项目名称: 富信息环境下基于兴趣模式的推荐系统研究

项目编号: No.71271044

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 管理科学

项目作者: 袁华

作者单位: 电子科技大学

项目金额: 56万元

中文摘要: 推荐结果的兴趣性一直是电子商务个性化推荐系统的关注重点。这一问题在传统推荐系统中因为方法和计算资源的局限,目前并未得到很好的解决。近年来随着富信息技术的渗透发展,电子商务相关活动数据海量增长,又对个性化推荐系统增加了结果多样性和速度高效性要求,传统推荐技术正面临着多项挑战。因此,本课题拟对: 1、基于关联兴趣模式的推荐方法;2、兴趣度指标及兴趣模式挖掘;3、面向富信息融合的多维推荐方法等技术展开深入研究,期望建立起富信息环境下基于兴趣模式的推荐系统。本研究的优点:通过兴趣度指标可以发现用户真正有兴趣的模式并用于推荐,将提高推荐的精确性;其次,改进方法使得在海量数据中挖掘较低支持度的兴趣模式可行;最后,兴趣模式结合富信息融合的推荐方法可以提高推荐的多样性,同时可以避免推荐结果的马太效应和冷启动问题。另外,本课题还将基于兴趣模式推荐技术对系统可能面临的欺诈攻击进行研究,并实现一个推荐原型系统。

中文关键词: 数据挖掘;推荐系统;兴趣模式;协同过滤;富信息

英文摘要: The interestingness of recommended results is the most concern in personalization recommender systems research. However, it has not been well resolved in traditional recommender systems on account of the limitations of recommendation technologies and computation resources. Further, the traditional recommendation technologies have to face more serious challenges from the huge amounts of data, recommendation diversity and speed efficiency in a rich-information era. To address these challenges,this project will conduct an in-depth study for the interesting pattern based recommendation technology in rich information environment and the main contents include:(1)constructing a new interesting pattern based recommendation method;(2)implementing a new mining method to find rare but valuable interesting pattern form huge amounts of data;(3)combining the recommendation method with the information fusion technology to improve the performance of recommendation systems. The advantages of the interesting pattern based recommender systems are as follows:(1) The accuracy of the system is improved by using the user interested patterns in recommendation technology; (2) The mining process of interesting patterns with very low minimum-support is feasible while the new evaluation method is introduced; (3)The diversity of recommende

英文关键词: Data mining;Recommendation systems;Interesting pattern;Collaborative filtering;Rich information

成为VIP会员查看完整内容
2

相关内容

数据挖掘(Data mining)一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。
对话推荐算法研究综述
专知会员服务
46+阅读 · 2022年2月18日
知识驱动的推荐系统:现状与展望
专知会员服务
65+阅读 · 2021年11月22日
协同过滤推荐系统综述
专知会员服务
45+阅读 · 2021年11月4日
基于强化学习的推荐研究综述
专知会员服务
81+阅读 · 2021年10月21日
专知会员服务
55+阅读 · 2021年8月12日
个性化广告推荐系统及其应用研究
专知会员服务
93+阅读 · 2021年2月27日
应用知识图谱的推荐方法与系统
专知会员服务
111+阅读 · 2020年11月23日
个性化推荐系统技术进展
专知会员服务
65+阅读 · 2020年8月15日
基于知识图谱的推荐系统研究综述
专知会员服务
323+阅读 · 2020年8月10日
基于多目标优化的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年12月27日
对话推荐算法研究综述
机器学习与推荐算法
0+阅读 · 2021年11月26日
基于知识图谱的推荐系统总结
图与推荐
1+阅读 · 2021年11月11日
AAAI'21 | 基于图Transformer的多行为推荐算法
图与推荐
0+阅读 · 2021年11月9日
中文版协同过滤推荐系统综述
机器学习与推荐算法
0+阅读 · 2021年11月5日
厦大最新《强化学习推荐系统》综述论文
机器学习与推荐算法
7+阅读 · 2021年9月24日
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
推荐系统
炼数成金订阅号
28+阅读 · 2019年1月17日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
推荐系统杂谈
架构文摘
28+阅读 · 2017年9月15日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
6+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
29+阅读 · 2020年3月16日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Arxiv
11+阅读 · 2018年9月28日
小贴士
相关VIP内容
对话推荐算法研究综述
专知会员服务
46+阅读 · 2022年2月18日
知识驱动的推荐系统:现状与展望
专知会员服务
65+阅读 · 2021年11月22日
协同过滤推荐系统综述
专知会员服务
45+阅读 · 2021年11月4日
基于强化学习的推荐研究综述
专知会员服务
81+阅读 · 2021年10月21日
专知会员服务
55+阅读 · 2021年8月12日
个性化广告推荐系统及其应用研究
专知会员服务
93+阅读 · 2021年2月27日
应用知识图谱的推荐方法与系统
专知会员服务
111+阅读 · 2020年11月23日
个性化推荐系统技术进展
专知会员服务
65+阅读 · 2020年8月15日
基于知识图谱的推荐系统研究综述
专知会员服务
323+阅读 · 2020年8月10日
相关资讯
基于多目标优化的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年12月27日
对话推荐算法研究综述
机器学习与推荐算法
0+阅读 · 2021年11月26日
基于知识图谱的推荐系统总结
图与推荐
1+阅读 · 2021年11月11日
AAAI'21 | 基于图Transformer的多行为推荐算法
图与推荐
0+阅读 · 2021年11月9日
中文版协同过滤推荐系统综述
机器学习与推荐算法
0+阅读 · 2021年11月5日
厦大最新《强化学习推荐系统》综述论文
机器学习与推荐算法
7+阅读 · 2021年9月24日
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
推荐系统
炼数成金订阅号
28+阅读 · 2019年1月17日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
推荐系统杂谈
架构文摘
28+阅读 · 2017年9月15日
相关基金
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
6+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员