项目名称: 基于社会标注复杂网络的电子商务推荐方法研究

项目编号: No.71202168

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 工商管理

项目作者: 庞秀丽

作者单位: 黑龙江大学

项目金额: 17万元

中文摘要: 电子商务推荐可帮助用户快速找到满意商品,改善电子商务的服务质量,提高产品的销售量,它是电子商务和客户关系管理中的一个重要研究内容。近年来,社会标注网络可描述文本类内容,还可描述图像、声音、视频等传统方法不易说明其特征的产品,目前已在一些电子商务企业中成功采用,并带来可观的效益。本课题研究基于社会标注复杂网络的电子商务推荐方法,主要包含三项工作:一、借鉴复杂网络理论对标签网络的结构进行分析,发现用户之间隐含的联系,帮助用户组织自己喜好的资源,形成自己的网络社团,并为用户兴趣协同扩展提供依据;二、研究标签网络中的广义语义信息提高推荐系统的概念敏感型,改善推荐系统的深层次推理能力;三、研究引入标签的组合推荐方法并进一步研究其增量式学习机制,赋予推荐系统动态学习能力,以解决现有电子商务中因新产品的增加、用户兴趣的转移等引起的推荐环境变化,体现推荐系统的智能化。

中文关键词: 电子商务推荐;复杂网络;社会结构分析;推荐系统;

英文摘要: E-Commerce recommender helps users to find the commodities easily. And it not only improves quality of E-Commerce service, but also increases purchase of commodities. E-Commerce recommendation is an important research task in E-Commerce and customer relationship management. Recent years, as a kind of new application forms, social tagging network can describe the text based products, and it also describes the image, sound, video, etc, which is difficultly described by traditional content based method. The tagging based recommendation has been successfully applied in some notable E-commerce corporation, and bring promising benefit. This research is focused on E-Commerce recommendation based on social tagging network. It has three parts work. First, it analyzes community structure of social tagging network in use of complex network theory to find the latent relationship of users, and form their community structure to help users to constructor their favorite resource. Furthermore it provides support for extended collaborative filtering. Secondly, the semantic relations among concepts are calculated by reference the theory of Complex Network, and these semantic relations are fused into the E-Commercial Recommendation, so as to improve the infer ability. Thirdly, the tagging based recommendation is combined with ma

英文关键词: E-Commerce Recommender;Complex networks;Community;Recommendation system;

成为VIP会员查看完整内容
0

相关内容

知识驱动的推荐系统:现状与展望
专知会员服务
68+阅读 · 2021年11月22日
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
贝叶斯迁移学习: 迁移学习的概率图模型概述
专知会员服务
67+阅读 · 2021年10月17日
基于深度学习的图异常检测技术综述
专知会员服务
83+阅读 · 2021年7月28日
专知会员服务
64+阅读 · 2021年7月25日
【IJCAI2021】基于图学习的推荐系统综述
专知会员服务
96+阅读 · 2021年5月7日
【WWW2021】 大规模组合K推荐
专知会员服务
43+阅读 · 2021年5月3日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
专知会员服务
45+阅读 · 2020年11月13日
CIKM'21 | 自监督图神经网络在社会化推荐中的应用
图与推荐
3+阅读 · 2021年11月16日
CIKM 2021 | 自监督学习在社会化推荐系统中的应用
PaperWeekly
0+阅读 · 2021年11月14日
基于知识图谱的推荐系统总结
机器学习与推荐算法
4+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
SIGIR 2021 | 推荐系统中的多行为建模
PaperWeekly
1+阅读 · 2021年10月9日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
国家自然科学基金
0+阅读 · 2014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
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+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
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
26+阅读 · 2020年3月13日
Arxiv
101+阅读 · 2020年3月4日
Domain Representation for Knowledge Graph Embedding
Arxiv
14+阅读 · 2019年9月11日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
小贴士
相关主题
相关VIP内容
知识驱动的推荐系统:现状与展望
专知会员服务
68+阅读 · 2021年11月22日
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
贝叶斯迁移学习: 迁移学习的概率图模型概述
专知会员服务
67+阅读 · 2021年10月17日
基于深度学习的图异常检测技术综述
专知会员服务
83+阅读 · 2021年7月28日
专知会员服务
64+阅读 · 2021年7月25日
【IJCAI2021】基于图学习的推荐系统综述
专知会员服务
96+阅读 · 2021年5月7日
【WWW2021】 大规模组合K推荐
专知会员服务
43+阅读 · 2021年5月3日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
专知会员服务
45+阅读 · 2020年11月13日
相关基金
国家自然科学基金
0+阅读 · 2014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
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+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
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员