Please wait a minute...
Advanced Search
现代图书情报技术  2014, Vol. 30 Issue (10): 56-62    DOI: 10.11925/infotech.1003-3513.2014.10.09
  知识组织与知识管理 本期目录 | 过刊浏览 | 高级检索 |
基于商品领域知识的交互式推荐系统
胡新明, 罗建军, 夏火松
武汉纺织大学管理学院 武汉 430200
Research on Interactive Recommender System Based on Commodity Domain Knowledge
Hu Xinming, Luo Jianjun, Xia Huosong
School of Management, Wuhan Textile University, Wuhan 430200, China
全文: PDF(2202 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的] 研究缺少消费者行为信息的情况下, 商品信息推荐系统的框架和流程。[应用背景] 推荐系统是解决信息过剩问题的有效手段, 但是过度依赖消费者行为信息的推荐过程会遇到系统的冷启动问题, 也会引起消费者对隐私问题的忧虑。[方法] 在推荐过程中引入商品领域知识, 以交互的方式将消费者对商品定性的用途需求转变为消费者对商品定量的属性需求, 为消费者推荐合适的商品信息。[结果] 设计构建原型系统, 实验结果表明消费者对该推荐过程有较高的满意度。[结论] 本文提出的方法能够在一定程度上解决推荐系统的冷启动问题和隐私保护问题。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
胡新明
夏火松
罗建军
关键词 推荐系统冷启动隐私保护商品领域知识    
Abstract

[Objective] This paper researches the flow and framework of commodity information recommender system in the absence of consumers behavior information. [Context] Recommender system is an effective means to reduce information overload. But for the overreliance on consumers behavior information, it may have the cold-start problem, and raise consumer's privacy concerns also. [Methods] With the help of commodity domain knowledge, the interactive recommender system ascertains the consumer's commodity quanticational attribute requirement according to the rough use demand, and then recommends the right product information to the consumer. [Results] A prototype system is designed for experimental study, and the results show high customer satisfactions. [Conclusions] The proposed method can solve the cold-start problem and consumer's privacy concerns to some extent.

Key wordsRecommender system    Cold-start problem    Privacy protection    Commodity domain knowledge
收稿日期: 2014-04-11     
:  TP391  
基金资助:

本文系国家自然科学基金项目"24小时知识工厂的知识共享活动模型与服务支持系统研究"(项目编号:71171153)的研究成果之一。

通讯作者: 胡新明 E-mail: huxinming@sina.com     E-mail: huxinming@sina.com
作者简介: 作者贡献声明: 胡新明, 夏火松: 提出研究命题和研究思路、设计研究方案; 胡新明, 罗建军: 设计与开发原型系统, 实施研究过程, 获取与分析数据, 起草论文; 胡新明: 论文最终版本修订。
引用本文:   
胡新明, 罗建军, 夏火松. 基于商品领域知识的交互式推荐系统[J]. 现代图书情报技术, 2014, 30(10): 56-62.
Hu Xinming, Luo Jianjun, Xia Huosong. Research on Interactive Recommender System Based on Commodity Domain Knowledge. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2014.10.09.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2014.10.09

