基于用户群体行为建模的跨域多模态信息搜索和内容推荐-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

基于用户群体行为建模的跨域多模态信息搜索和内容推荐

项目名称：基于用户群体行为建模的跨域多模态信息搜索和内容推荐
项目类别：海外及港澳学者合作研究基金
批准号：61129001
申请代码：F010403
项目来源：国家自然科学基金
研究期限：2012-01-01-2015-12-31

项目负责人：查宏远
依托单位：上海交通大学
批准年度：2011

中文摘要：

查宏远，佐治亚理工学院教授,上海交通大学客座教授。在矩阵计算与信息检索领域，取得开创性成果奠定广义奇异值分解的基础，获国际数值分析领域最高奖Fox Prize；其局部切空间对齐算法是目前综合性能最优的流形学习算法之一；负责构建世界首个商用目录搜索引擎；以往发表的100余篇论文在GoogleScholar中被引用4千余次，单篇最高引用363次，H-Index达35。在前两年合作中，取得了用户偏好建模、多模态信息关联、个性化视频检索的诸多创新，发表论文31篇，其中IEEE Trans期刊论文2篇以及SIGIR、NIPS等顶级会议论文15篇，申请发明专利6项，超额完成原定的研究和人才培养指标。本项目拟针对在线社群行为的多模态和跨域新挑战，在信息搜索和内容推荐的前沿方向延续合作研究，力争取得用户社会行为建模、跨域检索、精准推送的原创成果，培养一批国际水平的信息检索、机器学习、社会计算的研究人才。

中文主题词：信息检索；机器学习；用户行为；内容推荐；

英文摘要：

Information retrieval；machine learning；user sbehaviour；content recommendation；

英文主题词： Information retrieval；machine learning；user sbehaviour；content recommendation；

结论摘要：

海量的用户交互数据、用户生成内容（UGC）蕴含着各种用户社交和行为的模式，如何利用机器学习、模式识别、图像处理等领域的前沿技术，剖析用户及用户群体行为，提高信息搜索的相关性和内容推荐的精准度，对促进互联网经济的发展和社会的进步具有至关重要的意义。本项目针对用户行为的复杂性、用户交互的多模跨域特性，提出了用户群体行为Hawkes过程模型、用户画像（Profile）建模理论、协同过滤方法、鲁棒多图匹配理论等新模型和新理论，建立了基于群体行为的社交网络检测平台，在保险风控、公共安全等部门开展了应用示范。发表SCI/EI收录的国际学术论文33篇，其中T-PAMI、T-IP等IEEE Transactions论文7篇，AAAI、IJCAI、ICCV、CVPR等CCF A类国际学术会议论文18篇，获人工智能领域顶级会议NIPS2013杰出论文奖。已申请专利6项，获得授权3项。培养研究生18名，其中入选ACM中国上海分会优秀博士论文、ACM中国优秀博士论文提名奖、上海市研究生优秀成果（学位论文）各一人次。

成果综合统计