摘要：【目的】探究和验证用户隐式行为数据的挖掘方法及结果对信誉共谋攻击识别模型精度提升的效果。【方法】提出用户融合隐式行为分析的总体框架,提取隐式行为特征;设计两阶段综合特征选择方法,选择多个高辨别力的特征。【结果】利用电子商务中的大量数据实验验证了用户隐式行为挖掘在抗信誉共谋中的有效性,对共谋者的识别能力优于显式特征。【局限】攻击者和合法用户隐式数据规模仍需要进一步扩大。【结论】融入用户隐式行为挖掘可较大幅度提升信誉共谋识别模型的精度。

摘要：在电商领域的推荐中,由于用户购买频率较低且很少留下评价信息,使推荐系统面临用户数据稀疏、准确率低等问题。针对该问题,提出一种基于用户隐式行为的最大熵推荐算法。收集用户的历史操作信息,分别从用户、商品、用户-商品3个角度提取用户隐式行为特征;考虑到特征的有效性,利用Tree Ensemble Models对特征进行筛选和组合,构建行为模型挖掘用户潜在兴趣,完善用户缺失信息;针对特征之间的相关性问题,以最大熵原理构建特征函数,对用户进行商品推荐。在阿里移动推荐算法数据集上的仿真结果表明,所提算法可以有效解决数据稀疏性问题,提高推荐准确率。

摘要：当对用户行为特征推荐Web服务资源时,对于不同特征之间的相关性考虑不足,会使得推荐方法的F-Measure值较低。因此,提出一种基于极大熵的Web服务资源个性化推荐方法。根据用户历史操作记录,从用户特征、商品特征、交互特征3个角度提取用户隐式行为特征,完善用户缺失信息。根据协同过滤算法,将用户与Web资源之间的联系挖掘出来,生成用户兴趣矩阵。依托极大熵计算原理建立特征函数,明确不同用户行为特征之间的联系,并以此为基础设计Web服务资源选取算法。最后,针对用户基本属性和资源评分矩阵建立约束条件,生成个性化资源推荐方案。实验结果表明该方法的应用,使得F-Measure值与传统方法比较提升了41个百分点与33个百分点,确保推荐结果符合用户需求。