社交推荐中的用户相似度优化研究

　　本文通过对推荐系统中用户相似度的设计优化，解决了目前推荐系统中“确定的”数据无法准确描述人类模糊性情感的问题展开。推荐系统中相似度研究的目标是尽可能的模拟人对研究对象的主观感受，从工程角度来说是模拟同主观认知尽可能一致的客观相似度组合模型。主观寻找相似用户的过程可分为“感知、理解和评价”三个阶段，基于此，本文提出了一种符合主观特点的客观相似度组合模型框架，主要工作围绕三个阶段展开如下：本文从代表性的相似度算法分析入手，分析影响用户评分行为的相似性因素。同时，针对目前确定性数值化评分无法精准描述主观模糊判断的问题，采用三角模糊数的手段对主观情感模糊化，更贴近人类非确定的表达习惯。并提出了新的用户评分相似度，实现了用户相似性多角度模糊感知工作。其次，针对数据稀疏性和冷启动等问题，本文引入外部属性数据在局部感知用户评分相似性的基础上全局理解用户相似度，后设计出具有“因果”关系的多层上下文可感知模型，解决目前使用深度学习带来的可解释性不强的问题，实现动态的个性化推荐。后，评价则是以更加多样的视角评定推荐的好坏。所以本文设计了具有降低推荐噪音的鲁棒性系统评价指标，在考虑评分准度的同时考虑推荐的排序准确度等，解决目前推荐系统评价体系无法完整的、公平的比较算法优劣的问题。

　　韩迪，计算机技术及其应用专业博士、副教授、硕士生导师。现任广东金融学院专任教师、开源中国Gitee技术顾问，曾任香港理工大学副研究员。主持广东省自然科学重点领域专项1项以及主持广东省自然科学青年项目1项，并作为主要参与者参与、省部级课题多项。近五年来发表SCI核心刊物论文共7篇，EI及中文核心共6篇，主编出版4本相关领域教材专著。同时，拥有20余年的软件开发经验，对移动开发和机器学习有着深入的研究。目前，从事将人工智能与金融科技相结合的教学与研究工作。