增量协同过滤模型研究

Recommender systems can solve the problem of 'Information Overload' by associating people with personalized information according to the individual preferences. Inside a recommender system, the recommender is the centerpiece which produces the recommendation results and decides the recommendation performance. In real-world recommender systems, the mostly employed kind of recommenders are based on Collaborative Filtering (CF). However, most of the current CF based recommenders are static recommenders, of which the applicability is restricted in real-world applications due to the lack of ability to perform incremental update. In terms of the proposed incremental CF models, they are all serial models that only implement incremental update roughly. Moreover, there are no specific metrics for evaluating the performance of the incremental recommenders. In this project, we focus in depth on the CF based incremental recommenders. We choose the Neighborhood Based Model (NBM) and the Latent Factor Model (LFM) as the baseline, and focus mainly on the following four issues: (1) the research on the incremental NBM, including the rules of incremental parameter update, the strategies of update scope control and the methods of model parallelizing; (2) the research on the incremental LFM, including the rules of incremental parameter update, the strategies of training process optimization and the methods of model parallelizing; (3) the research on the incremental CF ensembles, including the homogeneous ensembles, the heterogeneous ensembles and the distributedly deployed ensembles; (4) the research on the specific evaluating metrics for incremental CF based recommenders. The research of this project can promote the progress of the incremental recommender systems, as well as improving the performance of the real-world applications.

推荐系统能提供"信息找人"的智能服务，从而解决"信息超载"问题。推荐模型是推荐系统中产生推荐结果的核心部件，直接影响推荐系统的性能。目前应用最广的一类推荐模型是协同过滤模型。但绝大多数现有协同过滤模型是静态推荐模型，不具备增量更新能力，应用范围受到很大限制；少数几种增量模型则存在更新方式粗糙、未考虑并行化、缺乏符合自身特点的量化评估方式等缺陷。本项目以深入研究增量协同过滤模型为目标，以K近邻模型和隐向量模型为切入点，展开以下研究：（1）研究增量K近邻模型，包括参数增量更新规则、更新范围控制策略和模型并行化方法；（2）研究增量隐向量模型，包括参数增量更新规则、训练过程优化策略和模型并行化方法；（3）研究增量协同过滤模型聚合，包括同类聚合、异类聚合和分布式聚合；（4）研究增量协同过滤模型的性能评估方式。本项目将力争在增量推荐模型领域取得突破，研究成果能为实现增量推荐系统提供模型支撑和技术手段。

推荐系统能提供“信息找人”的智能服务，从而解决“信息超载”问题。推荐模型是推荐系统中产生推荐结果的核心部件，直接影响推荐系统的性能。目前应用最广的一类推荐模型是协同过滤模型。但绝大多数现有协同过滤模型是静态推荐模型，不具备增量更新能力，应用范围受到很大限制；而少数几种增量模型则存在更新方式粗糙、未考虑并行化、缺少对应评估方式等缺陷。本项目以深入研究增量协同过滤模型为目标，以K 近邻模型和隐向量模型为切入点，展开以下四方面研究：（1）研究增量K 近邻模型，包括参数增量更新规则、更新范围控制策略和模型并行化方法；（2）研究增量隐向量模型，包括参数增量更新规则、训练过程优化策略和模型并行化方法；（3）研究增量协同过滤模型聚合，包括同类聚合、异类聚合和分布式聚合；（4）研究增量协同过滤模型的性能评估方式。项目成果能为增量推荐模型研究提供模型支撑和技术手段，同时能用以改善实际推荐系统的性能。.受本项目的支持，项目组针对增量推荐模型开展了详细研究，取得的主要研究成果包括：1）提出一种基于Dice系数的增量K近邻模型；2）提出一种基于块采样聚合的增量隐特征模型；3）提出一种隐特征模型中学习速率的自适应调整策略；4）提出一种基于非负乘更新的非负隐特征模型。依托上述研究成果，项目组成员发表（含已录用）SCI检索国际期刊论文10篇，其中中科院分区1区论文3篇，中科院分区2区论文4篇，中科院分区3区论文3篇，共有4篇论文发表于IEEE Transactions系列刊物。.进一步地，受本项目的支持和上述研究成果的激发，项目组成员还在Web服务质量分析、云计算效能分析和复杂网络分析等相关研究领域进行了扩展研究，发表（含已录用）SCI检索期刊论文4篇；发表EI检索论文2篇。.受本项目的支持，项目组成员共申请国家发明专利１９项，其中已授权专利３项。同时，项目组成员获重庆市人才奖励2人次，获重庆大学2010~2014年优秀博士后2人次。.同时，依托本项目的研究成果，项目组联合成都国科海博公司开展成果应用合作，实现了３项获权专利的市场化应用，累积产生经济效益４００余万元。