● 摘要
在个性化推荐系统中，用户兴趣模型作为对用户兴趣的可计算描述，是实现个性化推荐服务的核心所在。由于存在兴趣漂移，推荐系统需要根据用户当前兴趣快速调整兴趣模型，以确保准确快速地描述用户最新的兴趣偏好。奇异发现问题是近年来个性化推荐系统发展需要解决的热点问题之一，奇异发现推荐的实现需要个性化推荐服务系统在服务流程的各个处理环节予以支持，对于兴趣模型的学习/更新环节而言，要求其能够实现兴趣模型的增量更新，并能够准确检测兴趣漂移的发生，为提取稳定短期兴趣状态提供支持。本文在对现有兴趣模型增量学习方法进行较深入研究的基础上，基于概率论与统计学的理论基础，提出了一种面向奇异发现推荐的兴趣模型反馈更新机制，利用门户个性化推荐服务的用户反馈信息，对用户兴趣模型进行增量式更新。采用了基于指数近度加权平均的兴趣模型增量更新算法更新用户兴趣模型，以概率形式处理连续数值型用户反馈，在更新过程中，确保了反馈信息未涉及到的兴趣类别数据不会丢失，同时保证了最新学习到的用户兴趣数据在兴趣模型描述中占有最大的贡献比例，从而实现了对兴趣漂移的及时响应。引入了基于兴趣漂移假设检验的控制策略控制兴趣模型的更新过程，利用统计学假设检验方法检测兴趣漂移和噪声数据，从而一定程度上避免了噪声数据对兴趣模型描述准确程度的影响，同时为提取稳定短期兴趣状态提供了支持。在不同学习任务上进行的兴趣预测精度对比实验表明，本文提出的兴趣模型反馈更新机制对现有方法的改进是有效的，基于本文方法，个性化推荐服务能够在存在兴趣漂移和反馈噪声的情况下达到相对稳定的兴趣预测精度。本文根据应用需求和所提出方法的特点，提出了一个引入兴趣模型反馈更新机制的门户个性化推荐服务系统的设计方案，将所提出的反馈更新机制应用到了个性化推荐服务系统中。