《海量數據信息下一致性協作推薦機理研究》是依託北京郵電大學，由朱旭振擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：海量數據信息下一致性協作推薦機理研究
- 項目類別：青年科學基金項目
- 項目負責人：朱旭振
- 依託單位：北京郵電大學
項目摘要,結題摘要,
項目摘要
推薦系統的出現打破了用戶在海量數據中難以獲得個性化信息的僵局。在眾多推薦算法中，基於二部圖網路的協同過濾算法由於適應性強，準確性、多樣性和個性化方面推薦性能優異，得到了廣泛關注。但是，以往在二部圖網路上，協同過濾算法主要是基於時間順序上物品間的因果關係來研究物品相似性的，但當物品間沒有因果關係，並且物品的選擇是基於用戶一致性偏好時，採用因果性推薦將導致相似性估計偏差，造成了推薦性能的局限。針對因果性推薦機理的不足，本項目在對比因果性推薦機理和用戶選擇物品的一致性偏好基礎上，從基於一致性機理的物品相似性指標和推薦模型入手，對協作推薦機理及算法展開研究。首先，研究二部圖網路屬性對因果相似性估計的影響，以及因果相似性與一致相似性的關係。其次，研究如何基於因果相似性指標構建正向相似性和反向相似性指標。最後，研究基於正向和反向相似性指標構建非平衡一致性協同過濾推薦機理和算法模型。
結題摘要
面對海量信息過載，本課題立足於協同過濾算法，主要研究基於一致性的協作推薦機理。針對傳統因果性推薦機理的不足，在對比因果性推薦機理和用戶選擇物品的一致性偏好基礎上，本課題組從基於一致性機理的物品相似性指標和推薦模型入手，對協作推薦機理及算法展開研究。首先，研究二部圖網路屬性對因果相似性估計的影響，以及因果相似性與一致相似性的關係。其次，研究如何基於因果相似性指標構建正向相似性和反向相似性指標。最後，研究基於正向和反向相似性指標構建非平衡一致性協同過濾推薦機理和算法模型。相比於傳統基於因果性協同過濾算法，有效提升了推薦的準確性、多樣性和個性化。此外，在研究一致性協同過濾的過程中，本課題組發現社交網路上基於開發轉發模式的推薦系統存在特異性，進而擴展研究了基於傳播動力學的移動社交推薦，初步取得了良好成果。在研究期中，已經撰寫學術論文30篇（包括24篇SCI和6篇EI），其中第1序號標註的高水平學術論文26篇（包括SCI檢索論文20篇和EI檢索論文6篇）。出版一本24.4萬字專著以及申請專利2項。培養青年教師2名，培養博士研究生5名（已畢業3名），碩士研究生7名（已畢業5名）。本項目的成功實施將為緩解海量數據下的信息過載問題及構建高效實用的推薦系統奠定技術基礎，可以廣泛套用於電子商務平台、線上社交網路、電影和視頻推薦領域、個性化音樂推薦領域、個性化閱讀推薦、位置服務推薦、個性化廣告投放等眾多領域，具有重要的理論意義和工程套用價值。
