移动商务中的用户兴趣进化与个性化推荐研究

针对移动商务环境中用户兴趣变化迅速等特点，从进化的角度出发，研究用户兴趣全生命周期变化规律，利用马尔可夫链模拟用户兴趣特征的进化过程，构建用户兴趣分级进化模型。借鉴小世界网络理论，按用户兴趣特征划分兴趣社区，研究兴趣社区的兴趣进化过程，分析用户兴趣进化过程中出现的兴趣转移现象，预测用户的兴趣变化趋势和潜在需求。研究用户兴趣和产品族之间的关联关系，构建用户兴趣社区和产品族的协同进化模型，通过特征选择，获得用户显著兴趣子集和产品显著特征子集，揭示用户和产品细分特征，实现推荐扩展，改善系统新用户和新产品的冷启动现象。采用多Agent技术，构建基于用户兴趣、产品信息、情景和时间的四维混合推荐模型，针对不同兴趣级别的用户采用不同的推荐技术，为移动商务个性化推荐提供新的思路。

该项目主要针对在移动环境下，用户兴趣变化迅速、终端屏幕受限等影响因素，分别对用户兴趣变化规律、兴趣子空间挖掘、兴趣社区建立以及推荐算法等展开研究。首先将神经网络集成和协同进化算法相结合，提出一种基于神经网络集成的分类算法，通过协同进化训练多个神经网络，并采用混合集成输出方式获得集成结果，显著提高整个神经网络集成的泛化能力，进而提高推荐系统预测精度，该算法鲁棒性强，易于操作。其次，针对用户建模中存在的复杂高维数据属性约减问题，加入特征选择机制，将用户典型兴趣属性选择和集成模型优化过程协同进行，一并获得较优的集成模型和约减的属性维数，构建基于特征选择的集成推荐模型，挖掘用户典型兴趣特征，利用较小的网络结构获得较高的预测精度。此外，针对移动商务推荐时用户数据规模较大，提出一种利用遗传算法优化子空间的SVM分类算法，该方法通过选择具有典型兴趣特征或行为的用户，作为代表样本备选集，并针对这些典型用户选择其兴趣特征子空间，构建预测模型。最后，针对个性化推荐中普遍存在的用户兴趣变化问题，利用用户带有时间戳的购买或评分数据构建重叠社区，形成带权重的用户多兴趣社区，并在此基础上采用时权关联规则挖掘，获得各个社区典型兴趣，并结合用户多社区属性设计混合推荐策略，建立基于重叠社区的时权关联规则推荐算法。算法充分挖掘用户兴趣，在推荐少量商品情况下具有较好性能，能充分运用在移动商务环境终端屏幕受限的情况下。目前在国内外期刊和重要会议上累计发表论文10篇，其中国际英文期刊5篇（SCI检索1篇，EI 检索4篇），国际会议论文2 篇，国内会议论文3 篇。另外1篇SCI检索英文期刊论文修改后二审中，1篇英文论文已投SCI检索英文期刊。