面向推荐系统中异构隐式反馈建模的迁移学习技术研究

Intelligent recommendation techniques have been an effective way to address the information overload challenge and to provide personalization services. However, most recommendation algorithms focus on users' homogeneous explicit feedbacks such as ratings and homogeneous implicit feedbacks such as transactions instead of heterogeneous implicit feedbacks. As an important research direction, modeling of heterogeneous implicit feedbacks (HIF) has the potential to mine users' preferences from users' different types of implicit feedbacks such as transactions and examinations, so as to provide better personalization services. So far, there have been very few research works on HIF, which is associated with some fundamental challenges, e.g., high uncertainty of users' true preferences, and heterogeneity and sparsity of users feedbacks. As a response, in this project, we aim to study the HIF problem and design some transfer learning techniques to mine users' true preferences, which shall provide new data modeling methods and algorithm design ideas for HIF. Specifically, we aim to study three problems for HIF, including knowledge transfer styles, mixed transfer learning, and multidimensional evaluation. The proposed theory and algorithms are expected to enrich the research works on transfer learning, preference handling and recommender systems, and to provide a solution for real deployment of HIF in e-commerce and other internet recommender systems.

智能推荐技术作为应对信息过载问题和提供个性化服务的有效手段，具有重要的研究价值和广泛的应用需求。然而，推荐算法的研究往往限于用户对物品的同构显式反馈（如评分）和同构隐式反馈（如购买），较少涉及异构隐式反馈等更为常见的问题。异构隐式反馈（HIF）建模作为推荐系统领域的一个重要发展方向，旨在挖掘多种隐式反馈（如购买、浏览等）背后的用户偏好，进而提供更好的个性化服务。目前，HIF的研究成果还很少，面临着用户真实偏好的不确定性、用户反馈的异构性和稀疏性等挑战。为此，本项目拟研究相应的迁移学习技术来深入挖掘用户的真实偏好，为HIF中的关键问题提供新的数据建模方法和算法设计思路。本项目拟重点研究面向HIF的“迁移学习模式”、“混合迁移学习”和“多维度效果评估”等几个方面，所提出的理论和算法，可望丰富迁移学习、偏好处理、推荐系统等领域的研究成果，并为HIF在电子商务等互联网推荐系统中的应用提供解决方案。

智能推荐技术作为应对信息过载问题和提供个性化服务的有效手段，具有重要的研究价值和广泛的应用需求。然而，推荐算法的研究往往限于用户对物品的同构显式反馈（如评分）和同构隐式反馈（如购买），较少涉及异构隐式反馈等更为常见的问题。异构隐式反馈（HIF）建模作为推荐系统领域的一个重要发展方向，旨在挖掘多种隐式反馈（如购买、浏览等）背后的用户偏好，进而提供更好的个性化服务。目前，HIF的研究成果还很少，面临着用户真实偏好的不确定性、用户反馈的异构性和稀疏性等挑战。为此，本项目研究了相应的迁移学习技术来深入挖掘用户的真实偏好，为HIF中的关键问题提供了新的数据建模方法和算法设计思路。本项目重点研究了面向HIF的“迁移学习模式”、“混合迁移学习”和“多维度效果评估”等几个方面，所提出的理论和算法，可望丰富迁移学习、偏好处理、推荐系统等领域的研究成果，并为HIF在电子商务等互联网推荐系统中的应用提供解决方案。在本项目的支持下，项目组已发表（含录用）学术论文20篇（含ACM TOIS, ACM TIST, ACM TIIS, KAIS, IEEE Intelligent Systems共7篇），研究成果获知名国际学术期刊ACM TIIS 2016年度唯一的最佳论文奖。本项目通过对异构隐式反馈数据建模方法和知识共享方法的深入研究，提出了多个迁移学习技术和相应的推荐算法，有效提升了个性化推荐的效果。