《融合異構信息的低秩分解推薦模型研究》是依託北京理工大學，由辛欣擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：融合異構信息的低秩分解推薦模型研究
- 依託單位：北京理工大學
- 項目負責人：辛欣
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
針對傳統個性化推薦技術在稀疏數據可適性、推薦結果可解釋性上面臨的挑戰，設計有效融合信息特徵的推薦模型已成為推薦系統領域研究的熱點。而現有方法存在異構個體信息偏好衝突、異構社交關係信息偏好衝突、異構上下文信息融合複雜度過高等問題。為此，本課題深入研究並改進融合異構信息的低秩分解推薦模型。通過建立獨立的異構主題空間，並予以個性化加權融合，準確描述個性化異構個體信息偏好；通過設計融合異構社交關係信息的數據生成過程和正則化項，以及建立基於圖結構的關聯度量化方法，準確描述個性化異構社交關係信息偏好；通過將異構空間潛在向量映射到同構空間並加以線性融合的方式，降低融合異構上下文信息的計算複雜度。最後將上述改進整合成統一模型，通過對異構信息的有效融合，更準確地適刻畫稀疏數據；同時通過對個性化異構信息偏好的準確描述，更完整的解釋推薦結果。本課題將有力改善信息過載時代的用戶體驗及Web服務的收益。
結題摘要
課題以基於低秩分解的協同過濾作為關鍵技術，結合神經網路、主題分析、支持向量機等統計學習模型，研究個性化推薦技術中有效融入異構個體信息、關係信息及上下文信息的方法，提升推薦效果，解決推薦系統在數據稀疏、模型可解釋性較弱等方面的不足。 研究內容包括：（1）融合異構個體信息的推薦模型，具體工作包括“低秩分解與異構主題分析的聯合模型”、“基於指數族的混合回歸模型”和“基於合成噪聲的神經網路正則化模型”；（2）融合關係信息的推薦模型，具體工作包括“融合多特徵的點擊模型”、“流數據的關係分析預測模型”和“稀疏支持向量的最佳化模型”； （3）融合上下文信息的推薦模型，具體工作包括“面向特徵向量的非線性遷移協同過濾模型”、“面向主題分布的非線性遷移協同過濾模型”和“面向缺失時序預測的多角度學習模型”。 研究結果表明，有效的融入個體、關係、上下文等異構信息，能夠大幅度提升個性化推薦效果；將低秩分解技術與主題分析相結合，能夠使推薦模型清晰的解釋用戶的個性化偏好及跨領域遷移特性。 研究成果發表於國際重要學術期刊及會議共9篇，其中包括IJCAI、AAAI等中國計算機學會（CCF）認定的A類論文3篇，B類論文1篇。
