基于社交用户兴趣挖掘的可解释推荐方法研究

With the rapid development of social media, user sharing has become the most popular Internet behavior in this era. Social media data can reflect the user's individual preferences, help to understand the user, and provide personalized recommendations with more accuracy. However, existing personalized recommender systems lack the way of communicating with users, and cannot provide appropriate recommendation reasons to convince the user to accept the recommendation. Therefore, whether the user's preferences can be fully understood, and whether the recommendation reasons can meet the user's preference in a way that is easy for the user to accept, lead serious technical challenges for the future development of personalized recommender systems, and also make it necessary to focus on a new research area of the explainable recommender systems. To shed light on this research question, this project aims to focus on the technical expressions of multimodal heterogeneous social media data, dynamic modeling for user preference, and personalized reason generation for the recommendation, and proposes new models and algorithms to solve some key scientific issues such as dynamic modeling of multimodal user behavior and preferences, cross-domain feature fusion based on attention mechanism, and association between recommendation reasons and user preferences. With these efforts, we try to improve the effectiveness of the personalized recommendation and the transparency of the recommendation algorithm. We also hope to help development of explainable recommender systems.

随着社交媒体的蓬勃发展，用户分享成为了这个时代最潮流的一种互联网行为。而用户的社交媒体数据可以反应出用户的个性化偏好，帮助进行用户感知，为用户提供更为精准的个性化推荐。但是现有的个性化推荐系统在与推荐对象的沟通方式上有所欠缺，无法提供适当的推荐理由来说服用户接受推荐。因此，是否能够以用户容易接受的方式，充分抓住用户心理，提供符合用户偏好的推荐理由，为个性化推荐系统的未来发展提出了新的挑战，也使得可解释推荐系统成为必要的研究方向。针对这一挑战性问题，本课题拟针对多模态异质社交媒体数据的模式表达、用户偏好动态建模、以及个性化推荐理由生成等技术内容开展深入研究，提出新的模型与算法，解决包括多模态用户行为与偏好的动态建模、基于注意力机制的跨域特征融合、以及推荐理由与用户偏好的关联等关键科学问题。提升个性化推荐系统的效果以及推荐算法的透明度，引领可解释推荐系统的发展。

随着社交媒体的蓬勃发展，互联网用户的社交媒体大数据可以反应出用户的个性化偏好，为用户提供更为精准的个性化推荐。但是现有的个性化推荐系统在与推荐对象的沟通方式上有所欠缺，无法提供适当的推荐理由来说服用户接受推荐。因此，是否能够以用户容易接受的方式，充分抓住用户心理，提供符合用户偏好的推荐理由，为个性化推荐系统的未来发展提出了新的挑战，也使得可解释推荐系统成为必要的研究方向。. 针对这些挑战性问题，本课题进行了基于社交用户兴趣挖掘的可解释推荐方法研究，主要研究内容有：有效地用户跨域数据选择与特征提取、用户社交动态行为分析与建模、基于用户多维度特征的融合计算和推荐方法、以及基于文本生成的推荐结果可解释性研究。. 在研究中，我们系统研究了可解释性推荐的各个环节，针对跨模态用户特征提取、行为动态建模、个性化推荐方法、推荐可解释性研究等方面都进行了方案设计。首先提出一种基于生成式标签融合的跨模态图文特征对齐与匹配方法，解决了不同模态下的语义鸿沟问题；其次提出了基于社交用户多图动态演化和长短期建模的行为分析方法，有效对用户跨时空跨域的动态行为进行建模；再次，提出基于用户上下文环境特征融合的推有效推荐方法，通过个性化注意力机制有效进行多维特征融合计算，进而感知用户偏好，此外也提出了基于排序对比损失的推荐方法，挖掘困难样本，有效解决数据稀疏性问题；最后，提出基于用户个性化偏好的推荐理由生成方法和基于推荐理由生成和评分预测的可解释推荐方法，为用户推荐商品的同时提供个性化推荐理由，提升个性化推荐系统的效果以及推荐算法的可解释性。. 我们的研究取得了一定的学术成果，在IEEE TKDE，TMM，KBS等国际期刊和SIGIR，CIKM等国际会议中发表论文15篇，我们将部分相关工作的源码进行了分享，为广大研究者在该方向上的进一步研究提供便利。