基于任务的跨领域异质可解释的推荐方法研究

Personalized recommendation has unique advantages of mining and satisfying user’s intent and potential interests to attract hits by active recommended results. In recent years, it has been paid arising attentions to by both research and industry, and demonstrated exciting perspective. The state-of-art personalized recommendation takes two major pitfalls. First, it has generally been limited to intra-domain or even on-site homogeneous recommendation, which is unable to satisfy user’s full request for a complete task. Second, in most cases, no explanation can be given on why the specific recommendation is made, which makes the recommended results less convincing on attracting user’s hits. This study aims to solve the above significant problems by proposing task-based cross-domain heterogeneous explainable recommendation. Following research will be taken: 1. Cross-domain heterogeneous data understanding, representation and integration based on the fusion of user behavior data from general search engine and browser and user generation content. 2. User profiling and modeling on potential needs and preferences. 3. Highly extensible and efficient unified parallel recommendation framework design in heterogeneous environments. 4. Explainable recommendation algorithm design, and implementation of task-based recommendation prototype system. Breakthroughs on theory and approaches will be delivered on personalized recommendation.

个性化推荐技术能够挖掘和满足用户需求及潜在兴趣并通过主动推荐来吸引用户的访问点击，近年来在研究界与产业界都受到持续增长地关注，并展现出巨大的应用前景。但当前的个性化推荐研究及应用存在两个主要缺陷：一是多局限于领域内、甚至网站内的同质性结果推荐，无法满足用户完整的任务需求；二是大多数情况下无法给出推荐理由，使得推荐结果对用户缺乏可信度和吸引力，影响了推荐的效果。针对这两个核心问题，本项目拟开展基于任务的跨领域、异质、可解释的推荐方法研究。课题将依托通用搜索引擎及浏览器用户行为信息，融合网络中不同网站上的用户产生内容，1. 研究面向推荐问题的跨领域异质数据表示与整合；2. 构建用户画像，建立用户潜在需求与偏好模型；3. 设计可扩展性强、计算效率高的并行化跨领域异质推荐框架；4. 提出可解释的个性化推荐方法，并设计实现基于任务的推荐系统验证平台。最终将实现个性化推荐技术在新的理论和方法上的突破。

个性化推荐已经渗透入生活中各种网络信息服务与应用中，也因此成为用户获得各种信息、满足各类信息需求的主要方式之一。然而另一方面，用户规模的增长和应用场景的丰富，也使得我们对推荐系统的效果、效率、可解释性等提出了更高的要求。本项目致力于“基于任务的跨领域异质可解释的推荐方法”开展研究。项目依托推荐系统中的各类用户行为和用户产生内容数据，融合搜索及社交网络平台的异质信息，通过对用户潜在需求与偏好的挖掘、表示、建模和预测，理解用户的推荐任务满意度，结合用户使用的上下文情境，构建了异质跨领域的推荐模型，提出了可解释的个性化推荐方法，并设计实现了推荐实验系统平台。.本项目取得的成果在国际顶级会议和期刊上发表学术论文43篇，其中CCF推荐会议列表A类和B类英文论文28篇，推荐A类中文核心期刊论文4篇；获得专利4项，并申请专利2项；作为主要贡献之一，获得中国中文信息学会的“钱伟长中文信息处理科学技术奖”一等奖，同时课题组负责人在国际专业排名网站CSRanking上的Web IR领域近10年研究成果全球学者中名列首位。.所提出的模型与方法还在各类互联网推荐系统中被实际应用，一方面提升我国互联网多类信息资源如信息流、电子商务、智能司法领域等的个性化服务水平，提升用户获取信息的便利性、精准性和信息利用的效率，促进新的环境下社会信息化水平的提高；另一方面我们开放了项目中构建的多类个性化推荐数据集合资源和系统平台，免费给国际和国内相关领域研究人员使用，促进了整个研究领域的发展，并提升了我国相关研究在国际学术界的影响力。