点过程在用户行为建模中的研究及应用

The point process is a stochastic process that describes the distribution of random points. It has been widely applied in many fields, such as the random service system, transportation and information transmission. In recent years, the point process is employed to model the user behavior. The key of those models is to define a proper intensity function to describe the occurrence probability of the event. In the area of economics and marketing, this research topic has been richly investigated, while it is a relatively new topic in the area of information science. Therefore, existing research works have plenty of problems to be solved and many improvements to be accomplished. In order to compensate for the shortage of existing works, this project intends to carry out the following four research contents: studying the influence of the product's property on the user behavior, studying the influence of user-item bipartite network on the user behavior, modeling the non-linear relationship between users and items and studying the influence of the user preference on the product popularity. Around these four research questions, we will apply the corresponding research results in the following three application scenarios: the user return time prediction, personalized recommendation and popularity prediction. Both the theoretical research and practical application are combined to carry out this research project.

点过程是描述随机点分布的随机过程，它已经成功地应用在许多领域，例如随机服务系统、交通运输和信息传输等。最近几年，点过程被广泛地应用于用户行为建模，这些模型的关键点在于定义一个恰当的强度函数来刻画每次用户事件发生的瞬时概率。在经济学和营销学，该研究课题已被广泛地研究。然而，在信息科学领域，该研究课题还是一个比较新的课题，因此现有的工作存在的问题比较多，可改进的地方也比较多。为了弥补现有工作的不足，本项目拟在点过程这一大框架下，开展以下四个研究内容：研究产品的属性对用户行为的影响、研究用户-产品二部图的结构特征对用户行为的影响、用户与产品间非线性关系建模和研究用户的偏好对产品流行度的影响。围绕这四个研究问题，我们将相应的研究成果分别应用在以下三个场景：用户回归时间预测、用户产品个性化推荐和产品的流行度预测。我们采用理论研究与实际应用相结合的原则开展本项目的研究。

项目组围绕基于点过程的用户行为建模这一研究方向，主要开展了以下几个研究内容：（1）用户的隐式评分信息挖掘，提出一种隐式评分信息挖掘算法，并设计了基于隐式信息的个性化推荐算法。实验结果表明，本方法明显好于传统的基于单评分的推荐算法，同时还好于基于多评分的推荐算法；（2）基于局部神经模块的推荐算法研究，设计一种基于全局模块和基于局部模块的神经网络，方法能够增加网络的层数，从而增加网络的表针能力，能够较大幅度地提高推荐算法的准确性；（3）深度神经网络压缩，提出一种减少网络参数的网络压缩方法，方法能够减少90%以上的网络权重参数，同时能保证算法的准确性下降不到1%，在一些数据集上，算法的准确性反而有所提高；（4）时序数据建模，设计了两种时序数据建模方法，一种是基于GNN的时序数据建模方法，方法应用于基于会话的个性化推荐系统中，该方法同时考虑了会话的局部信息和全局信息，实验结果表明，本方法能够较大幅度地提高算法的准确性。另外一种方法是基于点过程方法，该方法同时考虑了LSTM和Hawks点过程方法，我们将该方法应用于航空电子设备的故障诊断中，实验结果表明，本方法明显好于传统的方法。.项目组一共发表了7篇学术论文，其中包括4篇中科院二区期刊论文，1篇CCF B类期刊论文，1篇CCF C类会议论文。申请发明专利5篇，其中已授权4篇。