基于深度学习的长效推荐技术研究

The research of recommendation technology has important theoretical significance and application value. The existing researches focus on the static recommendation algorithm a time slice of system, using the shallow presentation of the system to predict the score. This project is mainly based on the basic idea of deep learning, and studies the long-term and effective recommendation technology in the continuous running recommender system. Firstly, we will study the problem of network representation, where the recommender system is represented by the bipartite graph, to obtain the higher order characteristics of the network structure with real data and model generated data; secondly, we will study the numerical implicit characteristics of the recommendation system represented by the scoring matrix, to learn the implicit feature with high efficiency and generalization ability for high-dimensional sparse data. Thirdly, to design scoring prediction algorithm with heterogeneous features by deeply integrating the above two kinds of data. At last, we will develop a framework based on the idea of generative adversarial net and cyclic neural network, to make prediction of the time slice sequence and then to validate the result, so that to achieve a long-term validity recommendation system adaptively. This project is based on the abstract representation of recommender system, which can provide reference for general high dimensional sparse data analysis.

推荐技术的研究具有重要的理论意义和应用价值。现有研究主要集中在推荐系统某个时间切片的静态算法，使用推荐系统的浅层特征进行评分预测。本项目主要基于深度学习的基本思想，研究持续运行推荐系统中的长期有效的推荐技术。首先，将研究二部图表示的推荐系统的网络表示学习问题，从真实数据和网络模型数据入手，获取保持网络结构的高阶特征；其次，将研究评分矩阵表示的推荐系统的数值隐特征学习问题，针对其高维稀疏特性提出高效并具有一定泛化能力的隐特征学习算法；第三，将研究融合异构特征的深度集成评分预测算法，实现时间切片的静态预测；最后，研究长效推荐系统的深度学习框架。基于生成对抗网络和循环神经网络的思想，对时间片序列进行预测并校验，自适应地确保推荐系统的长期有效性。本项目研究基于推荐系统的抽象数学模型，可为一般的高维稀疏数据分析提供参考。

推荐系统的研究具有重要的理论意义与应用价值，在现有研究中，传统的推荐系统仅仅利用了推荐系统的浅层特征，网络推荐技术也基本上是从另一个角度对推荐系统进行浅层特征表示；它们都没有很好的利用数据的深层次特征，而深层特征学习恰好是深度学习方法的主要优点。因此，融合网络特征和数值特征的深度学习推荐技术在特征学习和模型融合方面更具有优势。另一方面，现有研究主要集中于推荐系统的单次预测，而早期相关研究已经表明，强调单次推荐效果的方法会逐渐强化流行性对象的推荐，从而在需要长期运行的推荐系统中最终失效。因此，本项目将基于深度学习的基本思想，来研究具有长期有效性的推荐技术。具体包括保持拓扑结构的网络特征表示学习方法，HiDS 矩阵的特征抽取方法，静态切片的评分预测和长期有效的推荐模型等四个方面的研究，其中，第四个部分是研究的重点。.将粒子群优化原理融入到基于随机梯度下降的隐因子模型中，提出了一种自适应隐因子模型，该成果发表于JCR2区期刊Nurocomputing；设计和实现了一个基于β-散度的非负隐因子模型，并研究了在推荐系统中的性能变化，该成果发表于JCR1区期刊IEEE Transactions on Systems, Man, and Cybernetics: Systems；将深度学习与协同过滤相结合，提出了一种针对原始评级的评分预测方法，该成果发表于JCR2区期刊IEEE ACCESS；针对Web服务的服务质量随着时间的推移而变化问题，提出了一种结合动量的张量隐式分解（MLFT）模型，该成果发表于JCR2区期刊Nurocomputing；针对网络结构表示学习、动态网络隐特征抽取、评分预测及时序性预测等申请发明专利6项。