基于网络表征学习的实时动态Top-N推荐技术研究

The recent researches on recommender systems mainly focus on how to improve the recommendation quality, but ignore the real-time and dynamic characteristics of recommender systems. The real-time performance denotes the quickly respond ability of users' personalized requests, which is related to user experience. The dynamic performance refers to the real-time update ability of the recommendation strategy according to the dynamic changing data, which is associated with the life cycle of the systems. The real-time and dynamic of recommender systems are extremely important, not less than the accuracy of recommendation algorithms. With powerful data processing capabilities in many areas, machine learning algorithms are the optimal choice for real-time recommendation. However, the mainstream machine learning algorithms are not good at processing network data in the recommender systems, and the static machine learning algorithm models cannot be updated in real time according to the dynamic network data, which restrict the promotion of the mainstream machine learning algorithms in the recommender systems field. To solve the above problems, we propose network representation learning algorithms to transform dynamic network data into real-time updated node vectors, and then use static machine learning algorithm models to make rapid prediction, so as to realize real-time dynamic feedback of recommender systems and improve the overall practicability of recommender systems.

现有关于推荐系统的研究主要集中在如何提升推荐算法的质量，却忽视了推荐系统的实时性和动态可扩展性。实时性指的是推荐系统针对用户个性化请求快速反馈的能力，关乎用户体验；动态可扩展性指的是推荐系统根据动态变化数据实时更新推荐策略的能力，关乎系统生命周期。推荐系统的实时性和动态可扩展性非常关键，不亚于推荐算法精度的重要程度。机器学习算法已经在许多领域展示出强大的数据处理能力，是解决推荐系统实时推荐的最优选择。但是由于主流机器学习算法不擅长处理推荐系统中的网络数据，且静态的机器学习算法模型不能够根据动态变化的网络数据实时更新，制约了主流机器学习算法在推荐系统领域的推广。针对上述问题，我们提出用网络表征学习算法将动态变化的网络数据转化为实时更新的节点矢量，之后再用静态的机器学习算法模型进行快速预测，从而实现推荐系统的实时动态反馈，提升推荐系统的整体实用性。

针对目前推荐系统还缺乏实时性和动态可扩展性的问题，提出结合网络表征学习算法和机器学习算法来设计新的推荐系统，以适应日益增长的大规模动态数据，并为用户提供实时动态的个性化推荐。围绕研究目标，分析了现有算法在网络拓扑结构捕捉方面的不足，提出了可调节一阶接近度和高阶接近度的网络表征学习算法；克服了两级对抗网络模型无法处理非欧式距离（non-Euclidean）数据的瓶颈，创新性的提出三级对抗网络框架，使网络表征学习模型的鲁棒性得到了显著的提升；提出了方面感知的异质网络表征模型，通过设计的Aspect-Aware注意力机制以及点-边协同目标函数，实现了根据任务自适应学习节点表示的网络表征学习模型；基于生成对抗网络（GAN）提出一种可扩展的、实时模糊推荐算法。基于上述研究内容，超额完成研究任务，发表或录用论文8篇，包括SCIE论文5篇（中科院一区2篇，中科院二区2篇，中科院三区1篇），CCF A/B类中文期刊各一篇，CCF C类国际会议一篇，得到学术与业界研究机构的国际知名学者正向引用评价，产生了积极影响。基于上述成果，申请国家发明专利3项，软件著作权1项，为网络表征学习算法在多个领域的应用落地提供了有益探索。