移动社交网络环境下基于深度学习的推荐策略研究

Research on the existing recommender systems have made considerable progress, but still can not effectively solve the problem of information overload in high dimension, massive and polymorphism of mobile social networks environment. Integrating with the theory of human behavior dynamics, the project uses the Markov process for modeling the behavior of user visiting. We model the predictions of user recommendation behavior into a semi-supervised learning of probabilistic graphical model, by in-depth analysis of potential recommendation process of network constraints. We model and predict the dynamic behavior of users’ recommendation, by using a dynamic probabilistic graphical models as a similarity and uncertainty reasoning framework of different users’ recommendation behavior. Using a restricted Boltzmann machine to learn the common factors among different users, we build deep factor graph model with reflecting similar relationships between users, and complete the training of deep factor network by using a variational method to optimize parameters layer-by-layer. We will comprehensively validate and evaluate the model with data sets in real mobile social network , and analyze the robustness and accuracy of the proposed recommendation algorithm. This can not only provide a new ideas for the development of recommendation system, promote the practical application of the theory, but also expands the application areas of deep learning, provide new research methods and research tools for the study of mobile social networks.

现有的推荐系统研究已经取得了可观的进展，但是在高维度、海量性和多态的移动社交网络环境下仍然不能有效地解决信息过载问题。本项目结合人类行为动力学理论，使用马尔科夫过程对用户访问行为进行建模。深入分析基于深度学习的推荐过程中的潜在约束机制，将用户的推荐行为预测建模成一个半监督学习的概率图模型。本项目使用动态概率图模型，作为不同用户之间推荐行为的相似性及其不确定性的推理框架，来对用户推荐的动态行为进行建模和预测。通过构建反映用户之间相似性的深度因子图模型，利用受限玻尔兹曼机学习不同用户之间的共同因子，使用变分法逐层优化参数，来完成深度因子网络的训练。本项目将在真实的移动社交网络数据集上对该模型进行全面的验证和评价，分析所提出的推荐算法的健壮性和准确性。这不仅为推荐系统的研究提供一种新思路，促进理论的实用化，还可以开拓深度学习的应用领域，为移动社交网络的研究提供新的研究手段和研究工具。

现有的推荐系统研究已经取得了可观的进展，但是在高维度、海量性和多态的移动社交网络环境下仍然不能有效地解决信息过载问题。如何将社交网络中的用户行为、网络结构、信息服务结合起来，提供符合用户兴趣需求的个性化推荐服务成为当前学术界的研究热点。本项目重点研究社交网络的动态演变和社区发现等对个性化推荐服务产生的影响。本项目的主要研究内容包含以下三点：（1）提出新的社区发现检测算法；（2）设计基于卷积神经网络、LSTM及注意力机制等深度学习的方法和概率矩阵分解相结合的社交网络推荐模型；（3）针对社交网络中海量信息构成的图大数据的聚类匿名的隐私保护提出新的算法。本项目研究取得了较为丰硕的研究成果，在国内外重要期刊和会议上发表学术论文 15 篇。其中，SCI期刊论文 3 篇，EI论文 11 篇，还有3篇SSCI/SCI期刊论文在审稿中。本项目对于完善和扩展现有个性化推荐模型和方法，提高移动社交网络下个性化信息服务的质量具有较为重要的理论价值和现实意义。