基于隐性数据的内容与情境感知的个性化推荐方法及应用研究

Personalized recommendation has created incredible social and economic values for the society, and it is still a hot research topic in academia and industry. However, most existing methods focused on explicit feedback datasets, which have positive and negative preference data, and thus lacked systematic studies on implicit feedback datasets, which only have positive preference data, especially from the perspective of content and context aware. To this end, based on implicit feedback datasets, this project will study personalized recommendation from the aspects of content-aware, context-aware and content-and-content-aware based on implicit feedback and their different kinds of numerical optimization algorithms. First, we will study how to design content-and-context-aware recommendation system based on implicit feedback datasets and how to learn this system by numerical optimization. Then, we will explore a probabilistic representation and thus study how to leverage Bayesian learning techniques for parameter learning. At the same time, we further conduct research on how to perform distributed and parallel computing in this framework, so that they could be put into more wide use in practice. Last, we will apply the algorithms for personalized content-and-context-aware location recommendation based on human mobility data. By systematically studying these recommendation problems, we proposed efficient, scalable and automatic recommendation algorithms tailored to implicit feedback datasets, promoting the recommendation performance in these cases and thus offering the important theoretical and application values.

个性化推荐已经为国家和社会创造了很大的经济与社会价值，而且仍然是当前工业界和学术界研究的热点之一。然而，当前较为成熟的个性化方法主要针对同时包含正负偏好的显性数据，缺乏针对只包含单类正偏好的隐性数据的系统性方法，特别是在内容与情境感知方面。为此，本项目以隐性反馈数据为研究对象，从内容感知、情境感知、内容与情境感知的三个方面展开个性化推荐方法及其学习算法的研究。首先，研究如何基于隐性数据设计内容与情境感知的推荐方法及其数值优化技术。在此基础上，探究其概率表示，研究如何利用贝叶斯学习方法进行全参数学习；同时，研究数据依赖的算法并行化，让它们可以在实际中更好地被使用。最后，应用上述算法到移动轨迹中，进行内容与情境感知的个性化地点推荐研究。本项目通过系统性地研究基于隐性数据的推荐问题，提出了适合该类型数据的高效、可扩展、自动化的推荐算法，提升了基于该类数据的推荐性能，具有重要的理论价值和应用价值。

个性化推荐具有很大的经济与社会价值，是工业界和学术界的研究热点。然而，当前较为成熟的个性化方法主要针对同时包含正负偏好的显性数据，缺乏针对只包含单类正偏好的隐性数据的系统性方法，特别是在内容与情境感知方面。为此，本项目以隐性反馈数据为研究对象，从内容感知、情境感知、内容与情境感知的三个方面展开个性化推荐方法及其学习算法的研究。首先，研究如何基于隐性数据设计内容与情境感知的推荐方法及其数值优化技术。在此基础上，探究其概率表示，研究如何利用贝叶斯学习方法进行全参数学习；同时，研究数据依赖的算法并行化，让它们可以在实际中更好地被使用。最后，应用上述算法到移动轨迹和教育数据中，进行内容与情境感知的个性化推荐研究。在本项目支持下，项目负责人以第一或通讯作者发表论文17篇（IEEE/ACM Trans系列3篇，KDD、IJCAI、AAAI等CCF推荐的A/B类会议13篇）。本项目通过系统性地研究基于隐性数据的推荐问题，提出了适合该类型数据的高效、可扩展、自动化的推荐算法，提升了基于隐性反馈数据的推荐准确率。