点对点网络个性化资源推荐和定位研究

Resource locating plays a key role for Peer-to-Peer (P2P) distributed sharing. How to efficiently find non-deterministic resources is always an important problem needed to be solved. Most of the non-deterministic resources locating methods rely on keywords matching, although it cannot capture user profile appropriately due to the heterogeneity of resource and the irregularity of storage. This research intends to use the technologies of personalized recommender system to improve P2P resource locating, combing some deep learning methods. We want to explore how to obtain appropriate user profile and resource feature under the high churn network environment, and how to locate resources both in unstructured and structured P2P networks based on the user profile and resource feature. Our study would be of a great significance in uncovering the rule of mining user interests in the field of distributed resource sharing, and also provide some ideas for studying P2P resource locating based on the machine learning methods.

资源定位在点对点(Peer-to-Peer,P2P)网络分布式共享领域具有非常重要的作用，如何有效地寻找非确定性的资源一直是该领域亟待解决的问题。目前非确定性资源定位主要采用关键字匹配，在资源种类繁多、难以统一数据规范的环境中，关键字很难描述用户的真正需求。本课题拟采用个性化推荐系统相关技术，结合深度学习，进行P2P网络非确定性资源推荐和定位研究。探明如何获取高扰动网络环境下用户偏好和资源特征，如何利用用户偏好和资源特征分别在非结构化和结构化P2P网络中进行资源定位等问题。本课题研究对揭示分布式资源共享环境下的用户兴趣挖掘规律有重要的意义，为利用机器学习方法来研究P2P网络资源定位提供了思路。

资源定位在点对点(Peer-to-Peer,P2P)网络分布式共享领域具有非常重要的作用，如何有效地寻找非确定性的资源一直是该领域亟待解决的问题。目前非确定性资源定位主要采用关键字匹配，在资源种类繁多、难以统一数据规范的环境中，关键字很难描述用户的真正需求。本课题采用了个性化推荐系统相关技术，包括深度学习、迁移学习、矩阵分解进行P2P网络非确定性资源推荐和定位研究。使用上下文感知的可伸缩基准预测器，进行了高扰动网络环境个性化推荐建模，从精确率、召回率、均方误差等多个方面提高了预测准确度。利用深度学习对非结构化点对点Web服务资源推荐和定位进行建模，捕捉用户和资源更深层次的非线性特征，不仅提高了预测准确度，特征也具备了更高的区分度。利用迁移学习技术，对将结构化的多媒体点对点网络进行了稀疏资源服务质量预测建模。针对其中服务质量评分比较丰富的记录建立深度学习模型，然后将参数迁移到同等结构的另外一类稀疏资源模型中去，并控制源域和目标域差异度，从而提高了稀疏资源的服务推荐性能。本课题研究对揭示分布式资源共享环境下的用户兴趣挖掘规律有重要的意义，为利用机器学习方法来研究点对点网络资源定位提供了思路。