基于用户模型和属性扩散混合个性化.docVIP

基于用户模型和属性扩散混合个性化 　　摘要：电子商务的飞速发展，在为人们提供了更加方便快捷的购物途径同时，如何给用户提供更加人性化的推荐服务，是电商赢得市场需要解决的关键问题。以淘宝电子商务平台为依托，提出基于用户模型和商品属性扩散的混合个性化推荐系统，研究用户兴趣的时间演化和空间扩散方法，综合运用多种推荐方法，给为用户提供更加精准的推荐服务。实验证明，该方法具有较明显的效果，能够较好地运用于同类电商平台。 　　关键词：UMARS；用户模型；空间扩展；属性扩散；时间更新 　　中图分类号：TP391文献标志码：A 　　文章编号：1672-1098（2015）01-0055-05 　　随着计算机网络通信技术的发展，电子商务作为一种商务模式得到了迅速推广，业已成为人们日常购物消费的重要渠道。作为电子商务平台的重要营销手段，个性化推荐系统得到了广泛的研究和应用，并在提高电子商务网站的交叉销售能力、提高客户对电子商务网站的忠诚度等方面发挥了积极的作用[1]。然而，已有的推荐系统存在明显不足，未能较好地承担改善用户体验的功能。如基于关联规则的个性化推荐中，规则无法自动生成，且更新和维护工作量巨大[2]；基于内容过滤和协同过滤的个性化推荐受推荐对象特征提取能力的限制较为严重、冷启动问题 　　[3-5]。 　　目前，学术界对个性化推荐的研究已取得了一定的成果。文献[6]通过表明个人某一方向兴趣的各类示例文本，经过文本映射和文本结构分析，获得文本的逻辑表示，将段落作为识别用户兴趣的基本要素，改进了用户兴趣模型的结构分析。文献[7]借助RRS技术实现用户兴趣资源的整合，并使用本体构建用户兴趣模型。文献[8]在传统VSM向量中引入了兴趣度因子，进一步提出了主题兴趣度的概念并对主题兴趣度的提取方法进行了详细描述。文献[9]将混合模糊理论运用于个性化推荐系统中，开发了FTCPRS推荐系统，并在电信服务推荐中得到了应用。文献[10]将表示信任度的FRPRA模型应用到协同推荐系统中，并与传统的KNN算法进行了比较。上述这些方法虽然在一定程度上缓解了推荐系统的不足，但均未考虑用户兴趣属性之间的相关性。 　　文献[11]将遗传算法应用到协同个性化推荐中，试图通过启发式特征术语的选择，有效地与其它用户分享信息选择经验，优化用户模型，提高信息选择的质量。文献[12]提出基于蚁群算法实现用户聚类，以提高协同过滤推荐系统的最近邻查询速度。文献[13]提出一种基于兴趣相关性的本体用户模型更新算法，用户更新IS-A关系下的用户兴趣值，取得了一定的效果。文献[14]将浏览行为和用户在页面上的停留时间结合，提出了基于时间元兴趣度度量方法。文献[15]通过时间遗忘函数、黏度函数、用户特征向量，对协同过滤算法寻找用户的最近邻居集合过程进行了改进，体现了时间效应、用户偏好程度和用户特征。以上对兴趣模型和协同算法的改进均未考虑用户兴趣属性之间的联动性，即用户的一种兴趣发生变化时可能会引起对另外一种物品的兴趣。 　　本文以淘宝电子商务平台的分类为知识，建立分类知识库，提出一种考虑用户兴趣演化扩散和商品属性特征的混合个性化推荐系统UMARS。根据用户购买记录、浏览记录及行为建立兴趣模型，利用用户兴趣的空间扩散来更新用户模型，考虑用户兴趣随时间的演化特性，同时，采用商品属性特征匹配的方法筛选推荐商品。实验证明这种方法能够有效的表示用户兴趣之间的相互关系，提高个性化推荐的准确率。 　　1用户兴趣模型的建立 　　11全局知识库的建立 　　在UMARS系统中，每个商品或服务都对应到特定的分类中。本文以淘宝电子商务平台中的商品分类为依据对商品进行分类，建立全局本体树。每个商品都被划分在对应的分类中，每个分类都是某个分类的子类，如{数码：手机：HTC：HTC one 802w}，从右到左依次HTC one 802w是HTC的子类，HTC是手机的子类，手机是数码的子类，这种父子类别的关系构成本体树的上下层关系。全局知识本体树中，分类的父子类别形成本体树的父子节点。每个节点的描述形式为（N，v，W），其中N是节点的名称，W为节点的特征属性向量，v为节点的原始兴趣值，其取值为父节点的原始兴趣值进行归一化得到，如公式（1） 所示。 　　Io（sni）=I′o（sni）/count（sni）（1） 　　式中：Io（sni）为子节点sni的原始兴趣值，I′o（sni）为节点sni的父节点的原始兴趣值，count（sni）表示本体树中层次i的所有节点总数。 　　每个商品都有特征属性，用于表明自身区别其他商品的特色。用户在搜索商品时会给出所需商品的特点要求。因此，本体树上的每个节点除具有具体的商品类别外，还拥有表征的属性W={w1，w2，…，wn}，用于区别同一父类的其他兄弟子类，子