动态评价网络的统计分析与信息挖掘.doc

国家自然科学基金委信息科学部主任基金项目动态评价网络的统计分析与信息挖掘项目批准号: 60744003 （2008-2009）发表论文 中文简介A10篇代表性论文(按重要性)1 Tao Zhou, Zoltan Kuscsik, Jian-Guo Liu, Matus Medo, Joseph Wakeling, Yi-Cheng ZhangSolving the apparent diversity-accuracy dilemma of recommender systemsPNAS doi: 10.1073/pnas.1000488107 该文章明确指出传统意义上的信息推荐算法具有“过度强调精确性而忽略多样性”的缺点，而信息提供者的价值“往往更多地源于提供多样和新颖的信息”。该文第一次系统研究了仅知道网络拓扑结构的情况下如何考量推荐算法的多样性和新颖性，这对于该方向的研究起到了基础性的作用。文章还开创性地提出了一种专门推荐“不太流行的冷门资源”的基于热传导的算法，该算法与所有已知的均倾向于发掘“流行资源”的算法大异其趣。文章通过大量基于真实数据的分析，显示了此算法与基于物质扩散的算法结合后，可以同时明显提高推荐系统的准确度、多样性和新颖性。这一发现有望推动甚至最终解决推荐系统中精确性与多样性鱼和熊掌不可兼得之难题。2 Tao Zhou, Linyuan L, Yi-Cheng ZhangPredicting missing links via local informationEuropean Physical Journal B 71 (2009) 623基于网络的链路预测自08年Clauset等人发表Nature论文之后成为复杂网络与信息挖掘方面研究的共同热点。动态评价网络的信息挖掘本质上是二部分网络上的链路预测。该文提出了两种基于局部信息的相似性指标资源扩散指数、局域路径指数，通过和9种广为人知的局部相似性指标再6种不同真实网络中进行比较，文章指出新提出的两种指标明显具有更好地刻画节点相似及相近程度的能力。文章提出后立刻受到了广泛的关注，已经有其他三个研究团队跟踪讨论了资源扩散参数在信息推荐、有向网络链路预测和社区结构挖掘方面的应用。这些结果均证明了该文提出的指数具有明显优于已知局部参数的性质。3 Matus Medo, Yi-Cheng Zhang, Tao ZhouAdaptive model for recommendation of newsEurophysics Letters 88 (2009) 38005最近的一些大规模实证研究显示，信息推荐中社会关系往往比推荐内容与用户喜好的匹配程度更加重要。事实上，用户更喜欢来自朋友而非来自系统的推荐。因此，社会过滤（social filtering）被认为极有可能成为下一代信息过滤器（搜索引擎、推荐系统）的核心之一。该文以Web 2.0系统中新闻共享和推荐为例，提出了基于适应性网络的一种社会过滤机制，该机制能够明显提高用户体验。LAtelier对文章作者进行了专访，并在LAtelier Report中对该文进行了专题报道。4 Tao Zhou, Luo-Luo Jiang, Ri-Qi Su, Yi-Cheng ZhangEffect of initial configuration on network-based RecommendationEurophysics Letters 81 (2008) 58004该文通过考虑基于物质扩散的信息推荐算法中初始物质分布的精细结构，提出了一种改进的算法，此算法相比原始算法，能够将精确性提高10%左右。该文的真正重要的价值在于首次明确提出了基于用户-资源的二部分网络结构，如何对推荐的多样性和新颖性进行度量。尽管相应的度量指标尚较粗糙，但却是后面关于信息多样性的一系列研究的初始。5 Zi-Ke Zhang, Tao Zhou, Yi-Cheng ZhangPersonalized recommendation via integrated diffusion on user-item-tag tripartite graohsPhysica A 389 (2010) 179协同标签系统最近几年非常流行，其基本思想是允许用户自由添加一些关键词（标签）来描述自己收藏的各种资源。这些标签一方面反映了用户的个人喜好，另外一方面可以看作对所标记资源的一种非常精简的内容描述。该文首次尝试将这些信息整合到基于物质扩散的推荐算法中，并且在精确性和多样性方面均取得了非常明显的提高。