产品层级体系下电商用户的分层信任网络建模与多样化推荐

In the context of big data, the web frequently hosts false information and mendacious users. The trust among users becomes particularly important in decision-making of their online shopping. For the convenience of consumers, many large-scale e-commerce websites develop a hierarchical system of their products. Under such circumstances, in this research project, online reviews are used to model the hierarchical trust network and the strategy for diverse recommendations. First, the mechanisms that help develop trust among users are investigated, and algorithms of trust inference are proposed. Moreover, through review mining, the products’ attributes model and users’ profile model are built separately. As trust is context-specific to the product category, the hierarchical trust network is modeled progressively, from the bottom to the top layer of the product hierarchy. Then, a recommender strategy is proposed along the hierarchical trust network step-by-step to satisfy the personalized and diversified needs. Finally, the proposed methodology is evaluated and applied in real e-commerce websites. From a theoretical perspective, this study provides significant input to advance the theory system of the trust network and the trust-based social recommender systems. In practice, considering the real hierarchy system of products in e-commerce websites, this research strives to offer more reliable and diverse recommendations and provide decision-making support for online consumers.

在大数据背景下，干扰信息和恶意用户大量存在，用户间的信任对在线购物决策起到重要作用。许多大型电商平台为方便用户购物，往往按产品类别来组织产品，形成一套完整的产品层级体系。在此体系下，该课题基于用户的在线评论，研究对应于产品层级的用户分层信任网络的构建及其推荐问题。首先对用户之间的信任关系的建立机制进行研究，基于此提出用户间信任关系推理算法。然后基于评论挖掘，分别构建产品和用户的信息属性模型。在此基础上，针对电商平台的产品层级体系，考虑到用户间信任关系对产品类的情景依赖性，研究由底层到顶层逐层递进的分层信任网络的构建策略。基于分层信任网络，研究推荐策略，实现满足用户多样化需求的个性化推荐。最后进行课题方法的评价与应用研究。通过课题研究，在理论上，力图完善信任网络以及信任推荐的理论体系；在实践中，面对电商实际存在的产品层级体系，力求为用户提供可靠的、多样化的产品推荐，为其在线购物提供决策支持。

项目采用评论信息、信任关系、相关领域的数据等多方面信息，重点研究了用户和产品信息属性的建模问题。首先，以在线评论作为基础，利用概率语义信息去表达用户偏好，提出了一系列相似性计算、邻居选择方法。然后，为了解决冷启动问题，从可靠性和确定性两个角度，提出了信任度量方法。为了提高推荐结果的多样性，将推荐过程模拟成二分网络中“项目→用户→项目”的资源分配问题，探究了项目受欢迎度和用户评价项目数量对于推荐结果准确性和多样性的调控作用。为了满足用户对多样化的不同需求，度量了用户的多样化需求，并将信任关系引入基于二分网络的资源传递过程，确保了对于经验丰富用户的推荐多样性和对于冷启动用户与长尾产品的推荐准确性。为了解决数据稀疏性问题，基于不同种类产品的购买信息，研究了跨领域推荐技术，迁移了不同种类产品间共享的用户和产品知识。由于在提供的产品或者服务上具有差异性，不同领域间除了共享信息，还具有更多的非共享信息。考虑到这一点，进一步探究了领域间的差异性来源，包括在共享特征上的偏好异质性、领域特有特征、评分偏置，以排除对共享信息挖掘的干扰，并建立更完整的用户需求模型和产品属性模型。基于此，将二分网络与特征空间进行结合，从潜在特征的角度，理解了用户偏好产品的原因，并通过“项目→用户→项目”的资源分配过程发掘用户的潜在偏好。为了多样化推荐列表，调控不同项目属性的作用，使更多不相似的项目出现在推荐列表中。此外，针对评分预测、排序、分类等三个不同的推荐任务选取了适用的评价指标，利用Amazon、YahooMusic等不同电商平台的公开数据集、用户调查与访谈数据以及从大众点评、水滴筹等网站爬取数据等多种数据源，对算法进行了评价研究，验证了本项目所提出的模型与方法的有效性。