[1] Adomavicius G, Tuzhilin A. Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-art and Possible Extensions [J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.
[2] Chang Y, Shen J, Chen T. A Data Mining-based Method for the Incremental Update of Supporting Personalized Information Filtering [J]. Journal of Information Science and Engineering, 2008, 24(1): 129-142.
[3] 刘建国, 周涛, 汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学进展, 2009, 19(1): 1-15. (Liu Jianguo, Zhou Tao, Wang Binghong. Review on Research of Personalized Recommendation Systems [J]. Progress in Natural Science, 2009, 19(1): 1-15.)
[4] 刘平峰, 聂规划, 陈冬林. 基于知识的电子商务智能推荐系统平台设计[J]. 计算机工程与应用, 2007, 43(19): 199-201. (Liu Pingfeng, Nie Guihua, Chen Donglin. Design of Platform for Knowledge Based Intelligent Electronic Commerce Recommender Systems [J]. Computer Engineering and Applications, 2007, 43(19): 199-201.)
[5] Middleton S E, Shadbolt N, Roure D D. Ontological User Profiling in Recommender Systems[J]. ACM Transactions on Information Systems, 2004, 22(1): 54-88.
[6] 刘鲁, 任晓丽. 推荐系统研究进展及展望 [J]. 信息系统学报, 2008, 2(1): 82-90. (Liu Lu, Ren Xiaoli. Review and Perspective of the Recommender Systems [J]. China Journal of Information Systems, 2009, 2(1): 82-90.)
[7] Swearingen K, Sinha R. Beyond Algorithms: An HCI Perspective on Recommender Systems [C]. In: Proceedings of the ACM SIGIR Workshop on Recommender Systems. 2001.
[8] 吴丽花, 刘鲁. 个性化推荐系统用户建模技术综述[J]. 情报学报, 2006, 25(1): 55-62. (Wu Lihua, Liu Lu. User Profiling for Personalized Recommending Systems-A Review [J]. Journal of the China Society for Scientific and Technical Information, 2006, 25(1): 55-62.)
[9] Honda K, Sugiura N, Ichihashi H, et al. Collaborative Filtering Using Principal Component Analysis and Fuzzy Clustering [C]. In: Proceedings of the 1st Asia-Pacific Conference on Web Intelligence: Research and Development. 2001: 394-402.
[10] 李珊, 何建敏, 厉浩. 基于知识的协同过滤推荐系统研究[J]. 情报学报, 2008, 27(3): 357-362. (Li Shan, He Jianmin, Li Hao. Research of Knowledge Based Collaborative Filtering Recommendation Systems [J]. Journal of the China Society for Scientific and Technical Information, 2008, 27(3): 357-362.)
[11] Felfernig A, Teppan E, Gula B. Knowledge-based Recommender Technologies for Marketing and Sales [J]. International Journal of Pattern Recognition and Artificial Intelligence, 2007, 21(2): 333-354.
[12] Kobsa A. Privacy-enhanced Personalization [J]. Communications of the ACM, 2007, 50(8): 24-33.
[13] Sutanto J, Palme E, Tan C, et al. Addressing the Personalization-Privacy Paradox: An Empirical Assessment from a Field Experiment on Smartphone Users [J]. MIS Quarterly, 2013, 37(4): 1141-1164.
[14] Xu Y, Zhang B, Chen Z, et al. Privacy-enhancing Personalized Web Search [C]. In: Proceedings of the 16th Conference on World Wide Web. 2007: 591-600.
[15] Zhou L, Dai L, Zhang D. Online Shopping Acceptance Model-A Critical Survey of Consumer Factors in Online Shopping [J]. Journal of Electronic Commerce Research, 2007, 8(1): 41-62.
[16] 胡洁, 张进辅. 基于消费者价值观的手段目标链模型[J]. 心理科学进展, 2008, 16(3): 504-512. (Hu Jie, Zhang Jinfu. The Means-End Chain Model Focused on Consumer Values [J]. Advances in Psychological Science, 2008, 16(3): 504-512.)
[17] 颜端武, 刘明岩, 许应楠. 基于领域本体的细粒度用户兴趣建模研究[J]. 情报学报, 2010, 29(3): 433-442. (Yan Duanwu, Liu Mingyan, Xu Yingnan. Toward Fine-grained User Preference Modeling Based on Domain Ontology [J]. Journal of the China Society for Scientific and Technical Information, 2010, 29(3): 433-442.)
[18] 孙东川, 杨立洪, 钟拥军. 管理的数量方法[M]. 北京: 清华大学出版社, 2005: 234-254. (Sun Dongchuan, Yang Lihong, Zhong Yongjun. Quantitative Methods of Management [M]. Beijing: Tsinghua University Press, 2005: 234-254.)
[19] Celik H E, Yilmaz V. Extending the Technology Acceptance Model for Adoption of E-Shopping by Consumers in Turkey [J]. Journal of Electronic Commerce Research, 2011, 12(2): 152-164.

[1] 高广尚. 关于实体解析基本方法的研究和述评*[J]. 数据分析与知识发现, 2019, 3(5): 27-40.
[2] 张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[3] 王永,王永东,郭慧芳,周玉敏. 一种基于离散增量的项目相似性度量方法*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[4] 刘东苏,霍辰辉. 基于图像特征匹配的推荐模型研究*[J]. 数据分析与知识发现, 2018, 2(3): 49-59.
[5] 薛福亮,刘君玲. 基于用户间信任关系改进的协同过滤推荐方法*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[6] 刘丹. 利用Apache Mahout部署个性化图书推荐服务[J]. 现代图书情报技术, 2015, 31(10): 102-108.
[7] 谭学清, 何珊. 音乐个性化推荐系统研究综述[J]. 现代图书情报技术, 2014, 30(9): 22-32.
[8] 张晓燕, 张朋柱, 李嘉, 刘景方. 在线群体创新中的图片推荐方法研究[J]. 现代图书情报技术, 2014, 30(6): 94-99.
[9] 罗琳, 梁桂生, 蔡军. 基于分众分类法的图书馆书目推荐系统[J]. 现代图书情报技术, 2014, 30(4): 14-19.
[10] 姜书浩, 薛福亮. 一种利用协同过滤预测和模糊相似性改进的基于内容的推荐方法[J]. 现代图书情报技术, 2014, 30(2): 41-47.
[11] 田野, 祝忠明, 刘树栋. 基于关联数据的推荐系统综述[J]. 现代图书情报技术, 2013, 29(10): 1-7.
[12] 李嘉, 张朋柱, 李欣苗, Jihie Kim. 一种通过挖掘研讨记录来促进学生思考的在线督导系统[J]. 现代图书情报技术, 2012, 28(4): 10-16.
[13] 张慧颖, 薛福亮. 一种利用Vague集理论改进的协同过滤推荐算法[J]. 现代图书情报技术, 2012, 28(3): 35-39.
[14] 张慧颖, 薛福亮. 一种集成客户终身价值与协同过滤的推荐方法[J]. 现代图书情报技术, 2012, 28(1): 46-52.
[15] 边鹏, 赵妍, 苏玉召. 一种改进的K-means算法最佳聚类数确定方法[J]. 现代图书情报技术, 2011, 27(9): 34-40.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn