的兴趣偏好或者商品之间的相似性。在数据稀疏性条件下，把这些信息互为补充地融合到推荐系统决策过程中，有助于弥补单一维度上信息的不足。本项目将实证研究Web2.0系统中用户表达方式偏好特征以及多维用户相似性的差异度，构建新的用户-商品-标签三部图推荐模型，该模型把社会信任网络和用户-标签关系网络融合后的用户相似度作为用户-商品二部图中用户相似性的补充，线性融合的权重参数既考虑各个维度的整体反映能力的不均衡性，也考虑因用户表达偏好不同而体现的对应维度反映能力的差异。在模型基础上，设计基于物质扩散原理的推荐算法；利用标签之间的语义关系，设计全局多样性推荐算法；最后，根据用户的不同表达方式偏好特征，研究相应的冷启动推荐策略。本项目的研究可以推动基于多元异构信息融合的个性化推荐理论和技术的发展。

用户-商品评分、用户友邻、社会化标签等多元异构信息都能不同程度地反映出用户的兴趣偏好或者商品之间的相似性。在数据稀疏性条件下，把这些信息互为补充地融合到推荐系统决策过程中，有助于提高推荐系统的推荐性能。本项目研究基于多元异构信息的推荐模型和方法，具体的研究内容包括：. (1)信任模型和信任度评估：社交网络是多元异构信息的主要构成成分，其在多元异构信息中的重要性仅次于用户评分，这一部分主要研究基于社交网络的个性化推荐信任评估模型。. ⑵个性化推荐模型和算法：构建多重图网络模型以及基于多重图排序的个性化推荐算法；构建融合兴趣社区和信任邻居的平衡精确性与多样性推荐方法以及融合用户情境信息的多维信息推荐模型和方法。. ⑶个性化推荐模型的应用和评价研究：研究个性化推荐方法的评价指标，对推荐算法和模型进行测试和完善，验证融合精确性和多样性的混合信息推荐模型的可行性和有效性。. ⑷推荐系统时新性：研究时新性对推荐系统的重要性、时新度的定义以及基于时新度的个性化推荐框架。. 本项目提出了新的社会网络信任模型和信任度评估方法，构建了多元异构信息环境下的多重图网络模型以及基于多重图排序的个性化推荐算法，实验说明新算法显著提高推荐的准确性和覆盖率。本项目提出了融合兴趣社区和信任邻居的平衡精确性与多样性推荐方法以及融合用户情境信息的多维信息推荐模型和方法。设计和实现了二部图网络中基于近邻的物质扩散推荐算法和实验分析；提出了基于异质扩散过程的推荐算法，可以同时提高推荐的准确性和多样性。在课题研究过程中，发现了时新性对推荐系统的重要性，提出了推荐系统的时新度评测指标，并设计了通用的基于时新度的推荐框架。. 项目共发表学术论文18篇，其中，SCI/SSCI期刊论文3篇，EI期刊论文7篇，国内《小型微型计算机系统》、《管理工程学报》等核心期刊论文8篇，出版一部学术专著。协助培养博士一名，培养硕士生7名。