基于图谱分析的网络视频推荐方法研究

网络视频推荐中不仅存在视频数量巨大、类型各异、内容难以准确理解等问题，还存在上下文关系、用户的网络社会关系等复杂关系。用传统的推荐方法很难有效描述这些错综复杂的关系。本项目旨在利用图模型对这些复杂的用户-对象关系进行分析与建模，借鉴图谱分析进行求解生成推荐，克服与改善网络视频推荐中存在的若干难点问题，为网络视频推荐提供有益的解决思路。具体而言，通过充分考虑用户的网络和社会关系，建立一个适合描述复杂用户-对象关系的超图模型。针对视频对象特征描述、上下文等多重属性，采用基于张量分析的多维度关系表示，把传统用户-对象的简单二维表示形式推广到多维的张量表示，改善高维异构特征的描述。引入图谱方法和理论的最新研究成果，实现多重复杂用户-对象关系模型的求解。结合视觉分析和机器学习的方法，探讨快速、有效的图模型更新方法。

网络图像与视频推荐中不仅存在视频数量巨大、类型各异、内容难以准确理解等问题，还存在上下文关系、用户的网络社会关系等复杂关系。用传统的推荐方法很难有效描述这些错综复杂的关系。本项目旨在利用图模型对这些复杂的用户-对象关系进行分析与建模，借鉴图谱分析进行求解生成推荐，克服与改善网络视频推荐中存在的若干难点问题，为网络图像与视频推荐提供有益的解决思路。. 按项目计划书的规划，我们探索和研究了基于图谱分析的网络视频推荐问题及其存在的若干关键问题，重点研究了网络推荐中图像和视频内容的紧致表示方法、协同过滤方法、偏好学习、冷启动等问题。我们提出了一系列基于图谱分析的哈希特征表示方法，提高了推荐中基于相似度的检索速度；提出了基于社区主题发现和领域的协同过滤推荐方法，提高了协同过滤的精度；提出了基于组稀疏矩阵分解的推荐方法，充分考虑了行为之间共享和独立的信息，有利于信息的更有效迁移；提出了基于偏好学习的冷启动推荐方法，将电影视频选择的问题转化成低维特征表示的问题，有效改善了冷启动情况下的推荐性能。. 迄今为止，项目组成员共发表论文24篇，包括7篇国际杂志论文和17篇国际会议论文，其中有2篇论文发表在多媒体领域顶级杂志《IEEE Transactions on Multimedia》上，1篇发表在机器学习知名刊物《Machine Learning》，4篇论文发表在CCF A类国际会议（WWW2013、AAAI2014、CVPR 2015、ICML2015）上。此外，还申请2项专利。