题目：面向在线拍卖WDSS中的推荐模型研究

Internet和电子商务的发展使得无论是企业的经营决策方式还是人们的日常消费方式都发生了变化，网上购物成为了人们日常生活中很普遍的一种购物方式。作为提供购物环境的电子商务网站，必须为用户提供强有力的和有效的决策工具，辅助用户进行商品的查找和选择，只有这样，才能保持和提高客户的忠诚度，使得企业在众多的竞争者中生存和发展起来。C2C拍卖网站作为一种购物环境，以其优于B2C的一些特点逐渐成为用户青睐的一种购物场所。但是随着用户和拍卖商品数量的不断增加以及网络环境本身的虚拟特征，一些问题也逐渐暴露出来。所以，必须研究和开发面向不同用户的、基于Web的决策支持系统（Web-Based DSS，WDSS），来辅助管理者、卖者和买者进行决策，达到减少交易成本的目的。本文从WDSS的角度出发，重点研究了在线拍卖环境下存在的三种典型的决策需求，即面向不同用户的推荐行为的拍卖商品推荐模型、成交价格预测模型以及Shill出价识别模型。研究不仅探讨了在线拍卖环境下WDSS的实现机制及内容，而且对于在线拍卖和电子商务的发展具有积极的、重要的意义。本文的创新点主要体现在以下四个方面。1．研究了基于协同过滤的在线拍卖商品推荐模型参考B2C购物环境下对用户行为已有的分析和研究，分析了用户在拍卖网站进行购物的三种行为，即浏览拍卖商品、参与拍卖商品的竞标和完成交易，这三种行为代表了用户对拍卖商品偏好或兴趣，而且程度不同，存在偏好序。然后利用Web使用挖掘方法，根据这三种用户行为的偏好序建立了买者—叶分类评价矩阵，克服了拍卖商品和用户数量都比较大并不断变换的特点。在此基础上，利用协同过滤的方法实现拍卖商品的推荐。最后，从不同的角度对该模型进行了实验评价，证明了该模型的有效性。2．研究了基于内容过滤的在线拍卖商品推荐模型在传统VSM模型的基础上，根据在线拍卖环境的特点，把单一的拍卖商品看作是一个由关键词组成的普通Web文档，形成了拍卖商品的VSM表示；在考虑三种用户行为偏好序的基础上，建立了买者偏好表示，该偏好表示分别由浏览的偏好向量、竞标的偏好向量以及竞标成功的偏好向量组成；最后通过计算两者之间的相似性和推荐系数，实现了基于内容过滤的商品推荐模型，实验结果证明了该模型的可行性。3．克服了拍卖过程中出价列表不断变化的问题，建立了最终价格预测模型通过属性构造和选择，使得拍卖本身和出价列表由一对多关系变为一对一关系，以损失少量信息的代价，运用机器学习及传统的统计方法对价格预测问题进行研究。本文把价格预测问题形式化为两类问题，即连续价格预测和离散价格预测，也就是机器学习中的预测和分类问题。最后利用实际收集的拍卖成交数据对不同的预测模型进行了验证，其结果显示连续价格预测与离散价格预测的结果相比较，后者具有更好的预测效果，而且证明了在处理高度不均匀数据时，机器学习方法比传统的统计方法具有更好的适应能力。4．分析了在线拍卖中的Shill出价，建立了基于关联规则的Shill出价识别模型在已有研究的基础上，本文详细分析了在线拍卖中Shill出价的特点。进行Shill出价识别时，不仅考虑了卖者和买者之间的关联关系，而且考虑了出价时间及赢得标概率这两个因素。在此基础上建立了基于关联规则的Shill出价识别模型，试图为Shill出价的识别提供一种有效的方法。通过实验分析，该模型具有一定的Shill出价识别能力，克服了已有研究存在的一些问题。