云环境用户多兴趣图谱的移动商务关联性推荐模型及算法研究

With the explosive growth of mobile Internet, rapid development of electronic business and rapid popularization of intelligent mobile phone, a mobile Internet new ecology is emerging globally. Therefore, its personalized recommender system is a good tool to improve operators' competitiveness and meet users' personalized needs. However, the particularity of mobile commerce makes it difficult to simply transplant traditional recommendation system to mobile commerce and meet the special needs in Digital Universe era. This project proposed a recommendation model and related algorithms based on user multi-interest map in cloud environment. Firstly, a multi-source information space model was proposed from the aspects of user scenario and semantic correlation degree, thus deeply analyzing the interest shift and evolution of mobile users. Secondly, a mobile user information entropy matrix and the interest parameter matrix were proposed based on information entropy method to breakthrough the feature extraction, information transfer and dynamic interest mapping problem in complicated network environment. Finally, a distributed processing framework Map Reduce was implemented to design the parallel recommendation algorithm for mobile commerce to breakthrough the bottlenecks of traditional recommendation systems, and provide users with more sophisticated and associated recommendation service in a distributed form.

移动互联网爆炸式增长、电子商务迅猛发展以及智能手机的快速普及，使"移动互联新生态"在全球范围内迅速成长，其个性化推荐系统也跻身为提高企业竞争力、满足用户即时个性化需求的利器。移动商务的特殊性使传统推荐系统难以简单移植并满足"数字宇宙"时代的特殊需求。课题基于云环境下用户多兴趣图谱和"关联性"构建移动商务推荐模式和算法。首先，从用户情景关联度、语义关联度提出面向兴趣的多源信息空间模型，深入挖掘云环境下移动用户兴趣漂移与演变规律；其次，基于信息熵方法构建移动用户信息熵矩阵与多兴趣参量矩阵，提出兴趣细粒度特征的提取及表述方法，破解复杂网络环境下移动用户多源兴趣特征提取、关联信息传递及多兴趣测度的动态映射难题；最后，采用分布式处理框架MapReduce设计移动商务多兴趣关联的并行推荐算法，解决并突破"关联时代"传统推荐系统弊病，以分布式形式为用户提供信息粒度更为精细、情景更为关联的便捷式推荐服务。

云环境下海量数据的多维度深层次融合处理与服务信息个性化挖掘是大数据时代管理科学研究新的学术航向标和业界领域新的经济生长点。如何有效融合移动情景信息参量并实现其在移动推荐系统中的无缝耦合，是移动推荐领域研究的热点问题。项目首先从多源层面、多维视角深入解析面向云环境用户情景兴趣的移动商务关联性推荐机制，对用户兴趣的关键特征向量进行描述，结合情景关联对移动商务用户进行位置、时间、业务需求的综合挖掘，从而为用户提供与当前情景关联性最强的即时个性化推荐服务；其次，针对传统协同过滤的数据稀疏性与冷启动、情景兴趣定量表述难题，引入了 “聚合关联”与“同引关联”思想，基于聚合社交网络信任与同引社交网络信任双重维度定量表述移动社会化网络的情景兴趣关系，提出移动商务关联性推荐的情景兴趣度量方法，破解复杂网络环境下移动用户多源兴趣特征提取、关联信息传递及多兴趣测度的动态映射难题；最后，对传统用户模型的“用户——兴趣特征”两级管理方式进行改进，融入了用户情景信息，提出“用户——情景兴趣类别——兴趣特征”的三级管理方式并进行多兴趣图谱建模，构造目标用户当前情景的相似情景集合，建立基于项目评分情景的评分矩阵，提出云环境用户情景兴趣存储、数据抽取、Mapreduce化的并行推荐方法。实验结果表明，基于用户情景关联性推荐的移动用户多兴趣图谱模型能进一步发掘用户的潜在兴趣与即时兴趣，在技术上突破了“数字宇宙”时代推荐系统海量数据挖掘负载大的难点，有效提高了数据挖掘的效率和移动商务推荐的准确度，最终满足移动商务用户情景化、集成化、即时化和个性化的精准便捷式推荐服务需求。项目资助发表国家自然基金委A类期刊3篇，SCI/SSCI期刊4篇，EI刊源3篇，CSSCI期刊16篇，省级优秀博士论文1篇、校级优秀博士论文1篇、省级优秀硕士论文1篇，圆满完成了课题规定的研究任务。