项目名称: 面向电子商务协同推荐的新型用户兴趣模型研究

项目编号: No.71202165

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: 李聪

作者单位: 四川师范大学

项目金额: 19.5万元

中文摘要: 用户兴趣模型是实现电子商务协同推荐的核心和基础。但传统的评分矩阵模型会导致稀疏性、兴趣漂移及可扩展性问题,新兴的对分网络模型还只能部分解决之。对此,本项目研究拟构建一种新型用户兴趣模型"多源进化网络",可望在该模型统一框架下综合解决上述问题:(1)采用源自人工智能理论的智能agent方法来设计多源用户兴趣数据采集机制,并通过构造两级多元函数组对所采数据进行信息融合以解决稀疏性;(2)借鉴仿生计算思想,建立包括养分蔓延策略、养分耗散策略的模型自适应进化机制以解决兴趣漂移;(3)基于图论来设计准确、高效的模型相似性计算方法,在此基础上构建模型最近邻搜寻机制以解决可扩展性。本项目的研究成果不仅可以促进协同推荐理论的完善及其在电子商务中的应用、推广与普及,为新一代电子商务个性化推荐服务提供理论模型、算法实现及系统平台,也有助于构建电子商务智能数据挖掘与复杂机器学习系统。

中文关键词: 协同推荐;用户兴趣模型;多源进化网络;电子商务推荐系统;信誉

英文摘要: User interest model is fundamental for implementing collaborative recommendation in E-commence. While traditional rating matrix leads into several problems including sparsity, interest drifting and scalability, the emerging model (bipartite network model) can only resolves small portion of the above problems. Hence, we will construct a novel user interest model called "Multisource Evolving Network" (MEN) to solve the sparsity, interest drifting and scalability problems comprehensively: (1) By using intelligent agent method, originating from artificial intelligent theory, the mechanism of multisource user interest data will be designed; while an information fusion method based on the set of two-stage multivariate function is to be built to solve sparsity problem for obtained data; (2) By lessons from bio-inspired computing, we will build the adaptive evolving mechanism of MEN, which including nutrient spread tactic and nutrient dissipation tactic, to solve interest drifting problem; (3) By using graph theory, we can design an similarity computing method with high accuracy and efficiency for MEN, and then we will build the neighborhood searching mechanism of MEN to solve scalability problem. The results can be used to consummate and popularize the application of collaborative recommendation, while providing novel

英文关键词: collaborative recommendation;user interest model;multisource evolving network;E-commerce recommender systems;reputation

成为VIP会员查看完整内容
0

相关内容

个性化学习推荐研究综述
专知会员服务
58+阅读 · 2022年2月2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
专知会员服务
25+阅读 · 2021年6月9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
个性化广告推荐系统及其应用研究
专知会员服务
94+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
115+阅读 · 2020年11月23日
专知会员服务
23+阅读 · 2020年9月25日
【SIGIR 2020】 基于协同注意力机制的知识增强推荐模型
专知会员服务
89+阅读 · 2020年7月23日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
一文梳理推荐系统中的特征交互排序模型
RUC AI Box
1+阅读 · 2022年4月8日
一文总结多样化推荐研究趋势
机器学习与推荐算法
0+阅读 · 2021年11月17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
WSDM2022 | 跨领域推荐中的个性化迁移用户兴趣偏好
机器学习与推荐算法
1+阅读 · 2021年11月3日
SIGIR 2021 | 推荐系统中的多行为建模
PaperWeekly
1+阅读 · 2021年10月9日
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
国家自然科学基金
0+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
2+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
0+阅读 · 2013年12月31日
国家自然科学基金
0+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
1+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
Arxiv
20+阅读 · 2019年9月7日
Arxiv
14+阅读 · 2018年4月18日
Arxiv
12+阅读 · 2018年1月28日
小贴士
相关VIP内容
个性化学习推荐研究综述
专知会员服务
58+阅读 · 2022年2月2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
专知会员服务
25+阅读 · 2021年6月9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
个性化广告推荐系统及其应用研究
专知会员服务
94+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
115+阅读 · 2020年11月23日
专知会员服务
23+阅读 · 2020年9月25日
【SIGIR 2020】 基于协同注意力机制的知识增强推荐模型
专知会员服务
89+阅读 · 2020年7月23日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
相关资讯
一文梳理推荐系统中的特征交互排序模型
RUC AI Box
1+阅读 · 2022年4月8日
一文总结多样化推荐研究趋势
机器学习与推荐算法
0+阅读 · 2021年11月17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
WSDM2022 | 跨领域推荐中的个性化迁移用户兴趣偏好
机器学习与推荐算法
1+阅读 · 2021年11月3日
SIGIR 2021 | 推荐系统中的多行为建模
PaperWeekly
1+阅读 · 2021年10月9日
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
相关基金
国家自然科学基金
0+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
2+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
0+阅读 · 2013年12月31日
国家自然科学基金
0+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
1+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
微信扫码咨询专知VIP会员