实验室研究方向一：个性化推荐

个性化推荐研究方向

互联网上存在大量冗余信息，干扰用户的决策，这种问题被称为信息过载。个性化推荐系统的作用是通过目标用户的属性信息和历史行为记录，预测用户的兴趣偏好，辅助用户做出决策。目前组内推荐方面的研究内容如下：

1. 基于矩阵分解/张量分解的推荐算法研究

矩阵分解是近年最流行的协同过滤推荐方法，它通过建模用户-物品二维评分矩阵，学习用户的潜在偏好特征，经典模型有SVD，SVD++等；张量分解是矩阵分解在高维的扩展。
矩阵分解扩展性强，便于进一步融合用户社交和隐式反馈等额外信息，提高推荐精度。
需要基础的Python或java编程能力。

2. 跨域推荐算法研究

跨域推荐是指根据用户对某类物品的兴趣偏好预测其对不同领域的另一类物品的偏好，常用于解决冷启动问题，例如：根据用户的观影记录去预测其喜欢的音乐。
需要基础的Python编程能力。

3. 基于强化学习的推荐算法研究

基于强化学习的推荐是指利用强化学习相关算法，将推荐系统中的交互行为按时序进行训练，根据用户的即时反馈在训练过程中调整学习到的用户偏好，常常在时序处理数据集时使用。典型的方法有Q-learning、SARSA、以及DQN、DDPG等。
需要Python编程基础，深度学习基础。

4. 低秩张量补全研究

研究张量计算的基础理论，利用数据低秩的特性，对张量进行补全，改进基础的CP、Tucker、TT张量分解模型。
需要较强的数学基础。

5. 张量分解高性能计算研究

相比于矩阵分解，张量分解算法的时间和空间复杂度更高。通过任务分割、任务调度等方法，优化模型训练过程，可以降低张量分解的时空复杂度。
需要C、C++编程能力。