《面向推薦系統中異構隱式反饋建模的遷移學習技術研究》是依託深圳大學，由潘微科擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向推薦系統中異構隱式反饋建模的遷移學習技術研究
- 項目類別：青年科學基金項目
- 項目負責人：潘微科
- 依託單位：深圳大學
項目摘要,結題摘要,
項目摘要
智慧型推薦技術作為應對信息過載問題和提供個性化服務的有效手段，具有重要的研究價值和廣泛的套用需求。然而，推薦算法的研究往往限於用戶對物品的同構顯式反饋（如評分）和同構隱式反饋（如購買），較少涉及異構隱式反饋等更為常見的問題。異構隱式反饋（HIF）建模作為推薦系統領域的一個重要發展方向，旨在挖掘多種隱式反饋（如購買、瀏覽等）背後的用戶偏好，進而提供更好的個性化服務。目前，HIF的研究成果還很少，面臨著用戶真實偏好的不確定性、用戶反饋的異構性和稀疏性等挑戰。為此，本項目擬研究相應的遷移學習技術來深入挖掘用戶的真實偏好，為HIF中的關鍵問題提供新的數據建模方法和算法設計思路。本項目擬重點研究面向HIF的“遷移學習模式”、“混合遷移學習”和“多維度效果評估”等幾個方面，所提出的理論和算法，可望豐富遷移學習、偏好處理、推薦系統等領域的研究成果，並為HIF在電子商務等網際網路推薦系統中的套用提供解決方案。
結題摘要
智慧型推薦技術作為應對信息過載問題和提供個性化服務的有效手段，具有重要的研究價值和廣泛的套用需求。然而，推薦算法的研究往往限於用戶對物品的同構顯式反饋（如評分）和同構隱式反饋（如購買），較少涉及異構隱式反饋等更為常見的問題。異構隱式反饋（HIF）建模作為推薦系統領域的一個重要發展方向，旨在挖掘多種隱式反饋（如購買、瀏覽等）背後的用戶偏好，進而提供更好的個性化服務。目前，HIF的研究成果還很少，面臨著用戶真實偏好的不確定性、用戶反饋的異構性和稀疏性等挑戰。為此，本項目研究了相應的遷移學習技術來深入挖掘用戶的真實偏好，為HIF中的關鍵問題提供了新的數據建模方法和算法設計思路。本項目重點研究了面向HIF的“遷移學習模式”、“混合遷移學習”和“多維度效果評估”等幾個方面，所提出的理論和算法，可望豐富遷移學習、偏好處理、推薦系統等領域的研究成果，並為HIF在電子商務等網際網路推薦系統中的套用提供解決方案。在本項目的支持下，項目組已發表（含錄用）學術論文20篇（含ACM TOIS, ACM TIST, ACM TIIS, KAIS, IEEE Intelligent Systems共7篇），研究成果獲知名國際學術期刊ACM TIIS 2016年度唯一的最佳論文獎。本項目通過對異構隱式反饋數據建模方法和知識共享方法的深入研究，提出了多個遷移學習技術和相應的推薦算法，有效提升了個性化推薦的效果。
