课题责任人:景丽萍

研究目标和研究内容:

为高效快速地为用户从日益增多的海量信息中推荐其感兴趣的内容,本项目专注推荐系统核心技术之矩阵分解方法,拟突破传统模型设计和优化求解的关键技术,扩展矩阵分解处理推荐问题的能力。

项目组将重点开展:

1)融合多源信息的推荐模型研究;

2)推荐数据稀疏性建模研究;

3)推荐模型并行求解算法研究。

项目预期从理论研究和技术创新上取得以下成果:揭示实际应用中推荐数据的特点(多源性、稀疏性、子空间存在性等),提出融合多源信息的推荐模型,强调信息融合与推荐算法效用相互结合;研究稀疏分布、概率模型学习、及子空间学习理论,提出推荐数据稀疏性建模和共享子空间识别方法,有效解决长尾物品推荐问题;研究优化理论和并行化思想,提出并行化、高扩展性的推荐模型求解优化算法。项目在应用层面将设计出基于矩阵分解的推荐方法接口,使其满足各领域高维度大数据环境推荐系统的需求。