复杂情境下的电商用户个性化推荐策略研究及应用

摘要

电子商务各类新技术的出现和广泛应用以及用户海量数据的积累，为精准营销、动态供应链优化等提供了前所未有的发展空间。然而巨量信息的充斥，也引发了不少问题诸如“资源过载”和“信息迷向”等且愈来愈严重。对于个人用户而言，如何快速、准确地从海量的信息中获取有用的内容，成为其迫切希望得到解决的问题;对于企业而言，如何在日趋激烈的竞争环境下快速准确的发现用户的潜在需求，提升信息检索与推送的智能水平，提高个性化服务质量，成为其在电商活动中需要完善的重要服务内容之一。个性化推荐技术的出现在一定程度上解决了信息多样化与用户需求专一化之间的矛盾。几乎所有的电子商务平台如Amazon、淘宝、京东等均不同程度的使用了各种推荐系统。但随着电子商务应用的不断深入以及用户情境的复杂化，如何在复杂情境下满足用户的个性化需求已经成为个性化推荐服务研究的新趋势。
　　在基于情境的个性化推荐策略研究中，用户的复杂情境通常包括本体情境、上下文情境和社会关系情境。不同于以往的研究视角，本文采用纵向与横向结合的方式。以往的研究都聚焦于模型构建的三元研究，即基于“基于情境的个性化推荐知识建模——基于情境的用户偏好分析——基于情境的推荐方法”的纵向结构。研究成果可能只满足于部分企业的要求。本文在研究过程中将电商用户和企业结合考虑，对企业进行粗粒度划分，设计复杂情境下满足用户个性化需求的推荐策略。本文从信息维度和信息量的获取角度出发将企业分为三类:单一维度情境信息企业、部分维度情境信息企业和丰富维度情境信息企业。通过对现有典型的个性化推荐方法及相应的模型进行深入分析，找出其存在的不足，设计能满足不同企业需求的个性化推荐策略。研究成果对发展面向消费者的新型电子商务模式，创新企业在线服务内容，优化精准营销，提高消费者满意度和提升企业竞争力具有重要意义。
　　本文的特色之处如下:
　　1)提出复杂情境下基于资源非均匀扩散的推荐方法。协同过滤个性化推荐方法由于其模型简单，容易应用且推荐效果尚可，目前使用最为广泛，但其最大的缺点在于易受数据稀疏性和冷启动问题的困扰。为了缓解这两个问题，在不增加额外维度情境信息的同时又能提高推荐质量。本文设计了一种基于二部图资源非均匀扩散的个性化推荐模型，考虑用户——商品节点具有的不同吸引力，依据不同的吸引力，用户——商品节点可获得不同的资源，通过计算这些资源大小得出推荐结果。本文研究表明，模型采用了完全不同于协同过滤用户之问相似性计算的策略，提高了推荐精确性和多样性并且在一定程度上克服了稀疏性和冷启动问题。对于大部分用户量较少、且只能获得用户单一维度情境信息的企业而言，该推荐方法是十分有效的。
　　2)提出复杂情境下基于本体情境和信任关系的推荐方法。随着用户情境的复杂化，传统的协同过滤推荐方法越来越不能满足需求。为了提高推荐质量，提供更好的个性化推荐服务，本文设计了一种基于协同过滤思想的个性化推荐模型，利用本体情境信息对用户进行聚类，考虑用户偏好程度的不同以及用户信任关系对相似性计算产生的影响。本文研究表明，在计算用户相似性之前对用户进行基于本体情境的聚类，在计算相似性时加入用户信任关系因素影响会对推荐精确性的提高和结果多样性的增加产生正向影响。同时该模型也能在一定程度上缓解数据稀疏性和冷启动问题。对于那些能够获取用户本体情境、部分关系情境信息的企业而言，只增加少量维度情境信息，采用这种改进型的协同过滤推荐方法，对推荐结果质量的提升有较大的帮助。
　　3)提出复杂情境下融入社会网络情境的推荐方法。社交网络与电子商务的融合使得用户信息更加丰富，基于此产生的个性化推荐结果也更加精准。本文设计了一种基于社会网络情境的个性化推荐模型，将用户本体特征、个人偏好和用户之间的社会关系影响结合在一起，采用矩阵分解的方法生成推荐结果。本文研究表明，融入社会网络情境可以较大程度的提高推荐结果的精确性、增加推荐结果的多样性。同时矩阵分解方法能够很好的解决数据稀疏性和冷启动问题。该个性化推荐方法能够适用于各种推荐情形，应用领域广泛，特别对于掌握用户丰富维度情境信息的企业而言，借助对用户复杂情境的详实分析，采用该方法，推荐效果突出。
　　本文成果扩展了个性化推荐策略的研究思路，丰富了个性化推荐建模的方法体系，提出的三种方法相辅相成，能满足不同电商平台的需求。

目录

摘要

1 绪论

1．1 研究背景与问题的提出

1．1．1 研究背景

1．1．2 研究问题

1．2 研究意义与目标

1．3 研究内容与创新

1．4 研究思路及方法

1．4．1 研究思路

1．4．2 研究方法

1．5 论文结构安排

2 个性化推荐研究综述

2．1 个性化推荐相关理论

2．1．1 消费者定位理论

2．1．2 显示性偏好理论

2．2 个性化推荐相关知识

2．2．1 情境感知服务

2．2．2 社会网络分析

2．2．3 兴趣漂移处理

2．3 个性化推荐方法及分类

2．3．1 协同过滤的方法

2．3．2 基于内容的方法

2．3．3 基于二部图资源分配的方法

2．3．4 基于知识的方法

2．3．5 混合方法

2．3．6 其他方法

2．4 基于情境的个性化推荐研究

2．5 本章小结

3 复杂情境下基于资源非均匀扩散的推荐方法

3．1 问题描述及研究思路

3．2 基于资源非均匀扩散的推荐模型

3．3 推荐效果评价指标

3．4 实验验证

3．4．1 参数确定

3．4．2 实验结果

3．5 本章小结

4 复杂情境下基于本体情境和信任关系的推荐方法

4．1 问题描述及研究思路

4．2 基于本体情境及信任关系的推荐模型

4．2．1 K-means聚类方法和人工蜂群方法ABC

4．2．2 基于本体情境的用户聚类

4．2．3 基于信任关系的协同过滤方法

4．3 推荐效果评价指标

4．4 实验验证

4．4．1 参数确定

4．4．2 实验结果

4．5 本章小结

5 复杂情境下融入社会网络情境的推荐方法

5．1 问题描述及研究思路

5．2 融入社会网络情境的基于矩阵分解的推荐模型

5．2．1 矩阵分解

5．2．2 K-harmonic means聚类方法和微粒群方法PSO

5．2．3 基于PSO的K-harmonic means用户聚类

5．2．4 基于复杂社会情境的推荐方法

5．3 推荐效果评价指标

5．4 实验验证

5．4．1 参数确定

5．4．2 实验结果

5．5 本章小结

6 应用研究

6．1 系统设计

6．1．1 系统基本框架

6．1．2 系统关键技术

6．1．3 系统功能与界面

6．2 应用实例

6．3 本章小结

7 总结与展望

7．1 研究结论

7．2 研究贡献与管理启示

7．3 局限性与未来展望

参考文献

攻读博士期间的学术成果

致谢

声明