基于用户在线行为时空规律的个性化推荐算法研究

The rapid development of the Internet prompts the arrival of the era of big data, which confronts people with information overload, and also provides us a foundation for the realization of intelligent and personalized information service. The project intends to uncover the spatial and temporal pattern of human behaviors on e-commerce website, and then try to find the key factors in the decision making of user online shopping, then design the recommender algorithm that based on the spatial and temporal pattern of human behaviors. The main contents include the following aspects. At first, we analyze the spatial and temporal pattern of users with a strong intention, and try to find the underline mechanisms and design the algorithm for intention intensity recognition of users. Secondly, we extract the backbone of user’s behavioral data based on user’s intention intensity, and establish the correlations between commodities and the different behaviors of users. Then design the recommender algorithm that based on temporal pattern of human behaviors. Thirdly, we study the correlations between user’s behaviors and spatial locations, and design the recommender algorithm that based on spatial pattern of human behaviors, and then, by combining the temporal pattern of user behavior, we will study the hybrid algorithm that based on spatial and temporal pattern of human behaviors, and recommendation strategy for different intention intensity of users. This project will not only bring a new line for recommender systems, but also provides the new knowledge of human dynamics.

互联网的快速发展促使大数据时代的到来，一方面给人们带来了信息过载的困境，另一方面也为实现更为智能化和个性化的信息推荐服务提供了基础。本项目拟从人类行为规律及其生成机制的研究出发，找出能够支配用户购物决策的因素，并建立基于人类行为动力学的个性化推荐算法。研究内容包括：第一、发现用户强意图行为的时空统计规律，并找出其背后的机制，从而建立用户购物意图强度的识别算法。第二、根据用户购物意图的强弱，抽取用户行为数据的信息骨架，从而建立商品之间的相关性和用户不同行为之间的关联，设计基于用户时间规律的个性化推荐算法。第三、研究用户不同的行为与其所在空间的关联，建立基于用户空间规律的推荐算法。然后结合用户行为的时间规律性，建立基于用户时间和空间规律的混合算法，同时研究用户在不同意图强度下的推荐策略。本项目不仅可以为推荐算法的研究开拓新的思路，而且为人类行为动力的研究提供参考。

在本项目的研究期间，我们的研究涉及如下四个方面的内容。首先，我们研究了有关用户行为的时间特性对于个性化推荐算法精度的作用，以及用户行为特性对于度量用户或者商品相似性的参考价值。我们的研究结果表明，用户行为的时间特性对于算法的精度有着非常大的影响。在协同过滤算法中度量用户或者商品相似性的时候，考虑共同商品或者共同用户产生的时间间隔对于相似性的影响可以有效提升算法的精度。第二，我们研究了有关用户向邻居学习的空间范围对用户行为演化的影响；研究发现了观察学习和实践学习的合力作用，即适度增大用户观察学习的概率有利于合作的维持。第三，我们研究了用户收益波动对其学习行为演化的影响。我们发现噪声在公共品博弈中并不是始终促进合作的，在增益因子不利于合作的时候，适度的噪声有利于合作的涌现。而增益因子有利于合作的时候，噪声对于合作行为有较强的破坏作用。第四，我们研究了依赖关系与耦合关系对整个网络结构演化的影响，我们发现依赖关系与耦合关系对于网络的破碎形式有着重要的影响。总之，我们从用户行为时空特性，用户的相互作用形式，外部环境的影响和系统之间的耦合等几个因素对于个性化推荐算法的作用，有利于我们构建全新的个性化推荐算法。