社交推薦中的用戶相似度優(yōu)化研究

　　本文通過對推薦系統(tǒng)中用戶相似度的設(shè)計優(yōu)化，解決了目前推薦系統(tǒng)中“確定的”數(shù)據(jù)無法準(zhǔn)確描述人類模糊性情感的問題展開。推薦系統(tǒng)中相似度研究的目標(biāo)是盡可能的模擬人對研究對象的主觀感受，從工程角度來說是模擬同主觀認(rèn)知盡可能一致的客觀相似度組合模型。主觀尋找相似用戶的過程可分為“感知、理解和評價”三個階段，基于此，本文提出了一種符合主觀特點(diǎn)的客觀相似度組合模型框架，主要工作圍繞三個階段展開如下：本文從代表性的相似度算法分析入手，分析影響用戶評分行為的相似性因素。同時，針對目前確定性數(shù)值化評分無法精準(zhǔn)描述主觀模糊判斷的問題，采用三角模糊數(shù)的手段對主觀情感模糊化，更貼近人類非確定的表達(dá)習(xí)慣。并提出了新的用戶評分相似度，實現(xiàn)了用戶相似性多角度模糊感知工作。其次，針對數(shù)據(jù)稀疏性和冷啟動等問題，本文引入外部屬性數(shù)據(jù)在局部感知用戶評分相似性的基礎(chǔ)上全局理解用戶相似度，后設(shè)計出具有“因果”關(guān)系的多層上下文可感知模型，解決目前使用深度學(xué)習(xí)帶來的可解釋性不強(qiáng)的問題，實現(xiàn)動態(tài)的個性化推薦。后，評價則是以更加多樣的視角評定推薦的好壞。所以本文設(shè)計了具有降低推薦噪音的魯棒性系統(tǒng)評價指標(biāo)，在考慮評分準(zhǔn)度的同時考慮推薦的排序準(zhǔn)確度等，解決目前推薦系統(tǒng)評價體系無法完整的、公平的比較算法優(yōu)劣的問題。

　　韓迪，計算機(jī)技術(shù)及其應(yīng)用專業(yè)博士、副教授、碩士生導(dǎo)師。現(xiàn)任廣東金融學(xué)院專任教師、開源中國Gitee技術(shù)顧問，曾任香港理工大學(xué)副研究員。主持廣東省自然科學(xué)重點(diǎn)領(lǐng)域?qū)ｍ?項以及主持廣東省自然科學(xué)青年項目1項，并作為主要參與者參與、省部級課題多項。近五年來發(fā)表SCI核心刊物論文共7篇，EI及中文核心共6篇，主編出版4本相關(guān)領(lǐng)域教材專著。同時，擁有20余年的軟件開發(fā)經(jīng)驗，對移動開發(fā)和機(jī)器學(xué)習(xí)有著深入的研究。目前，從事將人工智能與金融科技相結(jié)合的教學(xué)與研究工作。