面向用户群组的结构化推荐技术及其应用研究

Extensive applications of Internet information service in various domains of human society have brought many unprecedented challenges to personal recommendation technologies, one of which is the increasing packaged consumption behaviors of user groups. For recommendation systems, this particular type of behaviors will result in group-level preference between user groups and item combinations, which is more complex than the preference relationship between individual user and item commonly handled in conventional recommendation systems. This proposal generalize these personal recommendation applications with group-level preference as Group-oriented Structural Recommendation (GSR), and aim to perform systematical research on GSR from both theory and application perspective. Firstly, through leveraging mathematical programming and probabilistic graph modeling techniques, the task of GSR is theoretically decomposed into two subtasks, i.e., user group/item combination profiling and recommendation algorithm design, which will be the two theoretical research targets of this proposal. Secondly, the real-world task – “Family-oriented TV Program Recommendation”, is selected as a practical application of GSR, which will be the application research target of this proposal. The research work in this proposal is helpful in extending the research scope of personal recommendation literature, as well as improving the practical performance of personal recommendation techniques.

互联网信息服务的不断深入和普及极大地推动了个性化推荐技术的变革，其中的重要表现是用户的群体行为日益增多，并且产品组合越来越多地成为了用户消费的对象，这使得个性化推荐中的用户(User)和产品(Item)由传统的个体形式扩展为群体形式。本项目对这类具有群体偏好特征的现实应用进行归纳，提出了一类新的个性化推荐问题——“面向用户群组的结构化推荐”。本项目将从理论和应用两个方面对结构化推荐开展系统研究：在理论方面，应用数学规划、概率图模型等理论工具对结构化推荐任务进行抽象和分解，着重针对其中的用户群组/产品组合配置建模和结构化推荐算法设计两个关键问题开展研究，构建结构化推荐的方法体系；在应用方面，选取“面向家庭用户的电视节目单推荐”作为结构化推荐的典型案例，对理论成果进行应用，验证理论成果的实用价值。本项目的研究工作对于拓展个性化推荐领域的研究范畴、提升个性化推荐技术的实用效果具有积极的意义。

结构化推荐是个性化推荐领域的一个重要研究方向，其目标是面向具有结构化特征的用户、产品等要素进行推荐。相比于传统的面向个体用户和产品的个性化推荐系统，结构化推荐系统具有更广阔的应用场景，能够更为有效的解决复杂场景下的信息过载问题。为此，本项目以“结构化推荐方法及其应用”为主题，在理论和应用两个层面上开展了系统研究。.在理论层面，主要开展结构化推荐要素（用户/产品）配置建模和结构化推荐算法设计两方面研究。在结构化推荐要素配置建模方面，针对结构化用户，提出了面向半结构化网络日志的用户结构化兴趣建模方法，以及基于群体协作模式的用户群组成员角色自动识别方法，为用户群组总体兴趣建模提供依据；针对结构化产品，提出了面向无结构自然文本的流程型结构化产品信息抽取方法和结构化产品元素表示学习方法，为结构化推荐提供基础支持。在结构化推荐算法设计方面，首先针对相似性计算这一个性化推荐的基础问题开展研究，提出了多维度用户相似度和结构化产品相似度；之后分别延续因子分解机和深度学习这两种经典的个性化推荐技术路线开展研究，提出了多种面向复杂应用场景和结构化产品的推荐与预测模型。.在应用层面，重点选择电视频道推荐开展应用研究，针对家庭用户观看行为和电视频道播放主题的多样性和周期性等结构化特征设计了推荐模型，研发了面向电视频道的智能推荐系统。此外，将结构化推荐理论方法在学术检索、突发事件应急管理等领域开展了应用，研发了在线论文推荐系统等多个原型系统。.本项目的研究工作解决了结构化推荐中的多个关键科学问题，特别是为具有序数型、集合型、连续型推荐要素的结构化推荐任务提供了有效解决方案，从要素建模、推荐算法、应用实现三个层次上初步形成了结构化推荐方法体系，在一定程度上拓展了推荐系统的研究范畴，增强了推荐系统的研究深度。