面向短文本的分布式表征和多视图融合的个性化推荐研究

It is a recent development trend to do personalized recommendation through fusing multi-view of interest preferences to build the hybrid recommendation model. For these problems that it is difficult to analyze user reviews’ sentiment and items content’ semantics, and a single view of the recommended model lead to user reach is extensive. This project will study following issues: (1) study the distributed representation of the short text based on the paragraph vector, and realize the sentiment analysis of the user review on the context semantic level. The proposed method will solve the problem that there is a great deviation between the user’s rating and real interest preference, and also solve the extreme imbalance problem of the user rating distribution; (2) study the similarity calculation method of short text based on word embedding and convolution neural network, and study the fusion method of recommendation view based on collaborative training. The proposed method will address the challenge of similarity calculation of item contents, and solve the problem of the lack of sufficient labeled data for modeling; (3) study the recommendation filtering and sorting models based on the Gaussian hybrid clustering, so as to realize the integration of views of user behavior information and demographic, and solve the problem that the user reach is extensive and lack of the explicit optimization objective. This project study recommendation on the basis of user's behavior analysis, which will focus on sentiment mining and deep semantic analysis of the text information, and will consequentially achieve the integration of multi-recommended views and the personalized needs of users.

融合多视图的兴趣偏好信息构建混合推荐模型是个性化推荐研究发展的趋势。鉴于用户评论、物品内容描述等短文本的情感及语义难以分析，单一视图的推荐模型易导致用户触达粗放等问题。本项目拟开展以下研究：（1）研究基于段落向量的短文本的分布式表征，实现从上下文语义层面的用户评论的情感分析，以解决用户评分与真实兴趣偏好存在较大偏差、且评分等级分布极度不均衡问题。（2）研究基于词向量和卷积神经网络的短文本相似度计算方法，并研究基于协同训练的推荐视图融合方法，以解决物品内容的相似度计算和缺乏足够有标签数据建模的问题。（3）研究基于高斯混合聚类的推荐过滤和排序模型，实现在推荐模型中对用户行为信息与人口统计学特征视图的融合，以解决用户触达粗放、且模型缺乏明确优化目标的问题。本项目在用户行为偏好分析的基础上，将研究聚焦于文本信息的情感挖掘和深层语义分析，并实现多推荐视图的融合，以满足用户的个性化需求。

当前，融合多视图的兴趣偏好信息构建混合推荐系统是个性化推荐研究发展的趋势。本项目提出了一种新颖的基于用户评论的深度情感分析和多视图协同融合的混合推荐方法。本项目利用词向量对用户评论的短文本进行分布式表征，并结合长短期记忆网络实现从上下文语义层面的用户评论的情感分析，以解决用户评分与真实兴趣偏好存在较大偏差、且评分等级分布极度不均衡问题。与此同时，本项目利用段落向量对物品描述的短文本进行表征，从而实现对物品内容的相似度计算，并利用协同训练策略实现对基于物品的协同过滤推荐和基于物品内容描述推荐视图的融合，以构建混合推荐系统，同时一定程度上解决了基于模型推荐方法缺乏足够有标签数据的问题。.在完成项目规划的研究内容的基础上，我们也结合深度学习技术来解决传统推荐方法在面临多种数据类型下的局限性、解决多源异构信息建模、复杂交互行为建模等问题。针对矩阵分解方法不足以捕获用户交互评分的复杂结构，以及用户的评分与真实兴趣偏好之间存在着偏差的问题，我们提出了一种融合用户评论嵌入和物品描述嵌入的神经协同过滤的推荐算法。针对深度学习技术在推荐系统中存在的独立地对待用户-物品交互，无法覆盖交互样本周围的本地邻域固有的更复杂和隐藏的信息，及在应对长期依赖时出现的问题，我们研究了一种基于记忆网络的协同注意力的推荐算法。针对基于多头自注意力机制的推荐模型中产生的低秩瓶颈，从而导致了模型表达能力不足的问题，提出了一种基于多头注意力机制的混合分布的序列推荐模型。