融合深度学习与进化优化的多源异构用户生成内容个性化搜索

The personalized search for multi-source and heterogeneous user-generated content is essentially a dynamic qualitative optimization problem, which has become one of the most important technical problems to be solved in the field of artificial intelligence. The existing traditional optimization methods based on exactly defined mathematical models and the evolutionary optimization algorithms with single numerical expressions are no longer applicable. This project investigates the deep learning and interactive evolutionary optimization articulated theory and application in the personalized search of multi-source and heterogeneous user-generated content, and expects to obtain the following achievements: (1) presenting the unified vectorization representation of the decision variables for the personalized search of the multi-sourced heterogeneity of user-generated content by using deep learning; (2) proposing a strategy for getting the dynamic qualitative optimization model by integrating the user interactions and mining the primary influencing factors of the dynamic evolution of the user-generated content; (3) developing Interactive evolutionary optimization mechanisms to solve the dynamic qualitative model, including quantifying the qualitative evaluations and designing efficient dynamic evolution strategies; (4) validating the validity of the proposed theories and methods by applying them to personalized search and recommendation of mobile APP. The proposed theories and methods can effectively solve the personalized search of multi-source and heterogeneous user-generated content and promote the application of evolutionary optimization in big data analysis and processing. It is an interdisciplinary, innovative and challenging research direction of computer science, automation and artificial intelligence. It meets the urgent needs of national development and has important theoretical value and broad application prospects.

面向多源异构用户生成内容的个性化搜索本质为一类动态定性指标优化问题，已成为人工智能领域亟待解决的关键科技问题之一。基于精确数学模型的传统优化方法和单一数值型表示的进化优化算法均不再适用。鉴于此，本项目研究融合深度学习和交互式进化优化机制的多源异构用户生成内容的个性化搜索理论和应用。针对用户生成内容的多源异构特性，研究融合深度学习的多源异构决策变量的向量化表示；挖掘用户生成内容动态演化关键影响因素，构建融入用户交互行为的动态定性指标优化模型；研究动态交互式进化优化机制，给出基于定性指标定量化转化的高效动态进化策略；应用于移动APP个性化搜索中，验证所提理论与方法的有效性。开展的研究能有效解决多源异构用户生成内容的个性化搜索问题，推进智能计算在大数据处理中的应用。本项目是计算机、自动化和人工智能多学科交叉，新颖且富有挑战性的研究方向，契合国家战略发展需求，具有重要的理论价值和广阔的应用前景。

在当前大数据分析和处理时代，用户已经变成数据的主动创造者，多源异构且动态演化的用户生成内容 （User Generated Content，UGC），包括图片、视频、音频、用户评论等成为一类典型的大数据，也成为满足人们个性化搜索和获取知识的重要来源。如何表示和利用这些信息是人工智能领域研究的热点问题之一。本项目以含用户生成内容最多的个性化搜索为研究对象，将其抽象为在 UGC 数据构成的动态演化搜索空间中找到满足用户个性化需求目标的最优数据，即一类动态定性指标优化问题。本项目根据 UGC 数据的多源异构特性，研究了融合深度卷积神经网络的用户评价文本、图像、视频等的融合向量化表示；给出了该类问题动态特性的关键影响因素，建立融入用户评价的动态优化模型；基于所构建动态定性指标优化模型，提出了多种高效的交互式进化求解机制，给出定性评价指标的定量化转化模型，以及高效进化优化策略；将上述理论与方法应用于电子商务个性化搜索、团购个性化推荐、移动APP推荐等实际问题中。基于上述研究，发表相关学术论文24篇，其中SCI检索期刊16篇、英文TOP期刊8篇、中文高水平期刊3篇、ESI高被引论文1篇；申请发明专利3项，软件著作权4项，培养已毕业博士2名，硕士10名。 本项目研究内容和方法均是当前人工智能领域研究的热点，将大数据、机器学习、群体智能优化和个性化搜索进行有机融合，研究成果极大地丰富了人工智能领域机器学习和群体智能的理论融合，大大推进群体智能在大数据分析与处理中的应用，为大量多源异构 UGC 个性化搜索问题的解决提供可行策略，为个性化动态精准搜索提供技术支持，具有重要的理论价值和广阔的应用前景。