推荐系统的研究

亲爱的 Prof.Choi：

我的研究兴趣主要是大数据和人工智能技术在推荐系统的应用与优化。推荐系统是信息过滤系统的一个子类，它根据用户的偏好和行为，来呈现出用户可能感兴趣的物品。推荐系统会尝试去预测你对一个物品的喜好，以此向你推荐一个你很有可能会喜欢的物品。

         推荐系统是1995年3月，卡耐基.梅隆大学的RobertArmstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher后由斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA。通过20多年的快速发展，它现在已经实现了根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐。

推荐系统主要有三个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。并通过以下五个推荐方法：①基于内容推荐 ②协同过滤推荐 ③基于关联规则推荐 ④基于效用推荐 ⑤基于知识推荐，来呈现出用户可能感兴趣的物品。

现有推荐系统的推荐结果存在计算可信度比较低，推荐结果的可解释性不足，难以让用户信服。系统处理对象复杂性高，可扩展性不好。当新用户增多时，推荐记录会出现不准确的情况等。给我们的生活体验带来了很多不便之处。

我计划在现有的推荐系统的基础上添加混合型推荐方法来弥补各个算法之间的缺点。我计划用到的混合方法如下：

1、加权融合(Weighted)：将多种推荐技术的计算结果加权混合产生推荐。
2、切换(Switch)：根据问题背景和实际情况采用不同的推荐技术。

3、混合(Mix)：将多种不同的推荐算法推荐出来的结果混合在一起，其难点是如何重排序。

4、特征组合(Feature Combination)：将来自不同推荐数据源的特征组合起来，由另一种推荐技术采用。

5、级联型(Cascade)：用后一个推荐方法优化前一个推荐方法。

6、特征递增(Feature Augmentation)：前一个推荐方法的输出作为后一个推荐方法的输入，它与级联型的不同之处在于，这种方法上一级产生的并不是直接的推荐结果，而是为下一级的推荐提供某些特征。

7、元层次混合(Meta-level hybrid)：将不同的推荐模型在模型层面上进行深度的融合，而不仅仅是把一个输出结果作为另一个的输入。

通过以上混合推荐方法的学习和研究，来让现有的推荐系统更加智能，更加人性化。同时，我也会积极学习英语，提高自己英语听、说、读、写的水平，并用最快的时间适应学习环境。希望老师给我一个学习的机会，我会积极发表与我研究计划相同的论文。并且在团队中积极的与队员合作。

希望老师能够给我一个在您实验室里学习的机会。

 

谢谢