DFM_IA_面向B2C电子商务的多源用户兴趣数据采集机制_李聪.pdf

管 理 工 程 学 报 Vol.3 1，No. 1 Jonrnal of Industrial Engineering/Engineering Management 2017 年 第1 期 DFM-IA ： 面向B2C 电子商务的多源用户兴趣数据采集机制 1,2 3 4 李 聪 ， 马 丽 ， 梁昌勇 （1. 四川师范大学 计算机科学学院，四川 成都 610068 ； 2. 匹兹堡大学 Katz 商学院，宾夕法尼亚 匹兹堡 15213 美国； 3. 四川师范大学 图书信息中心，四川 成都 610068 ；4. 合肥工业大学 管理学院，安徽 合肥 230009 ） 摘要：用户兴趣模型是电子商务个性化推荐服务的基础，用户兴趣数据的获取则是构建用户兴趣模型的核心 环节。传统的轮询采集方法存在数据源不够全面、在线应用可扩展性差的不足，会导致同一业务分析所需数据采 集时间跨度大、先采集数据可能失效等情况，使得最终业务分析结果出现偏差。针对上述问题，对B2C 电子商务 用户兴趣数据进行了深入分析，提出了一种基于智能Agent 的多源用户兴趣数据采集机制DFM-IA(Data Fetching Mechanism based on Intelligent Agent) 。DFM-IA 以用户Session 为基本处理单元，设计了四种智能Agent(Fetching Agent 、Watching Agent 、Sort Agent、Logical Agent)和三条排序规则，对七类用户兴趣数据(浏览行为、关键词搜 索、收藏行为、购物车行为、订单行为、支付行为、评价行为)进行排序与合并处理，从而在丰富数据采集源的同 时大幅提高了在线数据采集效率，有助于解决推荐服务的数据稀疏性问题。仿真实验表明了该机制的高效性。 关键词：用户兴趣模型；多源用户兴趣数据；智能Agent 中图分类号：C931 文献标识码：A 文章编号：1004-6062(2017)0 1-0058-13 DOI ：10.13587/ki.jieem.2017.01.008 0 引言 一个完整的推荐系统用户建模过程需包括数据收集、模 [1] [10] 2009 年2 月，《Science》发表社会计算学论文 ，阐述 型表示、模型学习与模型更新四个子任务 。作为整个模型 利用网络数据研究群体社会行为及其演化规律，标志着“社 的建模基础，可靠的数据收集至关重要。因此，网络环境下 [11] 会计算”这门新兴学科正成为国际瞩目的前沿研究和应用热 的数据采集方法研究已成为国内外热点 。这是由于传统的 [2] 点 。如何实现准确、快速的个性化推荐服务，正是一项历 轮询采集方法存在数据采集源不够全面、在线应用可扩展性 久弥新的社会计算领域重要研究议题。纷繁芜杂的 Web 信 差的不足。故传统方法会导致同一业务分析所需数据采集时 息对用户带来了“信息超载”(information overload) 问题，导致 间跨度大以及先采集的数据可能失效，使得最终的业务分析 [11] 其无法准