近日，重慶研究院大數據挖掘及應用中心團隊在建立長期有效的推薦系統研究方面取得進展，研究人員率先提出了推薦系統個性化的概念，并對推薦系統的個性化和建立長期有效的推薦系統進行了系統地研究。 

　　由于信息技術的不斷發展和互聯網經濟的日益繁榮，使得人們被迫生活在一個信息爆炸的大數據時代，人們每天都要被迫面對大量各種各樣的信息，從而造成了嚴重的信息過載問題。如何從海量看似無關的數據中快速有效地篩選和找到用戶感興趣的信息，是迫切需要解決的問題。目前解決信息過載問題主要有兩個技術：搜索引擎和推薦系統。搜索引擎往往被動地返回與用戶給定查詢關鍵字相匹配的內容，而推薦系統可以主動預測用戶可能感興趣的信息。事實上，目前搜索引擎也在不斷植入推薦技術，因此從長遠角度來看，推薦系統將是解決信息過載問題的最有效手段。然而，現有的推薦系統往往使用單一的推薦算法，即使采用多種算法進行混合，因為各個參數在使用時對所有用戶也是固定不變的，因此仍然可以視為一個單一的推薦算法。雖然單一的推薦算法可以在一定程度上提升推薦系統的性能，但是這些方法往往忽略了用戶興趣愛好隨時間變化、選擇行為的差異性以及使用推薦系統的長期效應（如對系統健康性的影響）等這些因素。 

　　針對這些新的問題，該研究團隊首先提出了一種算法參數個性化的推薦算法，通過為不同的用戶設置不同的參數來混合兩個不同的推薦算法。相比固定參數和單一推薦算法，該方法可以獲得更好的推薦效果。其次，該研究團隊認為理想的推薦系統，應該是每個用戶都采用最適合他們自己的推薦算法，即推薦算法的個性化，在該方面的研究中，研究團隊提出了實現推薦算法個性化的兩類方法：其一是把選擇權交給用戶，系統提供某種機制讓用戶實現算法的自主選擇，其二是系統通過深入挖掘每個人的行為模式，自動發現用戶最佳的推薦算法，并提供一種機制讓用戶確認。最后，為了評測使用推薦系統的長期效應，該研究團隊提出了一種推薦網絡演化模型，并在演化網絡上，對推薦算法個性化的推薦系統的長期效應進行了分析。實驗結果表明，對于采用單一推薦算法的推薦系統，采用推薦算法個性化的推薦系統在顯著提高推薦精度的同時，可以在推薦精度和系統的健康性方面起到很好的均衡作用。 

　　由于推薦系統被認為是在大數據時代解決信息過載問題最有希望的技術，該研究在解決推薦系統的長期有效性問題方面取得了一定的突破，在推薦系統個性化發展方面提供了一定的理論基礎和技術保障，對設計下一代高效率的推薦系統具有很好的指導作用。 

　　上述研究內容獲得國家自然科學基金項目和重慶市基礎科學與前沿研究技術重點專項支持。