上下文感知推荐研究近年来在推荐系统领域十分流行,因为通过对上下文信息的挖掘,这类推荐系统能更好地完成个性化推荐任务。上下文信息和推荐系统中的两个核心实体(用户和物品)有着紧密的联系,从这个角度看,上下文信息又可以被称为属性,主要包括用户属性和物品属性。围绕属性进行建模的技术不断发展且日新月异,然而,上下文推荐中的属性建模仍然面临这些问题:(1)现有的方法对属性的处理不够灵活;(2)已有的属性交互模型过于复杂而且没有针对性;(3)不同推荐任务对属性建模的要求不同;(4)通用的推荐算法受不同领域的属性影响较大;(5)不同记录对用户偏好的影响差异巨大。针对这些挑战,本文提出了属性提升与偏好集成两类策略来优化上下文感知推荐。首先,属性提升技术可以分别完成推荐系统中的评分预测和物品推荐两大任务;其次,偏好集成方法可以在属性提升的基础上改善预测结果;最后,偏好集成可以被改进成综合的推荐框架,完成一般化的推荐任务。具体的研究工作展开如下:(1)以评分预测为任务的局部提升与偏好集成研究以属性提升项为基础,局部提升技术通过用户、物品和属性类型三个角度完成属性交互。以梯度下降配合采样技术的局部学习策略,可以对提升框架进行高效训练,完成三个角度的偏好整合并形成局部的偏好预测值。以局部提升为基础的偏好集成方法使用了梯度提升树,实现多种偏好整合来得到用户的总体兴趣。局部偏好与总体兴趣一起,可以生成最终的评分预测值。实验证明,单纯的局部偏好预测已比流行的上下文方法(例如分解机)更准确,而且,在加入总体偏好之后,评分预测的准确度又有了进一步的提高。(2)以物品推荐为任务的全局提升与偏好集成研究全局提升的主要思路是通过属性邻居降低特定领域对属性建模的负面影响。首先,通过计算相似属性得到用户属性邻居和物品属性邻居;接着,对属性邻居进行单个集成,实现属性的领域无关化;最后,提出三种新型的交互方法完成全局物品推荐器。为了完善全局物品推荐器,偏好集成使用了局部低秩近似技术,给每个邻居赋予一个灵活的权重用来表达其贡献,进行多邻居集成与交互来完成推荐。实验验证了全局提升技术更不易受到特定领域的干扰,在加入全局偏好集成后,模型性能相对于先进的物品推荐器(如点对张量分解)有着更明显的优势。(3)以分部学习为基础的综合偏好集成框架与基于属性提升的两类偏好集成技术不同,综合的偏好集成方法把重点放在记录的分配与建模上。该框架的核心是分部学习策略,即通过记录划分、偏好挖掘、偏好集成三个有序的步骤完成推荐。首先,采用小组划分树完成对原始记录划分,并产生小组偏好;然后,以小组为单位,建立一个轻量级的回归模型用来捕捉组中特定用户的局部偏好;最后,通过对小组偏好和局部偏好的整合,得到用户的整体喜好,实现了综合的偏好集成推荐器。实验证明了通过灵活地调节模型粒度,综合偏好推荐器可以适应不同的数据集从而达到最佳性能,而且,该框架能以较高的准确度完成两大推荐任务。综上所述,通过提出属性提升与偏好集成策略,本文以多种方式优化了上下文感知推荐,完成了推荐系统中的两个主要任务。这是对属性建模与偏好预测的新尝试,为挖掘更深层次的用户兴趣提供了思路。因此,该主题有较大的理论研究价值与积极的实际应用意义。