动态网络环境下基于动力学原理的推荐策略研究

How to help users find the needed information quickly and effectively, and resolve the problem of information overload has aroused widespread concern in academic. Recommender system is an effective tool to deal with the information overloading. Recommendation algorithm is one of the core issues of the recommender system study. We proceed from the problems of cold-stat, data sparsity and scalability in the current recommendation algorithms. Temporal recommender strategies are presented based on the dynamic principle. Context information is adopted to design the community detection, recommendation algorithms are given based on the dynamic theory. Dynamic model for the prediction rating score is designed. The community detection network model is combined with different time influence. Missing score data can be predicted by the community results. For Top-N user interest prediction problem, the dynamic network model is constructed based on the incremental change. The heterogeneous network of users and items is considered to divide the communities and give the dynamic strategy. The adjacent matrix of the network incorporates the historical information and the current information. Communities of users and items are discovered and the items in the same community are recommended to the users. User activeness is defined combining with the dynamic properties and edge information contains the user activeness. According to the community results, the recommendation strategies can be given. The proposed algorithms are evaluated by experiment to prove the validity and scalability.

如何快速有效地帮助用户找到所需信息，解决信息过载问题引起学术界的广泛关注。推荐系统是处理信息过载的有效工具，而推荐算法是推荐系统研究的一个核心。本课题针对现有推荐技术存在的冷启动、数据稀疏性和可扩展性问题，建立基于动力学原理的社区检测网络模型，结合上下文信息给出动态推荐策略。具体为：提出评分预测问题的动态模型，在社区检测的差分方程中加入时间效应，预测缺失的评分数据；针对Top-N推荐问题中用户兴趣预测问题，结合增量改变，建立基于动力学原理的不同时间片网络模型；给出用户与项目异构网络融入历史信息和当前信息的邻接矩阵，划分用户和项目社区，将同组的项目推荐给组内的用户；结合用户的动态属性建立用户的活跃度指标，将网络模型中每条边属性加入用户活跃度，进而考虑社区划分及推荐服务。并在公开数据集上验证所提出算法的有效性和可扩展性。

本课题是基于动力学演化发现兴趣社区结构，并基于协同过滤给出推荐算法的应用研究。推荐系统是处理信息过载的有效工具，而推荐算法是推荐系统研究的一个核心。如何快速有效地帮助用户找到所需信息，解决信息过载问题引起了学术界和社会的广泛关注。针对现有推荐算法仍存在推荐速度慢，精度低，冷启动等问题，我们把推荐系统建模为复杂网络并研究该网络模型的动力学演化行为，将时间和属性统一建模，并在社区内基于协同过滤给出预测评分以及推荐列表。具体为：将不同真实数据集中个体建模为异质网络节点，准确刻画节点状态随动力学方程演化的新模式；定义相似度函数，建立合理的网络模型，通过节点按照网络模型所体现的动力学行为来实现兴趣社区划分；综合考虑网络的动态改变，结合节点的评分信息和实时信息，给出动态推荐算法。对于推荐算法的结果无论是人工合成大规模网络还是真实网络，我们所提出的算法都取得了较高的预测评分精度和较好的推荐列表精度。因此在解决目前推荐算法中存在的复杂度高、速度慢和检测精度较低等本质性问题上，有实质性进展；并对推荐系统及相关领域的进一步研究提供了理论基础和技术支持，其研究具有重要的理论意义和广阔的应用前景。在项目资助下，团队共发表SCI收录论文10篇，EI会议收录4篇；申请发明专利两项，授权一项；培养硕士研究生9名。