基于多维空间的可信电子商务推荐方法的研究

推荐系统是解决电子商务信息超载的有力手段，个性化的产品和服务逐渐成为电子商务的发展趋势之一。已有的推荐方法大多基于用户-项目矩阵，而未考虑上下文信息对推荐过程的影响，而且推荐系统还存在复杂性高、冷开始、托攻击等问题。为此，本课题将对基于多维空间的可信电子商务推荐的关键理论和技术展开研究，一方面，建立多维推荐空间模型表示影响电子商务推荐的上下文信息，并针对特定的实际场景和需求提出有效的多维推荐空间的预处理方法；另一方面，研究社会网络中的多关系模型，挖掘社会网络中用户之间显式和隐式的关系，构建表示可信度关系的有向无环图，并结合预处理后的多维推荐空间模型，提出一系列可信的电子商务推荐算法及其演化机制。在理论研究的基础上，设计并实现基于多维空间的可信电子商务推荐原型系统，作为理论研究的验证平台，并在校园网环境下推广应用，收集发布用户交易过程中的上下文数据集，进一步验证课题所取得的研究成果。

本项目围绕可信电子商务推荐方法展开了为期3年的研究。首先，针对制约可信推荐的重要因素——托攻击，课题组对推荐系统托攻击检测进行了深入全面的研究，提出基于半监督学习的混合型托攻击检测框架HySAD，并首次在Amazon.cn上做了案例研究，发表了包括SIGKDD、科学通报在内的多篇高水平论文。其次，课题组在融入多维信息的新型协同过滤算法上做了大量研究，提出混合型协同过滤、及基于核函数的迭代推荐等算法，发表多篇SCI期刊论文。第三，在社会网络与电子商务融合形成社会化商务的背景下，课题组对社区结构抽取问题展开深入研究，社区结构对包括推荐系统在内的诸多应用具有支撑作用，提出近似等价结构(AES)来刻画紧耦合局部结构，并将挖掘AES归化为余弦模式挖掘问题，进而提出基于FP-growth的高效挖掘算法，以及社区抽取框架，发表多篇SCI期刊论文。本项目取得的成果可归纳为以下几个方面：(1) 在国内外发表期刊论文16篇，SCI收录10篇，影响因子高于2.0的3篇；(2) 发表国际会议论文15篇，包含SIGKDD论文1篇；(3) 获得3项国家发明专利授权。