基于条件偏好的融合多种信息的推荐方法研究

Due to the great application value, the research of preference learning and recommender system has received more and more attention. Nowadays, the main problems of recommender system include: 1) the representation of user’s preference is too simple to reflect the reality; 2) encounter the data sparsity problem and the cold-start problem. In order to make the recommendation more satisfying, we plan to overcome the difficulty that the conditional preference can not be represented and learned efficiently and can not be integrated into the recommender system. We also seek a novel way to fuse multi source additional information in the recommender system to alleviate the data sparsity problem and the cold-start problem. We plan to research a continuous, derivable, consistent approximate conditional preference model by measuring representation capability of different kinds of functions and research the corresponding learning method. We research a recommender method integrating with this approximate conditional preference model. Based on this method, we research an efficient way to fuse multi source additional information under the Bayesian model. The conditional preference model and the corresonding learning method and the method fusing multi source information provided by this project will promote the research on knowledge representation and discovery, intelligent decision support, game theory, etc.

由于偏好挖掘与推荐系统具有巨大的应用价值，其研究受到越来越多的关注。目前偏好挖掘与推荐系统主要的问题有：1）对用户的偏好表示过于简单，不能反映实际情况；2）难以有效应对数据稀疏和冷启动问题。为了克服现有方法的缺点，提高推荐满意度，本课题拟解决条件偏好难以高效表示与学习、难以用于推荐系统等问题，同时探索在推荐系统中融合多种附加信息的新方法，以应对数据稀疏和冷启动。本课题通过探索各种不同形式函数的条件偏好表达能力，寻找一种连续、可导、一致的条件偏好近似表示模型；研究基于这种表示方法的条件偏好学习算法；并将此种表示与矩阵分解模型结合，研究基于条件偏好的矩阵分解推荐方法；在此基础上研究一种在贝叶斯框架下高效的融合多种附加信息的方法，进一步提高推荐结果的准确度。本课题提供的条件偏好表示与学习方法、多种附加信息的融合方法等成果对知识表示与发现、智能辅助决策、博弈论等领域的研究有推动作用。

为了解决条件偏好难以高效表示与学习、难以用于推荐系统等问题，同时探索在推荐系统中融合多种附加信息的新方法，以应对数据稀疏和冷启动，本课题考察了多种不同形式函数的条件偏好表达能力、计算复杂度、空间复杂度、学习算法等因素，提出了基于二次函数的条件偏好表示方法、基于增强回归树的条件偏好表示方法，这两种条件偏好表示方法都具有表达能力强、计算复杂度低的特点，能够适用于有大量用户和物品的推荐系统。本课题将上述条件偏好表示方法与矩阵分解推荐方法结合，提出了二次函数表示条件偏好的推荐方法、增强回归树表示条件偏好的推荐方法，在多个大型真实数据集上的实验结果表明，上述推荐方法能够取得比现有方法更为准确的结果。更进一步，本课题提出了在上述推荐方法中融合多种附加信息的推荐方法。为了得到更准确的推荐结果，本课题将用户反馈行为看做时序符号序列，并将推荐问题归结为混合时序反馈推荐问题，提出了基于递归神经网络的推荐方法、基于递归门结构的推荐方法，以解决此问题。上述方法在多个大型真实数据集上大幅超越了现有方法。本课题提供的条件偏好表示与学习方法、多种附加信息的融合方法等成果对知识表示与发现、智能辅助决策、博弈论等领域的研究有推动作用。