基于记忆增强神经网络的用户兴趣理解与个性化推荐技术研究

In the era of big data, personalized recommendation has been one of the key techniques to address the problem of information overload. Although many studies have been proposed in the literature of recommender systems, three important issues have not been fully solved, namely understanding complex user interests, enhancing recommendation interpretability and optimizing varying recommendation goals. In order to solve these difficulties, we propose to adopt memory-augmented neural networks for developing more effective recommender algorithms, which are able to combine the benefits of neural networks and memory mechanism, namely the capacities of powerful data computation and long-term data storage. Our research contains four major aspects. First, by setting up external memories, our approach is able to characterize complex user interests via multi-hop reasoning. Secondly, by incorporating external item knowledge, our model elegantly combines knowledge and memory for recommendation. Thirdly, we further integrate user profile information with item knowledge in a principled way, which is able to comprehensively utilize the context information from both user and item sides for recommendation. Last, we adopt the reinforcement learning technique for characterizing varying recommendation scenarios, which is able to directly optimize multiple recommendation metrics in a general and unified way. Our research is able to boost the recommendation performance and enhance the recommendation interpretability, which will effectively improve the service quality and user experiences in information systems.

为了改善信息过载问题，个性化推荐已经成为信息系统中必不可少的关键技术之一。尽管对于推荐系统已经有了广泛研究，仍有三个方面没有得到充分解决：复杂用户兴趣的理解、推荐结果的可解释性和多种任务目标的优化。为了解决上述研究挑战，本项目提出使用记忆增强神经网络来设计更为有效的推荐算法。通过使用记忆增强神经网络，可以同时结合神经网络的数据计算能力和记忆机制的数据存储能力。具体研究四点内容：(1) 通过引入外部记忆单元，实现基于多跳的推理机制，刻画复杂的用户兴趣。(2) 通过融入物品知识信息，实现知识与记忆在结构上的有效融合。(3) 通过融入用户画像信息，实现用户与物品背景信息的充分利用。(4) 使用强化学习技术设计推荐目标函数的通用优化方法，可适用于多种推荐任务，直接优化多种复杂推荐指标。本项目能够加深对于用户兴趣的理解，提高推荐系统的效果和可解释性，有力改善相关信息系统的服务质量和用户体验。

本项目研究使用记忆增强神经网络来设计有效的推荐算法，主要包括四个方面的研究内容：(1) 通过引入外部记忆单元，实现基于多跳的推理机制，刻画复杂的用户兴趣；(2) 通过融入物品知识信息，实现知识与记忆在结构上的有效融合；(3) 通过融入用户画像信息，实现用户与物品背景信息的充分利用；(4) 使用强化学习技术设计推荐目标函数的通用优化方法 ，可适用于多种推荐任务，优化多种复杂推荐指标。项目较为完满地完成了预期成果。共计发表或者被录用国际学术论文34篇。在这34篇论文成果中，包括CCF推荐A类论文21篇，其中第一标注论文30篇。同时，项目成果申请国家发明专利4项，完成演示系统3项。本项目能够加深对于用户兴趣的理解，提高推荐系统的效果和可解释性。 部分项目成果通过联合项目的形式落地于相关互联网公司，提升了线上业务性能，促进了相关业务发展，产生了一定的经济效益和社会效益。项目负责人于2022年获得国家自然科学基金优青项目资助（2023-2025）。