面向个性化推荐的电信产品建模

摘要

通信技术的发展以及通信产业链的融合给使得电信产品在内容和提供形式上日趋丰富和复杂，电信产品的“信息过载”将逐渐成为制约电信用户消费的主要问题之一。基于此，论文的研究成果如下： 1、从内容层，行为层和功能层三个层次构建面向个性化推荐的电信产品模型架构，并提出相应的三层树形结构模型以及技术实现方法。 首先，通过借鉴电信产品概念研究[39]及制造业S-B-F建模方法[74]，构建了具有内容层、行为层和功能层的电信产品模型架构；其次，从电信产品说明书中“业务内容”部分提炼出内容层属性，“使用方法”部分中提炼出行为层属性，“业务功能”部分提炼出功能层属性。并依据“用户视角”、“全面性”和“差异性”原则建立了具有三层树形属性结构的产品模型：最后，通过Protege本体编辑工具将电信产品模型用OWL语言进行表示。现有的电信产品模型大多是面对企业内部信息共享问题的信息系统数据模型[36]，本研究成果将为电信产品的个性化推荐提供理论基础和实践指导。 2、设计了电信产品属性语义相似度算法(TPM-SA)，并通过数据实验验证了算法的优越性。 在Dekang Lin语义相似度算法[46]的基础上，本研究引入“节点层次”作为节点距离的权重，提出了电信产品属性语义相似度算法。在对1450个用户的电信行业实证研究中，基于TPM-SA的推荐结果精确度达到35％，召回率达到70％，明显高于基于MovieLens和Jester数据集的传统余弦相似度算法[55]的推荐效果(分别为27％和60％)。 3、提出了考虑结果差异性的推荐算法(TPM-RS)及推荐效果评价指标，实证验证了本文提出的推荐算法在保证精确度和召回率的情况下，其差异度指标更优。 首先，引入了推荐结果“差异度”的概念，并通过推荐集的自信息量进行衡量；其次，设计了“基于内容行为相似性和功能差异性(Recom1)”，“基于行为功能相似性和内容差异性(Recom2)”和“基于内容和功能相似性和功能差异性(Recom3)”三种推荐算法；最后，提出了综合考虑“精确度”、“召回率”以及“差异度”的推荐效果评价指标。1450个用户实际数据的实验表明，1) Recom2算法的综合表现要好于其他两种算法；2)TPM-RS算法产生的推荐集在保证较高的“精确度”和“召回率”的同时，“差异度”(自信息量为6)远高于改进后的CF算法(K-Means-CF)[35](自信息量为3)。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章绪论

1.1 研究背景

1.2 问题提出及范围界定

1.3 研究目的及预期创新点

1.4 论文的组织结构

1.5 本研究主要使用的工具

第二章文献综述

2.1 个性化推荐研究综述

2.1.1 个性化推荐领域的研究框架

2.1.2 个性化推荐中的产品建模研究综述

2.2 电信产品模型研究综述

2.2.1 电信产品信息模型研究

2.2.2 电信产品概念研究

2.3 研究框架的建立

第三章面向个性化推荐的电信产品模型构建

3.1.模型构建标准的确立

3.2. 电信产品建模流程

3.2.1. 电信产品模型框架的建立

3.2.2. 电信产品属性的提取和整理

3.2.3. 电信产品模型的最终建立及表示

第四章电信产品个性化推荐算法设计

4.1. 产品融合模型的构建

4.2. 产品属性相似度算法的设计

4.3. 考虑差异性的推荐机制

4.4. 推荐效果评价指标的选取

4.4.1. 准确性评价指标

4.4.2. 差异性评价指标

第五章实证研究

5.1. 实证背景及数据集说明

5.2. 电信产品个性化推荐流程

5.2.1. 产品模型的表示

5.2.2. 用户模型的建立

5.2.3. 产品融合模型的表示

5.2.4. 备选推荐产品集的表示

5.2.5. 相似性矩阵与差异性矩阵

5.3. 基于K-means以及CF结合的个性化推荐算法

5.4. 模型的评价指标及对比研究

5.4.1. 对比研究设计的说明

5.4.2. 对比指标以及标杆值

5.4.3. 对比研究结果展示

5.4.4.结论

第六章总结与展望

6.1. 成果总结

6.2. 研究中的不足

6.3.研究展望

6.4. 应用展望

参考文献

附录

致谢

攻读学位期间发表的学术论文目录