项目名称: 面向推荐系统中异构隐式反馈建模的迁移学习技术研究

项目编号: No.61502307

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 其他

项目作者: 潘微科

作者单位: 深圳大学

项目金额: 21万元

中文摘要: 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。

中文关键词: 迁移学习;隐式反馈;异构反馈

英文摘要: 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.

英文关键词: Transfer Learning;Implicit Feedbacks;Heterogeneous Feedbacks

成为VIP会员查看完整内容
5

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
知识驱动的推荐系统:现状与展望
专知会员服务
68+阅读 · 2021年11月22日
专知会员服务
25+阅读 · 2021年6月9日
【AAAI2021】预训练用户表示提升推荐
专知会员服务
43+阅读 · 2021年2月8日
【WWW2021】基于图神经网络的社交好友排序
专知会员服务
48+阅读 · 2021年2月3日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
专知会员服务
47+阅读 · 2020年10月20日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
专知会员服务
87+阅读 · 2020年1月20日
推荐系统中的用户表示预训练技术(含代码数据)
知识驱动的推荐系统:现状与展望
专知
1+阅读 · 2021年11月22日
CIKM 2021 | 自监督学习在社会化推荐系统中的应用
PaperWeekly
0+阅读 · 2021年11月14日
基于知识图谱的推荐系统总结
机器学习与推荐算法
4+阅读 · 2021年11月11日
SIGIR 2021 | 推荐系统中的多行为建模
PaperWeekly
1+阅读 · 2021年10月9日
厦大最新《强化学习推荐系统》综述论文
机器学习与推荐算法
7+阅读 · 2021年9月24日
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Hierarchical Graph Capsule Network
Arxiv
20+阅读 · 2020年12月16日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
小贴士
相关VIP内容
知识驱动的推荐系统:现状与展望
专知会员服务
68+阅读 · 2021年11月22日
专知会员服务
25+阅读 · 2021年6月9日
【AAAI2021】预训练用户表示提升推荐
专知会员服务
43+阅读 · 2021年2月8日
【WWW2021】基于图神经网络的社交好友排序
专知会员服务
48+阅读 · 2021年2月3日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
专知会员服务
47+阅读 · 2020年10月20日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
专知会员服务
87+阅读 · 2020年1月20日
相关资讯
推荐系统中的用户表示预训练技术(含代码数据)
知识驱动的推荐系统:现状与展望
专知
1+阅读 · 2021年11月22日
CIKM 2021 | 自监督学习在社会化推荐系统中的应用
PaperWeekly
0+阅读 · 2021年11月14日
基于知识图谱的推荐系统总结
机器学习与推荐算法
4+阅读 · 2021年11月11日
SIGIR 2021 | 推荐系统中的多行为建模
PaperWeekly
1+阅读 · 2021年10月9日
厦大最新《强化学习推荐系统》综述论文
机器学习与推荐算法
7+阅读 · 2021年9月24日
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
相关基金
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员