面向稀疏数据及动态偏好的深度学习兴趣点推荐方法

The recommendation is one of the core techniques in data mining. With the dramatic growth of location-based social networks (LBSNs) in most recent years, the spatial-temporal data of user check-ins is with a huge volume, high dimensionality, and heterogeneity which severely challenges traditional recommendation systems. Our project aims to deal with the challenges in point of interest (POI) recommendation utilizing deep learning. Some existing studies have shown the advantages of deep learning over many traditional recommendation methods. Our project will focus on two challenges (data sparsity and dynamic preferences of users) in point-of-interest (POI) recommendation, and develop novel deep learning methods for POI recommendation with dynamic preferences on sparse data and. Specifically, 1) we will design a recommendation framework for POI recommendation based on the deep neural network, and propose recommendation methods for POI recommendation based on implicit social relationships, multimode data and generative adversarial nets (GANs); 2) we will build next POI recommendation models based on recurrent neural networks, and propose recommendation methods based on long-short-term preferences, attention mechanisms and joint learning; 3) we will propose a deep neural memory augmented bandit method for POI interactive recommendation; 4) we will finally develop a prototypical recommendation system and integrate our methods inside the system. Briefly, the outcomes of this project will provide great values to both theories and practices of spatial-temporal data recommendation in the location-aware era.

推荐系统是数据挖掘的关键技术。近年来，随着基于位置的社会网络的蓬勃发展，以用户签到内容为核心的时空大数据不断涌现，其高维、异质等特征，对传统推荐方法提出了严峻的挑战。本项目尝试采用深度学习来解决兴趣点推荐问题。已有研究表明，深度神经网络非线性结构可以获得比传统推荐方法更好的结果，但无法应对兴趣点推荐中数据稀疏性及用户偏好动态性两大挑战性问题。有鉴于此，本项目将聚焦于稀疏数据及动态偏好的深度学习兴趣点推荐方法研究，具体包括:1)建立基于深度神经网络的兴趣点推荐模型，并研究基于隐式社交关系、多模数据和生成对抗网络的模型扩展方法；2)建立基于循环神经网络的下一个兴趣点推荐模型，并研究基于长短期偏好、注意力机制和联合学习的模型扩展方法；3)面向兴趣点交互推荐场景，研究基于深度神经网络记忆增强的Bandit方法；4)研发兴趣点推荐系统原型。本项目将为位置感知时代的时空数据推荐理论和实践提供有益参考。

针对兴趣点推荐中数据稀疏以及用户动态偏好两大挑战性问题，依据项目研究内容和研究目标，在深度兴趣点推荐模型、序列推荐模型以及交互式推荐等方面取得了较为丰硕的研究成果，覆盖了研究计划中的各项内容。1）在序列推荐方面，提出了一种新的变分自注意网络VSAN，通过变分推理将自注意向量表示为密度而非固定向量点，其方差可以很好地捕捉用户偏好的不确定性和动态性。2）在会话推荐方面，提出了一个新颖的面向会话推荐的协同自注意网络CoSAN，设计了一种协同式项目表示方法，通过将邻居会话的互补性特征嵌入到项目表示中，不仅显式地利用了邻居会话中的协同信息，而且还构建了动态的项目表示。3）在下一个兴趣点推荐方面，通过增强长短期记忆网络提出了一种新的时空门控网络STGN，引入时空门以捕获连续签到之间的时空间隔关系，提升了时空推荐效果。4）在图推荐方面，提出了一种全新的基于图上下文自注意网络的会话推荐框架GC-SAN，图网络用来建模会话序列的局部图结构依赖，自注意网络用来建模上下文非局部表征，相互增强以提升会话推荐性能。5）在多模态推荐方面，提出了一个视觉特征增强的旅游推荐系统Photo2Trip，有效地缓解了个性化旅游推荐中的数据稀少和冷启动问题。6）在交互式推荐方面，提出了一种针对多行为推荐的多任务强化学习推荐方法，通过一个代理对用户的不同行为给予不同的推荐策略，有助于提升推荐效果和用户体验。 .论文方面，在TKDE，WWW，AAAI，IJCAI，ICDE，CIKM等国际顶级、重要会议和期刊发表论文共计36篇，其中CCF A类论文9篇，CCF B类论文15篇；申请发明专利20项，其中8项已获授权。培养学生方面，博士毕业生1名，硕士毕业生14名。超额完成了预期目标。