个性化推荐系统中基于协同进化学习的信息核优化与分析

Expert users in personalized recommender systems could be called information cores, and the recommendation by using their information has a high online recommendation speed with satisfactory accuracy. Therefore searching for information cores becomes a new, important and challenging problem in the field of recommendation. Existing methods use the heuristic greedy searching to choose information cores. Howerver, they can not find the best subset of users which are directly beneficial to recommendation evaluation criteria. For the first time evolutionary algorithms are used to search for information cores by this project. However, the traditional evolutionary algorithms are not good choices bacause of their costly fitness evalution and difficult parameters setting when they are applied to optimizing information cores. To alleviate the above problems, under the framework of coevolutionary algorithm, the evolutionary population is used as the data samples for analysis in this project. Based on the techniques including knowledge extraction, extreme learning machine and cluster analysis, the evolutionary learning model with low computation cost and high leaning speed will be established to direct evolution, improve search efficiency and reduce fitness evaluating cost. In addition, the learned information is used to adjust the parameters adaptively. Thus the formed coevolutionary learning model and algorithm will effectively find the information cores for the later recommendation, and promote the cross-integration between computational intelligence and information science.

个性化推荐系统中存在一些可称为信息核的专家用户，利用其信息进行推荐，在保证推荐准确度的同时，可大幅提升在线推荐的速度，因而搜索信息核成为推荐领域中一个新颖、重要且富有挑战性的问题。现有方法利用启发式的贪婪搜索来选择信息核，并不能找到直接有利于推荐评价指标的最佳用户子集。本课题首次采用进化算法来搜索信息核。但传统进化算法应用于信息核优化这类适应度评价昂贵的问题时存在适应度评价代价高，算法参数设置困难等瓶颈问题。本课题拟在协同进化算法的框架下，将进化种群中的个体作为数据样本进行分析，利用知识提取、极限学习机和聚类分析等技术构建计算代价低、学习速度快的进化学习模型，用于指导进化方向，提高搜索效率，降低适应度评价代价。并利用学到的信息自适应调节算法参数，形成协同进化学习模型与算法。算法用于信息核优化后，将有效搜索出利于后续推荐环节的信息核，推动计算智能与信息科学的交叉融合。

个性化推荐系统中存在一些可称为信息核的专家用户，利用其信息进行推荐，在保证推荐精度的同时，可大幅提升在线推荐的速度，因而搜索信息核是推荐领域中一个新颖、重要且富有挑战性的问题。信息核实际上是一个用户子集，它包含了有利于推荐结果的绝大部分信息。然而现有的寻找信息核的方法，本质上属于启发式的贪婪搜索，并不能找到直接有利于推荐评价指标的最佳用户子集。本项目首次将“根据特定推荐评价指标搜索信息核”的问题建模为单目标及多目标的组合优化问题，设计新颖高效的协同进化学习算法来搜索信息核，并对信息核的特性及有效性进行分析与校验。项目组较好地完成了研究内容，研究结果表明利用进化算法搜索到的信息核用户可以取得更好的推荐性能，甚至比从所有用户中选择邻居集的协同过滤算法要好，相关推荐算法在推荐精度和在线推荐效率方面都得到了提升，这一结果远远超出了项目立项之初所预计的“提升在线推荐效率的同时尽量不损失推荐精度”的设想，使基于信息核优化的推荐算法得到了超乎预期的性能提升。此外，项目组在信息核多目标进化优化方面的研究也取得了较大的进展，研究结果表明，利用进化框架实现信息核的进化多目标优化，可以获得在推荐精度及推荐多样性方面均优于传统方法的推荐结果，达到甚至超出了立项之初预期的效果。本项目的研究成果对于提升推荐系统的推荐性能以及在线推荐速度具有显著效果，拓展了进化优化的应用领域，也为推荐算法领域提供了新颖有效的研究思路和方法。