基于图排序的混合推荐模型研究

In recent years, personalized recommender system has been developed rapidly, for it can help users to locate the needed resources quickly. It has been widely applied in many areas, such as e-commerce and News Feeds. Traditional recommendation technology usually can be classified as content-based, collaborative filtering and hybrid approaches. With the expanding of the scale of online applications, the accuracy of single recommendation method has declined sharply for the reason of the rating sparseness problem. Also, the widespread use of Web2.0 has brought abundant heterogeneous information. How to integrate all possible information in an effective fusion model has become the biggest challenge of hybrid recommender system research. Based on this, the project will analyze the multiplex heterogeneous information of online applications, build advanced graph structure models and propose a set of complex graph ranking algorithm to solve information fusion-based hybrid recommendations. For complex content information of items, the project will introduce tree matching and bipartite graph ranking algorithm. For the multiplex social relationships of users, the project will introduce multigraph ranking recommendation model. For other high-order relationships brought by some third-party environmental information, the project will introduce hypergraph model and develop hypergraph ranking algorithm. The research is not only important for the hybrid recommendation study, but also for extending the applied range of graph ranking theory.

近年来，个性化推荐系统以其能够帮助用户快速定位所需资源的特点在电子商务、新闻推送等领域得到快速发展和流行。传统推荐技术通常可分为基于内容推荐、协同过滤推荐和混合推荐方法。随着在线应用规模的不断扩大，单一推荐方法通常由于评分稀疏性等问题而导致准确度急速下降。并且，Web2.0的普遍应用带来了丰富的异构信息。如何充分利用这些信息并提出有效融合模型，则成为了当前混合推荐研究所面临的最大挑战。基于此，本课题拟分别从物品、用户和第三方环境角度分析在线应用可能出现的各种多元异构信息，构建高级图结构模型，提出基于图排序的新型混合推荐算法。针对物品的复杂属性，拟引入树匹配和二部图排序算法实现混合推荐；针对用户多样化社交网络，将提出多重图排序推荐模型；针对第三方环境带来的多元关系，将提出多分超图排序模型实现推荐。研究成果不仅对混合推荐研究具有重要理论意义，并且对扩大图排序理论的应用范围也具有重要价值。

有效利用在线平台广泛存在的多源异构信息提炼更准确的用户偏好，是近年来个性化推荐系统研究的热点和难点。本项目从网络结构的视角，对在线平台所涉及的信息主体和各种复杂关系进行归纳分析，并针对不同的情境构建不同的复杂图结构模型，研究基于图排序算法的个性化推荐方法。主要包括：第一，通过行业调查、文献检索、数据分析等手段对大型在线平台特别是电子商务平台所包含的信息主体进行归纳，并梳理各类信息主体之间的各类关系。第二，从物品角度，分析多层级标准分类属性和用户自分类标签信息的特点，提出融合标签信息的分类树匹配算法，用于测算物品之间的内容相似度，并以此构建用户、物品之间的二分图模型，开发基于用户-物品二分图随机行走算法和推荐方法。第三，从用户角度，对用户之间可能存在的显性或隐性的社交关系和相关性联系进行归纳分析，提出了基于随机行走的间接社交关系评估方法，并综合考虑用户节点之间的多重联系和不同网络之间的结构差异性，提出多重图排序算法和相应推荐模型。第四，从信息融合角度，将推荐系统可利用的信息主体归纳为用户(User)、物品(Item)、属性(Attribute)和环境(Context)等四方面，提出一般化多源信息融合UIAC数据概念模型，构建了多分超图模型，并改进了现有超图排序方法，提出了适用于用户动态多目标需求的基于超图排序的推荐方法。本项目涉及推荐系统、数据挖掘、社会网络、图论等多个领域，研究成果对多元异构信息融合具有理论价值和科学意义。所构建的信息融合模型和个性化推荐方法有助于互联网应用提高用户查询效率和提升资源推送准确率，在电子商务、信息检索等领域具有应用前景。