基於複雜網路的信息推薦技術研究

《基於複雜網路的信息推薦技術研究》是依託電子科技大學,由尚明生擔任醒目負責人的面上項目。

基本介紹

• 中文名：基於複雜網路的信息推薦技術研究
• 依託單位：電子科技大學
• 項目類別：面上項目
• 項目負責人：尚明生

項目摘要

大部分推薦系統本質上可用用戶-對象二部分圖進行刻畫，複雜網路的發展提供了精細刻畫二部分圖結構特徵和演化行為的有力工具，從而有望揭示推薦系統結構演化的特徵，為提高推薦質量提供借鑑。項目將系統研究真實推薦系統的用戶-對象二部分圖的靜態結構和動態演化行為，總結大量系統結構上的共性和個性，最終建立簡單可控且能較好再現這些統計共性的網路演化模型；在此基礎上，擬系統地研究用戶-對象二部分圖的結構特徵與推薦效果之間的關聯關係；最後，在協同過濾的算法框架下，系統地研究基於局部信息和全局信息的各種用戶相似性指標，得到如何通過分析數據集特性選擇合理相似性指標的辦法，提出一些整體性能優異的新的相似性指標。該研究有望揭示推薦系統自身的統計特徵和演化規律，提供根據推薦系統數據集特徵選擇推薦算法的一般化指南，推動並最終解決個性化推薦領域具有相當挑戰性的一個問題：如何為具有不同特徵的數據集選擇適當的算法。

結題摘要

本項目的特點是從複雜網路的角度對推薦系統進行研究。主要研究內容包括：用戶-對象二部圖的統計特性與演化規律；用戶-對象二部分圖的結構特徵對於推薦算法性能的影響；用戶相似性度量如何影響推薦的質量。 項目研究主要成果包括：(1) 應邀撰寫推薦系統綜述，全面總結了項目組最近幾年關於推薦系統的研究成果，特別是基於統計物理學思想和方法的信息推薦網路和推薦算法相關的研究成果；（2）在推薦網路結構分析方面：首先，提出協同聚集係數指標來刻畫用戶選擇商品的行為，很好地解釋了網路推薦算法中通過抑制流行商品權重來提升推薦精度，同時該指標還能直接判斷對某個數據集而言，基於用戶或者產品的協同推薦算法哪一個精度更好。其次，將標籤引入推薦網路中，利用對象和標籤雙重優先連線，構建基於單標籤節點超圖的演化模型，較好地揭示了標籤網路的結構增長機制；（3）在網路推薦算法方面：首先，基於推薦網路上的隨機遊走，得到優於協同過濾推薦算法在RMSE等精度指標上更優的推薦結果。其次，提出一種利用二階關聯的方式簡單快速的去除可能的冗餘信息，極大提高物質擴散算法精度的算法。第三，通過分別考慮偏向熱傳導和偏向物質擴散，分別提出了在準確性和多樣性等指標表現更優的算法。第四，通過區分了推薦網路中高分和低分的作用，分別考慮網路節點度度關聯，以及高階關聯的基礎上提出了更好的網路推薦算法。第五，我們還研究了提出了標籤網路中的多個信息推薦算法。最後，我們還考慮了推薦系統和推薦算法長期演化的，利用平均場分析方法對幾種典型推薦算法進行了解析分析；（4）在相似度方面，我們對多種相似度指標進行了分析比較，分別在網路推薦算法和協同過濾推薦算法的框架下，融合多種推薦評價指標，比較了各個相似度指標的性能。我們還提出了一些全局和局部的結構相似度指標，並通過motif分析等方法解釋算法的有效性。 項目組在各項考核指標方面大大超出預設指標，特別是：（1）取得了有一定國際影響的學術研究成果，所發表的文章不僅數量多，而且質量高，得到眾多同行SCI引用和媒體專題報導。 共發表權威或者主流SCI期刊論文38篇，其中包括頂級權威期刊Physics Reports 1篇，主流期刊NJP 1篇，PRE 6篇，EPL 9篇，SCI引用320餘次；（2）人才培養方面成效顯著，合作方主要研究成員均回國任職且聘為正教授；（3）部分成果申請專利，並得到實際套用和推廣。