基于社会网络协同过滤的社会化电子商务推荐研究

doi:10.3969／j.issn.1000-0801.2014.09.011

电信科学 ›› 2014, Vol. 30 ›› Issue (9): 82-86.doi: 10.3969／j.issn.1000-0801.2014.09.011

基于社会网络协同过滤的社会化电子商务推荐研究

琚春华^1,²,鲍福光^1,³,许翀寰^1,³

¹ 浙江工商大学现代商贸研究中心杭州310018
² 浙江工商大学计算机与信息工程学院杭州310018
³ 浙江工商大学工商管理学院杭州310018

出版日期:2014-09-20 发布日期:2017-07-05
基金资助:
心积极资助课题成果，国家自然科学基金资助项目;国家教育部博士点基金资助项目;社科基金资助项目;浙江省自然科学基金资助项目

Researcb on Social Network Collaborative Filtering Based E-commerce Recommending

Chunhua Ju^1,²,Fuguang Bao^1,³,Chonghuan Xu^1,³

¹ Contemporary Business and Trade Research Center of Zhejiang Gongshang University, Hangzhou 310018, China
² School of Computer Science and Information Engineering, Zhejiang Gongshang University, Hangzhou 310018, China
³ School of Business Administration, Zhejiang Gongshang University, Hangzhou 310018, China

Online:2014-09-20 Published:2017-07-05

摘要/Abstract

摘要：

随着社会网络关系的不断复杂化，商品是否推荐成功，除了基于商品本身的特征外，还受社会网络关系的影响。很多用户更加信任来自朋友的推荐，而非机器通过单因素计算出来的推荐结果。因此，设计了一个融入社会网络关系的电子商务推荐系统。其中，构建了社会网络关系强度、兴趣偏好强度和商品流行性与声望强度3个关键因子，每个一级因子又由若干个二级因子构成。实验结果验证了社会网络关系会对其中成员的网购等网络行为产生影响，构建的基于社会网络的电子商务推荐策略的效果比其他单因素推荐策略好且稳定，具有很好的实际应用效果。

关键词: 社会网络强度, 兴趣偏好强度, 声望强度, 层次分析法, 协同过滤, 电子商务

Abstract:

With the development of the social network relation, whether the recommendation is successful, is not only depending on the characteristics of goods, but also influenced by social network relationship. Many users more trust from their friends'recommendation, rather than the machine recommended by single factor calculated results. Therefore, an E-commerce recommending system based on social network collaborative filtering was proposed. In the system, the crucial factors of social network relation intensity, interest preference intensity and production popularity with reputation intensity were set.And each first-level factor was composed of some second-level factors.Experimental results verify that social network relationships will affect users shopping behaviors and so on. In addition, the recommendation method based on social network is superior to other approaches and has better application effect.

Key words: social network relation intensity, interest preference intensity, reputation intensity, AHP, collaborative, filtering, E-commerce

琚春华,鲍福光,许翀寰. 基于社会网络协同过滤的社会化电子商务推荐研究[J]. 电信科学, 2014, 30(9): 82-86.

Chunhua Ju,Fuguang Bao,Chonghuan Xu. Researcb on Social Network Collaborative Filtering Based E-commerce Recommending[J]. Telecommunications Science, 2014, 30(9): 82-86.

图/表 8

图1

图2

表1

表2

图3

表3

图4

图5

参考文献 16

1	中国互联网络信息中心. 第33次中国互联网络发展状况统计报告. , 2014
2	Ni Y , Xie L , Liu Q Z . Minimizing the expected complete influence time of asocial network. Information Sciences 2010, 180(1): 2514～2527
3	Klein A , Bhagat P . E-commerce: evidence on a new virtual commerce platform. Journal of Business Research,2010, 4(1): 107～124
4	Liang T P , Ho Y T , Li Y W , et al. What drives social commerce: the role of social support and relationship quality. International Journal of Electronic Commerce,2011, 16(1): 69～90
5	赵华 , 林政 , 方艾 , 等. 一种基于知识树的推荐算法及其在移动电子商务上的应用. 电信科学 2011,27(6)
6	陶彩霞 , 谢晓军 , 陈康 , 等. 基于云计算的移动互联网大数据用户行为分析引擎设计. 电信科学 2013,29(3): 30～35
7	Li Y , Lu L , Feng L X . A hybrid collaborative filtering method for multiple-interests and multiple-content recommendation in E-commerce. Expert Systems with Applications,2005, 28(1): 67～77
8	Jeong B , Lee J , Cho H . Improving memory-based collaborative filtering via similarity updating and prediction modulation. Information Sciences,2010, 180(1): 602～612
9	琚春华 , 鲍福光 . 基于情境和主体特征融入性的多维度个性化推荐模型研究. 通信学报 2012,33(9A): 17～27
10	Pan W K , Yang Q . Transfer learning in heterogeneous collaborative filtering domains. Artificial Intelligence,2013, 197(1): 39～55
11	张海燕 , 孟祥武 . 基于社会标签的推荐系统研究. 情报理论与实践 2012,35(5): 103～106
12	孟祥武 , 胡勋 , 王立才 , 等. 移动推荐系统及其应用. 软件学报 2013,24(1): 91～108
13	Ranganathan C , Ganapathy S . Key dimensions of business-to-consumer web sites. Information＆Management,2002, 39(6): 457～465
14	张佩云 , 陈恩红 , 黄波 . 基于社会网络面向个性化需求的可信服务推荐. 通信学报 2013(12): 49～59
15	Hsia T L , Wu J H , Li Y E . The E-commerce value matrix and use case model:a goal-driven methodology for eliciting B2C application requirements. Information＆Management,2008, 45(5): 321～330
16	DeMeo P , Nocera A , Terracina G , et al. Recommendation of similar users,resources and social networks in a social internetworking scenario. Information Sciences,2010, 181(1): 1285～1305

