基于社交网络开展电商平台冷启动推荐的可行性及路径分析开题报告

全文总字数：2433字

1. 研究目的与意义

随着目前计算机和互联网技术飞速的发展，各种信息爆炸式增长，这些呈现指数级增长的信息数据使得用户很难在网络中找到对自己有用的信息。与此同时一些很少被关注的信息淹没在信息的大海中，形成信息的孤岛。目前Internet已经形成了海量的信息空间，而信息仍然在不断的更新增长，庞大的信息量大大超过了用户所能接受的程度，使用户迷失在冗杂的信息空间中，无法快速有效并准确地找到有价值的信息，从而形成了网络信息超载（Information Overload）问题。传统的搜索引擎已经无法有效地帮助人们解决这个问题，由此为了帮助用户快速准确的找到自己想要的内容，推荐系统（RS）应运而生。推荐系统通过分析用户的兴趣爱好和搜索习惯，从互联网中挖掘出用户可能感兴趣的内容并推送给用户，从而使得用户能快速有效的获得自己需要的信息。目前推荐系统已经在各大电商平台广泛应用。而对于各大电商平台新用户，在缺乏原始数据的状态下电商平台如何准确有效地向其进行推荐，将成为决定平台成败的重要因素。

目前随着各类社交网络的风靡，人们的生活中越来多的通过朋友圈，微博等社交软件表达自己的对事物的青睐以及评价。所以对人们社交网络信息的分析，能够更准确的了解用户需求。从而提高推荐系统的成功率。特别是在许多电商平台用户注册初期，过于复杂的信息推送或者不准确的内容推荐会降低客户对该电商平台的好感，甚至导致用户彻底放弃使用。所以通过对社交网络的分析去解决推荐系统中的冷启动问题，并提高其准确性和客户满意度将会是一种卓有成效的办法。

2. 国内外研究现状分析

推荐系统的任务是根据用户偏好数据预测用户将来可能的兴趣所在。在学术界，自20世纪90年代出现第一批关于协同过滤的文章，推荐系统在各个领域一直保持很高的研究热度。推荐系统的方法按照研究对象主要可以分为四类：基于内容的推荐，协同过滤推荐，基于知识推荐和组合推荐^[1]。

基于内容的推荐指根据用户选择的对象，推荐其他类似属性的对象作为推荐。对象特征的选取目前主要以对象的文字为主，常用的文本特征是词频-倒排文档频率(Term Frequency．Inverse Document Frequency，TF-IDF) ^[2]。在用户-对象资料模型中常用的机器学习方法有：决策树^[3]，贝叶斯分类算法^[4]，神经网络^[5]，基于向量的表示方法。但其基于相似内容推荐通常具有冷启动，数据扩展等引起的推荐偏置问题。协同过滤推荐(Collaborative Filtering Recommendation)的出现某种程度上解决了这些问题，并且是目前最成功的推荐技术之一^[6]。协同过滤的基本思想是根据目标用户兴趣相似的用户来间接获得目标用户的推荐。协同过滤推荐算法主要可以分为两类：启发式(HeuristicBased or MemoryBased)和基于模型的方法。启发式方法的研究主要包括计算用户之间的相似度，计算相似度主要有基于关联(CorrelationBased)和基于余弦距离的(CosineBased)的用户特征向量计算。基于模型的推荐的算法包括：机器学习方法和统计模型，贝叶斯模型，概率相关模型，线性回归模型和最大熵模型。推荐问题还可以被看作序列决策问题，可以马尔可夫决策过程方法，图模型方法，包括概率隐形语义分析和LDA^[7]等。基于知识的推荐在某种程度上可以看成是一种推理技术。效用知识是一种关于一个对象如何满足某一特定用户的知识，因而能够解释需求和推荐的关系，用于推荐系统。效用知识在推荐系统中必须以机器可读的方式即本体(Ontology)形式存在。

3. 研究的基本内容与计划

第一章，绪论。阐述本论文研究目的、背景和意义，对国内外相关研究现状进行综述，并提出本文的研究方向和技术路线。

第二章，介绍基于社交网络分析的的电商平台冷启动方法的总体框架。本部分将客观分析社交网络与推荐系统冷启动的联系，提出系统总体框架以备分析之用。

第三章，相关理论和基础知识介绍，学习并了解推荐系统的相关知识。如社交网络的构成，标签．资源．用户三元组关系，基本的数学统计工具，如贝叶斯统计模型，lda模型。序列分析模型如隐马尔可夫模型。语义分析工具，如著名的wordnet的组织结构。尝试建立以叶贝斯模型为核心的推荐系统框架。

4. 研究创新点

论文立足于客户对于推荐系统的满意度，力求寻找目前一些系统中的不足之处，予以分析与研究。