基于复杂网络的信息推荐技术研究

大部分推荐系统本质上可用用户-对象二部分图进行刻画，复杂网络的发展提供了精细刻画二部分图结构特征和演化行为的有力工具，从而有望揭示推荐系统结构演化的特征，为提高推荐质量提供借鉴。项目将系统研究真实推荐系统的用户-对象二部分图的静态结构和动态演化行为，总结大量系统结构上的共性和个性，最终建立简单可控且能较好再现这些统计共性的网络演化模型；在此基础上，拟系统地研究用户-对象二部分图的结构特征与推荐效果之间的关联关系；最后，在协同过滤的算法框架下，系统地研究基于局部信息和全局信息的各种用户相似性指标，得到如何通过分析数据集特性选择合理相似性指标的办法，提出一些整体性能优异的新的相似性指标。该研究有望揭示推荐系统自身的统计特征和演化规律，提供根据推荐系统数据集特征选择推荐算法的一般化指南，推动并最终解决个性化推荐领域具有相当挑战性的一个问题：如何为具有不同特征的数据集选择适当的算法。

本项目的特点是从复杂网络的角度对推荐系统进行研究。主要研究内容包括：用户-对象二部图的统计特性与演化规律；用户-对象二部分图的结构特征对于推荐算法性能的影响；用户相似性度量如何影响推荐的质量。..项目研究主要成果包括：(1) 应邀撰写推荐系统综述，全面总结了项目组最近几年关于推荐系统的研究成果，特别是基于统计物理学思想和方法的信息推荐网络和推荐算法相关的研究成果；（2）在推荐网络结构分析方面：首先，提出协同聚集系数指标来刻画用户选择商品的行为，很好地解释了网络推荐算法中通过抑制流行商品权重来提升推荐精度，同时该指标还能直接判断对某个数据集而言，基于用户或者产品的协同推荐算法哪一个精度更好。其次，将标签引入推荐网络中，利用对象和标签双重优先连接，构建基于单标签节点超图的演化模型，较好地揭示了标签网络的结构增长机制；（3）在网络推荐算法方面：首先，基于推荐网络上的随机游走，得到优于协同过滤推荐算法在RMSE等精度指标上更优的推荐结果。其次，提出一种利用二阶关联的方式简单快速的去除可能的冗余信息，极大提高物质扩散算法精度的算法。第三，通过分别考虑偏向热传导和偏向物质扩散，分别提出了在准确性和多样性等指标表现更优的算法。第四，通过区分了推荐网络中高分和低分的作用，分别考虑网络节点度度关联，以及高阶关联的基础上提出了更好的网络推荐算法。第五，我们还研究了提出了标签网络中的多个信息推荐算法。最后，我们还考虑了推荐系统和推荐算法长期演化的，利用平均场分析方法对几种典型推荐算法进行了解析分析；（4）在相似度方面，我们对多种相似度指标进行了分析比较，分别在网络推荐算法和协同过滤推荐算法的框架下，融合多种推荐评价指标，比较了各个相似度指标的性能。我们还提出了一些全局和局部的结构相似度指标，并通过motif分析等方法解释算法的有效性。..项目组在各项考核指标方面大大超出预设指标，特别是：（1）取得了有一定国际影响的学术研究成果，所发表的文章不仅数量多，而且质量高，得到众多同行SCI引用和媒体专题报道。 共发表权威或者主流SCI期刊论文38篇，其中包括顶级权威期刊Physics Reports 1篇，主流期刊NJP 1篇，PRE 6篇，EPL 9篇，SCI引用320余次；（2）人才培养方面成效显著，合作方主要研究成员均回国任职且聘为正教授；（3）部分成果申请专利，并得到实际应用和推广。

内容获取失败，请点击重试