神馬電影午夜第九理論

信息公開網站地圖聯系我們 │ │ │
  科研進展
  您現在的位置:首頁 > 科研進展 > 科研進展
神馬電影午夜第九理論在個性化推薦技術研究中取得系列進展
2017-08-21| 編輯:信息所大數據挖掘中心 | 【

  近日,神馬電影午夜第九理論大數據挖掘及應用中心團隊在個性化推薦技術研究,以及推薦算法的個性化和長期有效等方面取得系列研究進展。

  個性化推薦技術是一種幫助人們在海量信息中獲取對自己有用信息的技術。大數據時代尤其需要個性化推薦技術。目前實現大數據個性化的技術主要包括搜索引擎和推薦系統,其中搜索引擎根據用戶主動查詢關鍵字被動地返回相匹配的信息,而推薦系統通過對用戶的學習理解主動尋找用戶可能感興趣的信息,F代的搜索引擎也在不斷植入推薦技術。由于推薦技術的巨大價值,人們對其進行了大量研究,取得了很多成果,是信息技術研究的前沿和熱點。

  神馬電影午夜第九理論大數據中心在前期研究中,提出了長期有效的推薦系統,以及推薦系統從個性化算法到算法的個性化等研究課題。這些研究,對于解決推薦系統經過長期運行逐漸傾向推薦流行的對象,從而導致推薦算法失效;或者因為推薦系統為了獲得全局最優,實際上使得每個用戶都不能獲得最優推薦等問題,進行了有益探索。

  在基于推薦系統研究中廣泛應用的一個基準算法(Slope-One算法)方面,研究團隊提出了一種個性化算法,該算法針對用戶的興趣行為偏好,計算用戶相關的算法參數值,來達到推薦個性化的目的。實驗結果表明,相對固定參數算法,算法個性化參數可以有效提升推薦精度;為了解決靜態推薦算法在面對動態數據集時存在效率低下,甚至無法運行的問題,研究團隊提出了一種增量式Slope-One推薦算法,用于降低推薦算法的計算復雜度。主要是基于Slope-One靜態算法的更新規則,通過計算數據更新來計算相對應的參數更新。研究結果表明,相對于靜態算法,增量式算法在保證推薦精度的同時,具有較短的運行時間;為了驗證推薦算法的長期有效性,研究團隊提出了一種基于推薦算法驅動的在線系統演化模型,該模型通過二部分圖網絡來模擬真實在線系統當中用戶選擇和信息推薦長期交互的復雜過程;谠撗莼P,對目前流行的多種推薦算法長期有效性進行了對比分析。研究結果表明,在推薦算法長期運行過程中,基于優化的推薦算法(如Latentfactormodel,LFM)更有利于保證系統獲得較高的推薦精度,而基于實體關系的推薦算法(如Item-based CollaborativeFilter, ICF)更傾向于保證系統的推薦多樣性和新穎性。

  論文鏈接: 

   

   

   

  http://ieeexplore.ieee.org/abstract/document/8000127/ 

   

Slope-a算法中個性化參數a在不同數據集上的分布

增量式算法和靜態算法計算效率比較

  不同推薦算法在動態演化模型上的性能表現(a)推薦精度(b)推薦多樣性(c)推薦新穎性 

 

 

 

 
 
神馬電影午夜第九理論 版權所有
地址:重慶市北碚區方正大道266號 郵編:400714
聯系電話:(023)65935555 傳真:023-65935000
胜平负14场