近日，重庆研究院大数据挖掘及应用中心团队在个性化推荐技术研究，以及推荐算法的个性化和长期有效等方面取得系列研究进展。

　　个性化推荐技术是一种帮助人们在海量信息中获取对自己有用信息的技术。大数据时代尤其需要个性化推荐技术。目前实现大数据个性化的技术主要包括搜索引擎和推荐系统，其中搜索引擎根据用户主动查询关键字被动地返回相匹配的信息，而推荐系统通过对用户的学习理解主动寻找用户可能感兴趣的信息。现代的搜索引擎也在不断植入推荐技术。由于推荐技术的巨大价值，人们对其进行了大量研究，取得了很多成果，是信息技术研究的前沿和热点。

　　重庆研究院大数据中心在前期研究中，提出了长期有效的推荐系统，以及推荐系统从个性化算法到算法的个性化等研究课题。这些研究，对于解决推荐系统经过长期运行逐渐倾向推荐流行的对象，从而导致推荐算法失效；或者因为推荐系统为了获得全局最优，实际上使得每个用户都不能获得最优推荐等问题，进行了有益探索。

　　在基于推荐系统研究中广泛应用的一个基准算法（Slope-One算法）方面，研究团队提出了一种个性化算法，该算法针对用户的兴趣行为偏好，计算用户相关的算法参数值，来达到推荐个性化的目的。实验结果表明，相对固定参数算法，算法个性化参数可以有效提升推荐精度；为了解决静态推荐算法在面对动态数据集时存在效率低下，甚至无法运行的问题，研究团队提出了一种增量式Slope-One推荐算法，用于降低推荐算法的计算复杂度。主要是基于Slope-One静态算法的更新规则，通过计算数据更新来计算相对应的参数更新。研究结果表明，相对于静态算法，增量式算法在保证推荐精度的同时，具有较短的运行时间；为了验证推荐算法的长期有效性，研究团队提出了一种基于推荐算法驱动的在线系统演化模型，该模型通过二部分图网络来模拟真实在线系统当中用户选择和信息推荐长期交互的复杂过程。基于该演化模型，对目前流行的多种推荐算法长期有效性进行了对比分析。研究结果表明，在推荐算法长期运行过程中，基于优化的推荐算法（如Latentfactormodel，LFM）更有利于保证系统获得较高的推荐精度，而基于实体关系的推荐算法（如Item-based CollaborativeFilter, ICF）更倾向于保证系统的推荐多样性和新颖性。

　　论文链接： 

　　http://iopscience.iop.org/article/10.1088/0256-307X/34/6/068902/meta 

　　http://dx.doi.org/10.1016/j.neucom.2017.07.033 

　　http://dx.doi.org/10.1016/j.neucom.2017.06.026 

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

　　http://d.wanfangdata.com.cn/periodical/scsfxyxb-zr201601009 

Slope-a算法中个性化参数a在不同数据集上的分布

增量式算法和静态算法计算效率比较

　　不同推荐算法在动态演化模型上的性能表现（a）推荐精度（b）推荐多样性（c）推荐新颖性