基于异质信息网络的推荐系统研究综述

推荐系统旨在为用户提供个性化匹配服务,从而有效缓解大数据时代的信息过载问题,并且改善用户体验,增加用户粘性,极大地促进了电子商务等领域的发展。然而,在实际应用场景中,由于数据稀疏和冷启动问题的存在,推荐系统往往难以得到精准的推荐结果;而复杂的模型设计也导致推荐系统的可解释性不尽如人意。因此,如何充分利用交互、属性、以及各种辅助信息提升推荐的性能和可解释性是推荐系统的核心问题。另一方面,异质信息网络作为一种全面地建模复杂系统中丰富的结构和语义信息的方法,在融合多源信息、捕捉结构语义等方面具有显著优势,已经被成功应用于相似性度量、节点聚类、链接预测、排序等各种数据挖掘任务中。近年来,采用异质信息网络统一建模推荐系统中不同类型对象的复杂交互行为、丰富的用户和商品属性以及各种各样的辅助信息,不仅有效地缓解了推荐系统的数据稀疏和冷启动问题,而且具有较好的可解释性,并因此得到了广泛关注与应用。本文旨在对基于异质信息网络的推荐系统进行全面地综述,首次系统地梳理现有工作,弥补该领域缺乏综述的空白。具体而言,本文首先介绍了异质信息网络和推荐系统的核心概念和背景知识,简要回顾了异质信息网络和推荐系统的研究现状,并且阐述了将推荐系统建模为异质信息网络的一般步骤。然后,本文根据模型原理的不同将现有方法分为三类,分别是基于相似性度量的方法、基于矩阵分解的方法和基于图表示学习的方法,并对每类方法的代表性工作进行了全面的介绍,指出了每类方法的优缺点和不同方法之间的发展脉络与内在关系。最后,本文讨论了现有方法存在的问题,并展望了该领域未来的几个潜在的研究方向。

众筹项目的社交网络影响力预测与分析

针对众筹项目由于社会影响力不足而成功率较低的问题,提出了面向众筹平台的社交网络影响力预测方法。该方法基于众筹网站和社交网络的实时观测数据,分别提取累积和增量等多类别预测特征,并随着社会推广的进行而渐进地预测项目的社交网络影响力增益,最后采用带L1一范数约束惩罚的逻辑回归等方法进行预测特征分析。实验结果表明:在整个推广过程中,众筹项目的社交网络影响力可以被精确预测,准确率最高达88.31%;分类器在采用累积特征时具有比采用增量特征更好的预测效果;项目统计特征和推广者的社会影响力等特征具有更高的重要性和更稳定的显著性。该方法成功地解决了众筹项目的社会影响力预测问题,并为设计更好的社交网络推广策略提供了依据。