个性化推荐研究：融合多源信息、时序、地理信息、社会关系和深度学习

4.1 基于融合多源信息的推荐方法和时序推荐方法的个性化推荐研究

例如刘业政等基于传统的 MF 和 PMF 方法，提出了一种融合多源信息的推荐方法和时序推荐方法。将用户偏好建模成其历史偏好和群影响的加权聚合结果，将群偏好建模成群历史偏好和新加入成员偏好的加权聚合结果，最终预测群体可能消费的产品列表和成员可能加入的群体列表。有效的解决了现有推荐算法没有体现用户偏好和群偏好的交互作用。

主要研究步骤如下：

基于用户的加群行为和群体的消费行为，构建群体和用户的动态交互模型，模拟群体和用户从 1 到 T 时刻的偏好变化。
根据 T 时刻的群偏好和用户偏好，预测 T+1 时刻用户的加群行为。
根据 T+1 时刻的用户加群行为，预测群体在 T+1 时刻的群偏好，进而给群体推荐其在 T+1 时刻才刻感兴趣的产品

4.2 基于地理信息和社会关系的个性化POI推荐研究

对于对不同上下文建模并融合的过程中忽略了其内在联系，导致上下文信息未得到充分利用以及将上下文模型融合到用户自身偏好模型时，未考虑上下文信息对用户历史签到记录的不同影响的问题，安敬民等根据用户的活动轨迹刻画出其日常活动区域，并探索了不同用户间的地理距离分布以及活动轨迹的相似度以建模社会关系对用户签到的影响。，使用带有自适应带宽的核密度估计方法评估 POI 间的地里相关性，以建模 POI 地理信息对用户签到的影响。最后，将用户社会关系模型和 POI 地理信息模型与用户自身偏好模型融合，使用改进的加权矩阵分解技术求解用户的个性化 POI 推荐。

4.3 基于图卷积神经网络的推荐引擎研究

对于现有算法对隐式交互数据的挖掘不充足，推荐背后的知识指导作用不明显，面向实践的推荐系统软件有缺失等问题，歹杰等提出基于图卷积神经网络的推荐引擎，将隐式交互数据建模为异构图，深入挖掘其关联关系。

在数据建模方面，将不同的用户交互行为构建成统一的异构图，作为后续图卷积学习的基础框架，方便对用户与课程节点展开表征学习；在算法设计方面，将用户心理融入到具有强大表征学习能力的 GNN 深度学习算法中，实现对隐式关联关系的挖掘；在系统架构方面，设计了面向真实在线购物场景的多阶段推荐流水线，并开发了对应原型软件，在重型深度学习和轻型在线推荐之间实现了平衡。

4.4 基于双重商品注意力机制和深度学习网络的个性化预测研究

邵英玮等综合考虑了商品价格与用户购买行为。随后，根据所发现的互补性关系，进一步提出了结合双重商品注意力机制和深度学习网络的 LCDM 模型来个性化预测同一订单用户最有可能会购买的商品，并在真实移动支付数据集上的对比实验验证了所提出模型的有效性。