	好友数	周评论与分享量	网购数
好友数	1	0.577^*	0.417
周评论与分享量	0.577^*	1	0.651^*
网购数	0.417	0.651^*	1

综合指数（目标层）	评价指标	指标属性
综合推荐指数	社会网络关系推荐强度（SN_s）:0.316	社会网络关系推荐强度：0.316
	兴趣偏好强度（IP_s）:0.338	品牌偏好程度：0.096
		价格偏好程度：0.116
		信用偏好程度：0.126
	商品流行性与声望强度（PR_s）:0.346	近期销售量：0.112好评率：0.128
		同类排行：0.106

推荐策略	推荐前10项	推荐前20项
（SN_s+IP_s+PR_s）+AHP	10.71%	8.73%
SN_s+IP_s+PR_s	10.16%	8.10%
IP_s+PR_s	9.13%	8.06%
PR_s	7.30%	5.52%
SN_s	6.83%	5.28%

[1]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[2]	张科,孙越佳,韩海. 基于协同过滤与社交网络混合算法的客户信用建模及授信方法[J]. 电信科学, 2020, 36(2): 52-60.
[3]	鲁泽霖,李强治. 电子商务平台的演化逻辑和运营机理[J]. 电信科学, 2019, 35(7): 152-158.
[4]	刘旸. 小基站部署方案规划算法[J]. 电信科学, 2017, 33(11): 195-200.
[5]	张宁,范崇睿,张岩. 一种基于RFM模型的新型协同过滤个性化推荐算法[J]. 电信科学, 2015, 31(9): 103-111.
[6]	张瑞,胡静,夏玮玮. 基于匹配博弈的车辆异构网络选择算法[J]. 电信科学, 2015, 31(9): 51-59.
[7]	徐雅斌,刘超,武装. 基于用户兴趣和推荐信任域的微博推荐[J]. 电信科学, 2015, 31(1): 2015042-0.
[8]	徐雅斌,刘超,武装. 基于用户兴趣和推荐信任域的微博推荐[J]. 电信科学, 2015, 31(1): 7-14.
[9]	陶彩霞,袁海,陈康,马安华. 灵活适应不同业务的个性化推荐系统研究[J]. 电信科学, 2014, 30(8): 131-135.
[10]	朱映波,刁建伟,康波,刘胜强. 基于标签对家庭IPTV业务个性化推送机制的用户体验优化研究[J]. 电信科学, 2014, 30(7): 113-120.
[11]	杨存,赵季红,赵庶源. 基于用户偏好的异构网络选择算法研究[J]. 电信科学, 2014, 30(6): 67-72.
[12]	孟玲莉,陈宁宁,王江,喻鹏. 基于改进TOPSIS的配用电通信网性能评估方法[J]. 电信科学, 2014, 30(4): 167-172.
[13]	张玉忠,方艾,金铎,袁立宇. 大数据在音乐推荐质量提升中的实践及应用[J]. 电信科学, 2014, 30(10): 43-47.
[14]	申志伟,房秉毅. 一种智能动态域名系统在大型电子商务中的应用方法[J]. 电信科学, 2014, 30(1): 128-134.
[15]	林　克,罗　喧,谭　华. 基于移动互联网的票务应用服务分析[J]. 电信科学, 2013, 29(7): 125-130.

基于社会网络协同过滤的社会化电子商务推荐研究

Researcb on Social Network Collaborative Filtering Based E-commerce Recommending

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 16

相关文章 15

Metrics

推荐阅读 0