面向推荐系统中个体小数据建模的迁移学习技术研究

Recommender systems have been deployed in various personalized online service platforms. However, most systems are designed and developed to improve the overall performance rather than to satisfy each individual user. As an important research direction of fine-grained mining of users' behavior data, modeling of individual small data (ISD) has the potential to learn each user's true preferences well from her/his own small data, so as to provide accurate recommendation services. So far, there have been very few research works on ISD, which is associated with some fundamental challenges such as the unbalance of users' behaviors, the diversity of users' data, and the complexity of users' decisions. As a response, in this project, we aim to study the ISD problem and design some novel transfer learning techniques to learn each user's true preferences, which shall provide new data modeling methods and algorithm design ideas for ISD. Specifically, we aim to study four techniques for ISD, including structure-based transfer learning, metric-based transfer learning, role-based transfer learning, and transferability multi-dimension evaluation. The proposed theory and algorithms are expected to enrich the research works on transfer learning, recommender systems and small sample learning, and to provide a solution for real deployment of ISD in e-commerce and other online platforms.

目前，推荐系统已应用于众多个性化在线服务平台，具有重要的研究价值和广阔的应用前景。然而，绝大多数推荐系统为了提升系统的整体性能，很少针对个体用户设计专门的建模方法。个体小数据（ISD）建模作为用户行为数据精细化挖掘的一个重要研究方向，旨在学习小数据背后的用户真实偏好，进而为每个用户提供精准的推荐服务。目前，ISD的研究成果还很少，面临着用户行为的不平衡问题、用户数据的多样性问题以及用户决策的复杂性问题等挑战。为此，本项目拟借鉴迁移学习应对其他小数据问题的经验，研究新的技术，为ISD中的关键问题提供新的建模方法。本项目拟重点研究“基于结构的迁移学习技术”、“基于度量的迁移学习技术”、“基于角色的迁移学习技术”和“可迁移性多维度评估方法”等四个方面内容。所提出的理论和算法，可望丰富迁移学习、推荐系统和小样本学习等领域的研究成果，并为ISD在电子商务等在线服务平台中的应用提供解决方案。

目前，推荐系统已应用于众多个性化在线服务平台，具有重要的研究价值和广阔的应用前景。然而，绝大多数推荐系统为了提升系统的整体性能，很少针对个体用户设计专门的建模方法。个体小数据（ISD）建模作为用户行为数据精细化挖掘的一个重要研究方向，旨在学习小数据背后的用户真实偏好，进而为每个用户提供精准的推荐服务。目前，ISD的研究成果还很少，面临着用户行为的不平衡问题、用户数据的多样性问题以及用户决策的复杂性问题等挑战。为此，本项目借鉴迁移学习应对其他小数据问题的经验，研究了多个新技术，为ISD中的关键问题提供了新的建模方法。本项目重点研究了“基于结构的迁移学习技术”、“基于度量的迁移学习技术”、“基于角色的迁移学习技术”和“可迁移性多维度评估方法”等四个方面内容。所提出的理论和算法，可望丰富迁移学习、推荐系统和小样本学习等领域的研究成果，并为ISD在电子商务等在线服务平台中的应用提供解决方案。.在本项目的支持下，项目组已正式发表学术论文31篇，其中，ACM TOIS（2篇）、ACM TIIS（1篇）、ACM TIST（1篇）、IEEE TBD（1篇）、ACM SIGIR（1篇）、AAAI（1篇）、ACM RecSys长文（2篇），共计9篇。本项目通过对个体小数据建模方法和知识共享方法的深入研究，提出了多个迁移学习技术和相应的推荐算法，有效提升了个性化推荐的效果。