考虑心理因素的用户在线行为预测及其在推荐系统中的应用研究

Analyzing and predicting user's online behavior can help merchants understand customer more timely and completely, which is good for improving user experience, boosting service innovation and enhancing competitiveness. Personalized recommendation system can alliviate information overload problem, which is helpful for merchants to expand market and achieve precise marketing. Hence, user behavior analysis and prediction and its application to recommender systems have attracted attention of both academic and industry community, becoming hot research and application area in recent years. Psychology factors play an important role in the process of user comsumption. In this project, based on big data collected from user online consumption, we want to combine theories and methodologies of data mining and user behavior analysis to study theories and methods of mining latent psychological factor behind online behavior, study the theory and method to model and predict user online behavior considering psychology factor, study recommendation models and methods incorporating user's psychology and preference. A series of models and methods to solve how to fuse theory of comsumer psychology with methods of data analysis to model, predict and use user behavior will be proposed, aiming to improve performance of prediction and recommendation and enhance model interpretability to better understand user behavior, and providing theory and technology support for emerging e-commerce.

用户在线行为的准确分析和预测可以让商家更及时、全面地了解客户，有利于改善用户体验、推动服务创新、提升企业竞争力。个性化推荐系统可以有效地缓解信息过载问题，有利于商家扩展市场，实现精准营销。因此用户行为的分析与预测以及个性化推荐系统近年来吸引了学术界和工业界的广泛关注，成为应用和研究的热点。在用户消费的过程中，心理是影响行为的重要因素。本项目将结合数据挖掘和消费者行为学方面的理论和方法，基于用户大量的在线消费行为数据，研究挖掘用户消费行为背后的潜在心理因素的理论和方法，研究考虑心理因素的用户在线行为的建模和预测的理论和方法，研究考虑用户心理和偏好的个性化推荐的模型和方法。项目将提出解决如何将消费心理学理论与数据分析方法进行融合的用户行为的建模、预测及其应用等关键问题的一系列模型和方法，旨在提升预测和推荐效果，改善模型的可解释性，更好地理解用户行为，为新兴电子商务提供理论和技术支持。

心理特质是影响用户行为的重要因素，心理因素的识别和分析是理解和预测用户在互联网应用中的行为的关键。用户心理因素具有不可观测和因人而异的特点，给心理因素的识别和利用带来很大的挑战。已有研究多采取实验或问卷调查等方式评估用户的心理特质，不仅耗费大量的人力物力，得到的数据有限，数据的客观性也难以得到保障。因此，本项目主要研究基于可观测的用户在线行为数据发现用户潜在的需求和心理因素的理论和方法，研究考虑用户的个性心理因素的用户行为预测和个性化推荐的模型和方法。.项目以心理学理论作为支撑，结合统计学习理论，提出了一系列数据驱动的分析用户心理特质的方法，对用户的人格特质、心理需求、创新性、探索心理以及从众心理等心理特质进行建模和识别。项目对多种不同类型的互联网平台上的用户行为进行分析，包括电子商务、移动应用商店、在线唱歌、在线直播、民宿预订等，提出了一系列结合用户心理因素的行为预测和个性化推荐的模型和方法，提升了预测的精度和模型的可解释性，丰富了机器学习的理论和方法。同时也发现了用户在新型互联网应用中新的行为模式以及反映用户心理特质的行为特点，扩展了心理学相关理论和研究方法。项目针对用户行为数据的异构、非结构化、稀疏等特点，开发了一系列具有普适性的机器学习算法。项目的研究成果对提升互联网应用的运营管理水平具有实践参考价值，对推动我国数字经济的发展具有重要意义。.项目研究成果以论文、专著、专利等形式体现。在清华大学出版社出版专著一部。在国内外期刊和会议上发表学生文章23篇，其中，SCI 8 篇，SSCI 5 篇，EI 19 篇，北大中文核心期刊文章3篇。期刊包括国际顶级期刊Information Systems Research、MIS Quarterly、INFORMS Journal on Computing等；会议包括高水平国际学术会议ICIS、AMCIS、WITS、DASFAA等，3次获国际会议最佳论文亚军奖。申请国家发明专利5项，其中2项已授权。培养研究生8名，其中3名博士生获清华大学优秀博士学位论文奖，1名获2019年管理科学与工程学会优秀博士学位论文奖。