面向移动应用的个性化排序学习研究

As the number of mobile applications is increasing in leaps and bounds, it is a daunting task for mobile users to discover the applications they like among the huge number of available applications. Information retrieval has attracted much attention from academia and industry, with the help of which users can locate the right information themselves. However, in order to deal with mobile applications, the leading retrieval model learning to rank faces many challenges, including heterogeneity of application description, screen-limited search results presentation and contextual ranking. Therefore, we plan to investigate the following problems based on the query log and application usage log, including representation learning from multiple kinds of heterogeneous information, learning to rank algorithms for the optimization of both ranking and presentation quality and personalized semantic matching based on deep learning. From the viewpoint of industrial community, our research will be benefit for all the three sides, that it, distribution platforms, users and developers. From the viewpoint of academical community, our research will help solve the basic problems in the large scale heterogeneous information discovery.

随着移动应用数量的迅猛增长，用户要从浩瀚的应用海洋中发现感兴趣的移动应用越来越困难。作为帮助用户发现信息的一种重要手段，信息检索在工业界和学术界已经得到广泛的关注与研究。然而面对移动应用这一新兴媒体，主流的检索模型排序学习也面临着很大的挑战，包括信息异质化、展示受限、情境化排序等问题。针对上述挑战，本课题拟以用户查询日志以及移动应用使用日志为基本资源，研究基于矩阵分解的多元异质信息的表示学习，基于展示优化与排序优化的排序学习算法，基于动态偏好与深度学习的个性化语义匹配等问题。从工业界来看，本课题的研究能够惠及移动应用分发平台，用户以及开发商。从学术界来看，本课题的研究，能够帮助解决大规模异质信息的发现与获取中面临的基本问题。

针对个性化移动应用检索中的动态偏好，浏览代价高，语义鸿沟等问题，项目研究了动态用户兴趣建模、代价敏感的模型以及隐式空间的语义表示等问题。首先，个性化排序学习的关键在于用户兴趣的建模。为了更好捕捉用户动态偏好中的本质规律，项目从协同序列化推荐与多尺度用户动态偏好建模两个角度进行研究。针对协同序列化推荐，项目逐层递进的提出了三个模型用以解决序列化推荐中的序列与物品独立性问题。针对多尺度用户动态偏好建模，项目提出了用不同神经元更新梯度的频率不同来建模多尺度。其次，为了解决浏览代价高的问题，项目提出了一种动态成对注意力机制与多标签阈值学习的方法，并应用到司法分类任务中。接着，为了解决语义匹配问题，项目提出了层次匹配网络将标注文本引入到匹配模型，在司法分类任务中取得良好的效果。此外，项目执行中，对对话生成系统从情绪感知可控的对话生成模型，到改进经典Seq2Seq模型的优化算法，再到构建标准多轮对话数据集等方面都做了初步的探索。