动态演化在线系统中的信息推荐问题研究

The research of recommender systems has been playing a significant role in both the theory and the application. The previous studies focus on the static online recommendation, that is, only one-step recommendation is considered. In this project, recommender systems are represented by bipartite networks and the dynamic recommendation process will be investigated in depth based on the study of network evolution. First of all, we will study the effect of network structure on the performance of recommender systems and extract the network's backbone. Moreover, dynamic network manipulation methods will be proposed to improve the recommendation process. Second, we will investigate the co-evolution of recommender systems and the user-item bipartite networks. We will design dynamic adaptive recommender systems which can not only accurately recommend items to users in single step, but also enjoy high recommendation performance in long term. . Third, the project will study the personalized use of recommendation methods, which means we will apply different methods on different users at different times. Finally, we will consider the trend prediction problem in the user-item bipartite network and try to predict the macroscopic popularity evolution of items by investigating the microscopic recommending process. From theoretical point of view, this project is the first one to investigate the dynamic evolution of recommender systems. In practice, this project aims at improving the long term performance of recommender systems.

推荐技术的研究在理论和应用层面都有着重大的意义和价值。现有研究主要集中在静态系统的推荐算法，考虑单步推荐的准确性，而实际的推荐系统是动态演化系统。本项目使用二部图来刻画在线推荐系统，从网络演化分析入手，来研究系统动态发展过程中的信息推荐问题。首先，将系统研究网络结构对推荐效果的影响，提取决定推荐效果的网络信息骨架，并设计基于网络的动态调整方法来优化推荐过程。其次，将通过考察推荐系统和推荐网络的协同演化过程，设计具有长期优势的在线推荐算法，不仅满足个体需求，同时优化整个系统。第三，项目还将研究推荐算法的个性化使用问题，探究不同算法的最适用用户群，为不同的用户及其在系统的不同阶段设计最恰当的推荐算法。最后，项目将研究演化推荐网络中的趋势预测问题，力求通过微观的推荐过程来预测宏观的商品流行性演化。项目将不仅在理论上填补信息推荐系统的动态演化研究的空白，而且在实践中能提高推荐系统的长期效果及效率。

研究内容：网络结构对推荐效果的影响；推荐算法和在线系统的协同演化；推荐网络演化中推荐算法的动态个性化；基于演化推荐网络的流行趋势预测。..主要结果：（1）提出一种基于随机游走的信息推荐广义模型，通过调整参数对表征推荐系统二部图的网络结构进行模拟。经过大量试验分析发现网络聚类稀疏、稠密度和用户对象比与预测精度为正相关，其中用户对象比为新提出的指标。发现只需部分网络信息即可以保存大部分推荐功能，提出推荐系统信息核和信息骨架等新概念，从网络拓扑和时间演化等两个方面提出信息核挖掘算法，并从连边等方面挖掘针对推荐算法更好的网络骨架。（2）提出长期有效推荐系统的概念，设计了一种基于推荐算法驱动的网络演化模型，用于评测使用推荐系统的长期效应。提出了一种有利于推荐系统长期有效的推荐策略，采用该策略在显著提高推荐精度的同时，在推荐系统的健康性方面还可以起到很好的均衡作用。（3）提出推荐算法个性化的概念，将个性化推荐研究引入一个新阶段。提出了基于混合算法中参数个性化的方法，以及基于Slope-One算法为例的参数个性化的推荐算法，结果表明相对于固定参数推荐算法，算法参数个性化可以有效提升推荐精度。（4）将推荐技术的微观预测引入宏观趋势预测，提出多个预测算法。分析了多种偏差对预测结果的影响，同时结合数值特征和网络特征，在表征推荐系统的隐特征分析等方面提出多个高效方法。将宏观预测算法应用于流行商品预测、重要论文预测、微博转发预测等等。（5）还提出多个个性化推荐算法和优化算法。针对稀疏性问题提出了一种基于产品质量和用户评分偏好的推荐算法，在计算效率、产品覆盖率、算法准确性等方面有大幅提高。针对推荐系统多样性问题，提出了一种基于多维度分析的协同过滤推荐算法。. .考核指标完成情况：在质量和数量上均远超预期。（1）发表论文42篇，其中SCI检索24篇，包括中科院1区论文2篇，二区论文4篇，三区论文12篇。CCF A和B类会议各1篇。（2）培养人才14人，2名博士生毕业即被聘为985高校副教授，2名青年研究人员入选中科院人才计划，10名硕士继续攻读博士或者进入知名IT企业或研究所。（3）申请发明专利9件。

内容获取失败，请点击重试