《基於社會化標籤的個性化推薦技術研究》是依託北京航空航天大學，由歐陽元新擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於社會化標籤的個性化推薦技術研究
- 依託單位：北京航空航天大學
- 項目負責人：歐陽元新
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
本項目擬圍繞基於社會化標籤的個性化推薦技術展開研究，具有重要的理論意義和實際價值。項目主要研究內容包括：①基於社會化標籤的混合個性化推薦策略研究：使用基於內容的推薦算法對社會化標籤數據進行處理，然後結合協同過濾推薦技術進行推薦；②基於模型矩陣分析的協同過濾推薦策略研究：將社會化標籤三維模型分解為三個二維模型，簡化模型系統，並使用協同過濾方法進行個性化推薦；③使用張量因式分解的個性化推薦策略研究：擬在現有的張量因式分解技術上，使用損失函式縮小預測值和實際值的距離，然後再進行偏差移除以進行結果最佳化；④基於訓練集最佳化的推薦模型動態生成方法研究：個性化推薦模型的建立和誤差數據的篩選疊代進行，直至推薦模型收斂為止，動態生成精確度更高的推薦模型。擬在國內外SCI、EI收錄刊物以及計算機學會推薦高水平學術會議上發表論文6～8篇、申請國家發明專利3～4項；培養博士畢業生1～2人、碩士畢業生3～5人。
結題摘要
本課題圍繞基於社會化標籤的個性化推薦方法、Web評論觀點分析方法、文本信息個性化檢索與推薦方法、面向業務規則的服務選擇和推薦方法展開研究。課題主要創新點如下： （1）針對基於評分相似度的推薦模型存在的數據稀疏性問題，提出了一種在建模過程中結合面向用戶和面向項目的信息，以及評分相似度與社會化標籤相似度的推薦方法；對社會標籤網路進行了分析，提出了結合社會標籤相似度的K近鄰推薦模型和相應的推薦方法。 （2）深入分析了用戶、項目和上下文屬性信息對社會興趣、用戶興趣和項目受歡迎度的影響，針對屬性數據存在數據不規範的問題，提出了屬性向量構造方法；提出了融合屬性信息來解決矩陣推薦算法數據源單一問題的方法，分別構造了融合不同單類屬性信息和多類屬性信息的SVD模型。 （3）提出了基於隱向量模型和基於K近鄰模型個性化推薦系統訓練集最佳化的方法，結合Adaboost疊代算法，在疊代過程中去除數據集中不能代表用戶喜好的信息或者惡意用戶的信息，從而提高推薦系統的精度。 （4）針對評分預測問題的特點，對自編碼器的網路結構和學習算法進行修改，提出了用於評分預測的自編碼器模型。同時，為了解決參數隨機初始化導致自編碼器模型收斂到較差極小值的問題，給出了採用結構相似的有限玻爾茲曼機進行預訓練的方法。 （5）將關聯分類規則套用於Web評論觀點分類問題，提出了構造最優關聯分類規則集的方法；針對單一評價參數在分類問題上的不足，提出了一種多參數投票的評分機制；提出了基於Mean Shift的Web文本分類算法，通過k近鄰的自適應頻寬均值漂移向量不斷的尋找樣本中密度最大的點，使用不同類別的樣本中心點構成基於質心的分類器；為了更好地利用文本中句子順序的關係，提出了使用循環神經網路模型來提高觀點分類性能的方法。 （6）針對向量空間模型文本表示方法中特徵項的無關性問題，提出了一種基於頻繁項目集的文本特徵擴展方法；針對短文本的特徵擴展問題，提出了基於頻繁詞集構建短文本背景知識庫的方法；提出了一種基於長文本特徵擴展和受限玻爾茲曼機特徵空間變化的短文本分類方法；提出了一種基於複雜特徵表示和類中心分裂-合併策略的文本聚類方法。 （7）對現有的服務生命周期管理模型進行了詳細分析，提出了一種基於利益相關者的服務生命周期管理模型；針對服務發現過程中的服務選擇和推薦，提出了基於改進協同過濾方法的服務排序方法和基於重排序的服務推薦方法。
