基于用户偏好挖掘和兴趣漂移的多准则推荐系统研究

Personalized recommender system has become an effective tool to alleviate Internet information overload. Multi-criteria ratings system allow users to evaluate multiple aspects of a product. Compared with the traditional single overall score, multi-criteria ratings can reflect the user preference and the difference of the goods characteristics more detailedly.Fusing multi-criteria ratings to the decision-making process of the recommender system can compensate for the disadvantage of lacking the ability to reflect user preference of the single overall rating information. This project will mine the preference based on user behavior analysis, propose two recommendation algorithms based on user static preference and deep learning recommendation model based on user interest drift. The main research work is as follows: firstly, we will empirically examine the preference hypothesis based on the mutli-criteria ratings behavior analysis, and mine the features of multi-criteria preference. Secondly, criteria information entropy and rating deviation degree will be used to represent static user preference, and two recommendation algorithms based on user static preference will be proposed. Thirdly, we will study the mutli-criteria set optimization method based on the change of user criterion preference. Finally, multi-criteria LSTM deep learning recommendation model based on user interest drift will be proposed.This research will help enrich online behavior data analysis and mining theory and the study of the theory of the personalized recommendation method, and can improve user stickiness and merchandise sales of the online travel and restaurant website which provide multi-criteria ratings in business.

个性化推荐系统已经成为缓解互联网信息过载的一种有效工具。与传统的单一整体评分相比，多准则评分支持用户对商品的多个方面进行评价，能更细致刻画用户的兴趣偏好或商品的特征差异，将其融合到推荐决策过程中，有助于弥补单一整体评分反映用户偏好能力的不足。本项目基于用户的多准则评分行为挖掘用户偏好，提出基于静态偏好的推荐算法以及考虑兴趣漂移的深度学习推荐模型，研究内容主要包括：①从基于用户评分行为分析的多准则偏好假设进行实证检验入手，挖掘用户对多准则的偏好特征；②用准则评分信息熵结合评分偏差度来表示用户静态偏好，构建适应不同场景的二种多准则推荐算法；③研究基于用户准则偏好度变化的准则集构成优化方法；④提出基于用户兴趣漂移的多准则LSTM深度学习推荐模型。本研究有助于丰富在线行为分析挖掘与个性化推荐理论的研究，在商业上则有助于提高在线旅游和餐饮等提供多准则评分的网站的用户粘性和商品销售量。

个性化推荐系统已经成为缓解互联网信息过载的一种有效工具。与传统的单一整体评分相比，多准则评分支持用户对商品的多个方面进行评价，能更细致刻画用户的兴趣偏好或商品的特征差异，将其融合到推荐决策过程中，有助于弥补单一整体评分反映用户偏好能力的不足。本项目采集真实环境下发生的数据，基于用户的多准则评分行为挖掘用户偏好和物品准则特征，提出对应的个性化推荐方法，有效提升推荐性能。. 研究内容主要包括：①基于用户评分行为挖掘用户对多准则的偏好特征，构建基于信息熵的多准则推荐算法；②研究多准则推荐系统中准则集优化对用户评分行为影响以及评论系统中每个设计特征的分类质量以及优先顺序；③研究基于准则级特征交叉融合的可解释推荐模型和算法；④研究应对稀疏性问题的个性化推荐模型和算法。. 在研究过程中，本项目使用实证方法揭示了评分特征对用户评分偏好的关联关系，提出的基于信息熵的个性化推荐算法有效提升了推荐准确性；项目揭示了多维评论系统中准则集调整对用户整体评分的影响效应，提出了一种改进的评论系统设计特征分类方法；项目从挖掘用户准则偏好和物品准则特征出发，结合注意力机制提出了基于准则级特征交叉融合的可解释推荐算法；面对推荐稀疏性问题，项目使用用户聚类来重构用户-项目二部图，使得网络密度得到显著的提高；另一方面，从物品分类信息出发，提出了一种混合模型来整合分类属性信息和大众标签分类信息。. 项目研究取得了较为丰硕的研究成果，在《Expert Systems With Applications》、《Knowledge-Based Systems》、《Journal of Medical Internet Research》、《Journal of Intelligent & Fuzzy Systems》、《Journal of Organizational and End User Computing》和《小型微型计算机系统》等国内外重要期刊和会议上发表学术论文9篇。其中，SCI/SSCI期刊论文8篇。. 本研究有助于丰富在线行为分析挖掘与个性化推荐理论的研究，在商业上则有助于提高在线旅游和餐饮等提供多准则评分的网站的用户粘性和商品销售量。