论文部分内容阅读
推荐系统的主要目的是根据用户的兴趣特点和历史行为,向用户推荐感兴趣的信息,帮助他们快速有效地做出决策。推荐系统在电子商务领域的应用很广泛,帮助向用户推荐他们有购买倾向的商品。此外,社会网络关系中的链接预测也是推荐系统的一个研究方向,用于预测网络中节点之间产生链接的可能性。本文立足于汽车企业网络,研究如何向用户进行个性化汽车产品推荐,以及如何向汽车制造商推荐高质量的零件供应商,即进行企业间的链接预测。在汽车的生产和销售中,存在供应链和需求链,供应链是指汽车供应商向制造商供应零件,制造商生产汽车销售给用户;需求链是指用户购买汽车后反馈评价给制造商和供应商。传统的产品推荐方法通常依赖于用户对产品的历史评价或者用户与产品的属性信息,但是这些信息只涉及用户和产品两个维度,从中可提取出的有用数据很稀疏,难以达到好的推荐效果。企业伙伴链接预测主要依赖于企业节点属性和网络拓扑结构,根据已有的节点间供应关系预测网络的未来发展方向。然而,目前已有的链接预测方法通常只考虑网络中的低阶网络结构,忽略了高阶连接模式对网络结构演变的影响。此外,企业关系网络的链接数据稀疏也导致难以得到准确的链接预测结果。企业网络中的高阶连接模式和供需链中包含的评价信息等可以弥补链接预测和产品推荐中可用数据稀疏的问题。本文研究的汽车产品推荐和企业间链接预测,不再将二者看作单独的问题,而是挖掘和分析企业网络中的高阶连接模式,并考虑用户需求和汽车生产企业之间的匹配程度和相互影响,提取供需链中的有效信息,帮助得到更准确的产品推荐和链接预测结果。为此,本文设计了融合供需链与高阶连接模式的产品推荐和企业伙伴链接预测模型。主要工作概括如下:1.提出一种融合供应链信息的汽车产品推荐算法。利用用户对他们所购买过的汽车的各项评价指标的评分,形成稀疏的三阶评分张量,以更全面地研究个性化产品推荐。提取供应链上包含的企业供应关系以及制造商和汽车之间的生产关系,形成辅助信息矩阵,构建辅助信息矩阵与评分张量形成的耦合数据模型,反映出供应链信息对用户选择产品的影响。2.提出融合需求链和高阶连接模式的企业伙伴链接预测模型。我们研究企业网络中的高阶连接模式,挖掘并统计企业之间形成的三元组数量,构建不同三元组类型形成的张量。结合需求链中提取到的用户对产品的评价信息以及车型和制造商之间从属关系,构建出矩阵-三元组张量耦合数据模型,来解决链接关系数据稀疏的问题,研究企业网络结构演化过程。3.对于产品推荐和企业伙伴链接预测形成的耦合数据模型,均采用交替方向乘子法(ADMM)进行求解,提高模型分解的准确度。在从汽车之家和中国汽车供应商网上抓取的真实数据上进行了大规模实验,实验结果表明我们所提出的模型相较于传统的算法能得到更好的结果。