个性化推荐中基于情境感知的多源迁移学习方法研究

The lack of users' historical preference data is one of the major difficulties in personalized recommendation. In order to solve this problem to improve the precision and intelligence of personalized recommendation, the research develops the context-aware multi-source transfer learning methods by combining the Artificial Intelligence methods and Optimization methods of Operations Research. The main topics include: 1, construct the multi-source transfer learning model to discover knowledge from users’ multi-domains historical preference data, and leverage it to the target system to solve the lack of users’ historical preference data problem; 2, by fully considering the users' changing preference based on different contexts, study the context representation methods, context-based multi-source data processing methods, and the context-aware methods in multi-source transfer learning to achieve the efficient and intelligent knowledge transfer; 3, develop new personalized recommendation system based on the context-aware multi-source transfer learning, and apply it to the real-world applications of E-commerce. The research of context-aware multi-source transfer learning provides beneficial exploration for improving the efficiency, applicability and intelligence of transfer learning; The research achievements will provide the artificial and efficient solutions to solve the problem of lack of users' historical preference data in personalized recommendation.

针对个性化推荐中用户历史偏好数据收集困难的难题，引入人工智能与运筹学优化方法，以提高个性化推荐的精确性和智能性为目标，提出基于情境感知的多源迁移学习方法。研究包括：1、构建多源迁移学习模型，从用户其他系统丰富的多源历史数据中高效挖掘有用知识，并将其迁移至目标系统以解决历史偏好数据收集困难的难题；2、同时，充分考虑用户兴趣随情境不同而动态变化的特点，研究多源迁移学习中情境的表达方式，基于情境的多源数据处理方法，及情境感知模型，以实现高效、智能的多源知识迁移；3、开发基于情境感知的多源迁移学习的个性化推荐原型系统，并将其应用在跨系统电子商务个性化推荐的实际应用中。本研究提出的多源迁移学习模型及其情境感知模型为提高迁移学习的效率性、适用性和智能性带来了有益的探索；研究成果将为解决个性化推荐中用户历史偏好数据收集困难的难题，提供精确智能、科学高效的手段。

本项目以个性化推荐中的用户历史偏好数据收集困难为切入点，引入了迁移学习、运筹学优化等方法，以提高个性化推荐的精确性和智能性为目标，提出基于情境感知的多源迁移学习方法。主要研究内容包括：1、构建多源迁移学习模型，将跨系统的多源数据迁移至目标系统以解决训练数据过少、学习效率过低的问题；2、在迁移的过程中，考虑情境的动态变化性，构建迁移学习中的情境感知模型，研究跨平台、跨领域的迁移学习方法；3、将迁移学习的方法推广到大规模优化问题与智能决策等实际问题中，拓展相关研究成果的应用；4、开发相关方法的原型系统和算法库，与电子商务O2O企业合作，将研究成果应用到跨系统的电子商务个性化推荐的实际应用中，取得了30%的推荐效果提升。本研究提出的多源迁移学习模型及其情境感知模型为提高迁移学习的效率性、适用性和智能性带来了有益的探索；研究成果将为解决个性化推荐中用户历史偏好数据收集困难的难题，提供精确智能、科学高效的手段。同时，本研究还将相关的研究成果推广到解决大规模优化问题与智能决策等实际问题中，拓展了研究成果的科学价值。在本项目的支持下，项目组已发表学术论文11篇（SCI/SSCI期刊论文7篇，其中JCR一区论文6篇、二区论文1篇；EI国际会议论文4篇）。