基于上下文信息的双向互惠兴趣点推荐方法研究

With the rapid development of social networks, the traditional one-way recommendation methods can no longer meet the needs that users can be recommended to points of interest.The inevitable trend of the recommended system research is to propose the novel recommendation approaches for such complex information retrieval tasks. This project aims at the demand difference caused by the inequality of users and points of interest in the recommendation tasks and aims to explore a reciprocal recommendation method based on contextual information. The core idea of the project is to combine the context information of check-in data for users and interests Point to provide reciprocal recommendations, thereby effectively improving the accuracy and diversity of recommendations. The main content of the research includes: (1) the noise-tolerance recommendation method to overcome the structured noise data; (2) the fairness-aware reciprocal recommendations between users and points of interest; (3) context-aware reciprocal recommendation framework based on user life patterns. This project aims to further develop the research of recommendation system theory and technology, and explore a new recommendation method to overcome the limitation of one-way recommendation system. The research results of reciprocal point of interest recommendation method based on contextual information is of great significance for enriching the research of information retrieval and promoting the application of recommendation system under the complex recommendation scenario of social network.

随着社交网络的迅猛发展，传统单向推荐方式已经不能满足用户和兴趣点既作为推荐方又作为被推荐方的需求，针对这种复杂信息检索任务的新颖推荐方式与推荐方法已是兴趣点推荐系统研究的必然趋势。本项目针对社交网络中由用户与兴趣点在推荐任务中的不平等性而产生的需求差异，拟探索一种基于上下文信息的双向推荐方法，其核心思想是结合签到上下文信息，为用户与兴趣点提供双向互惠推荐，从而有效提高兴趣点推荐的准确性与多样性。研究内容主要包括：（1）面向结构化噪声数据的推荐方法鲁棒性研究；（2）用户与兴趣点双向互惠推荐公平性研究；（3）基于用户生活模式提取的上下文敏感双向互惠推荐方法的理论与试验研究。本项目是对推荐系统理论与技术研究的进一步深化和发展，为克服单向推荐系统的局限性探索一种新的推荐方法。基于上下文信息的双向互惠兴趣点推荐方法研究成果对于丰富信息检索研究，推动推荐系统在社交网络复杂推荐场景下的应用具有重要意义。

本项目针对基于位置信息社交网络场景下兴趣点推荐系统面临的挑战，为最大程度地保证兴趣点推荐性能的同时，减少噪声签到数据对推荐多样性和准确性的影响，实现推荐方与被推荐方的公平双向推荐。主要的研究内容如下：（1）面向结构化噪声数据的推荐方法鲁棒性研究；（2）用户与兴趣点双向互惠推荐公平性研究；（3）基于用户生活模式提取的上下文敏感双向互惠推荐方法研究。在这三个研究内容上分别取得了一定的研究成果。在本项目中，我们集中研究互惠推荐系统中的公平意识建议，并提出一种方法，通过基于Walrasian均衡优化当事方（即买者和卖者）之间的三个重要的公平意识标准来重新排名推荐列表：服务差距、相互偏爱的相似性和供需平衡。根据这些公平性的定义，我们将相互推荐的任务作为考虑个人满意度，推荐的公正性和市场清理的多目标优化来进行。此外，为了在保证推荐准确性的同时兼顾推荐的个性化与多样性，本论文提出基于群组的推荐模式，在这种推荐模式下，将拥有相似签到经历的用户进行聚类处理，并未每一个聚类分别构建推荐模型。这种推荐模式既可以在一定程度上保障推荐的个性化(因为用户拥有相似的签到经历)，也可以保证推荐的多样性(集群内涉及多用户签到数据)。最后，我们提出了一种基于多任务学习模型的兴趣点推荐系统，该系统利用生成对抗网络的结构同时考虑时间签到和地理位置。基于生成对抗网络的模型能够缓解兴趣点推荐系统中签到数据的稀疏性。时间签到不仅显示了偏好，还显示了个人的生活方式，而地理位置描述了用户的活动区域，进一步过滤了远离可行区域的兴趣点。多任务学习策略能够结合时间签到信息和地理位置信息来提高个性化兴趣点推荐的性能。