此文推动了一系列后续的基于标签的信息挖掘研究。6 Linyuan L, Tao ZhouLink Prediction in weighted networks: The role of weak tiesEurophysics Letters 89 (2010) 18001该文是本项目迄今为止发表的最为有趣的一篇论文！尽管复杂网络中的链路预测问题不乏讨论，但是对于含权网络的讨论较少。一种直观的想法是权重较大的链路在预测中起到决定性的作用，该观点也被最近基于一个问答系统的实际分析所验证。与其观点相反的是，该文作者发现大部分网络中权重较小的链路反而起到了更关键的作用。作者通过一种“模块统计分析”的方法给出了如何预先判断该网络中权重大小与链路预测能力强弱关系的方法。尽管“弱连接理论”声称在维持网络连通能力和稳定性方面权重较小的链路更加重要，但是在信息挖掘领域，该文是第一次强调了弱链接的重要性，从而从根本上质疑了含权网络链路预测的直观理念和已知结果。7 Jie Ren, Tao Zhou, Yi-Cheng ZhangInformation filtering via self-consistent refinementEurophysics Letters 82 (2008) 58007该文提出了一种自洽的迭代框架。只要一种推荐算法能够表达为一个矩阵算子对于用户-资源关联矩阵上的操作，该算法就可以通过迭代寻优的方式提高原算法的精确性。这个方法已经被证明对于协同过滤和矩阵分解是适用的。8 Tao Zhou, Ri-Qi Su, Run-Ran Liu, Luo-Luo Jiang, Bing-Hong Wang, Yi-Cheng ZhangAccurate and diverse recommendations via eliminating redundant correlations New Journal of Physics 11 (2009) 123008该文指出从不同渠道得到的对于同一个对象的推荐信息有可能包含着严重的冗余！如何去除这种可能存在单又无法直接检验的冗余信息是一个新的挑战。文章设计了一种利用二阶关联的方式，能够简单快速的去除可能的冗余信息。在基于物质扩散的推荐算法框架下，该文提出的方法能够将精确性提高20%到30%，所得到的结果是目前本项目所有工作中最为精确的，甚至超过了名噪一时的LDA算法。9 刘建国，周涛，汪秉宏个性化推荐系统的研究进展自然科学进展，2009年1月，第19卷，1-15页该文根据推荐算法的不同，分别介绍了协同过滤系统，基于内容的推荐系统，混合推荐系统，以及最近兴起的基于用户产品二部图网络结构的推荐系统.并结合这些推荐系统的特点以及存在的缺陷，提出了改进的方法和未来可能的若干研究方向。推荐系统的研究受到了信息科学、计算数学、统计物理学、认知科学等多学科的关注，它与管理科学、消费行为等研究也密切相关。此文能够为不同学科领域的科研工作者研究推荐系统提供借鉴，有助于我国学者了解该领域的主要进展，也是本项目最重要的一篇总结性论文。10 刘建国，周涛，郭强，汪秉宏个性化推荐系统评价方法综述复杂系统与复杂性科学，2009年9月，第6卷，1-10页该文根据推荐系统任务的不同,介绍了不同的准确性度量指标以及各自的优缺点；介绍了准确度之外的其它指标,例如推荐多样性、覆盖率等；指出了目前评价指标存在的缺陷,以及未来可能的改进方向。是本项目研究重要的总结性论文。B其他相关论文(按发表时间)11 Zi-Ke Zhang, Linyuan L, Jian-Guo Liu, Tao ZhouEmpirical analysis on a keyword-based semantic systemEuropean Physical Journal B 66 (2008) 557本文讨论了学术期刊中关键词出现的统计规律。该文与信息挖掘没有直接联系，却是第一次尝试关注和分析标签系统，为后来一系列利用标签信息进行信息挖掘的工作奠定了基础。12 Chun-Xia Jia, Run-Ran Liu, Duo Sun, Bing-Hong Wang,A new weighting method in network-based recommendationPhysica A 387 (2008) 5887该文提出了一种通过加权提高信息推荐精确度的方法，是07年本组一篇PRE论文的跟踪研究。13 Run-Ran Liu, Chun-Xiao Jia, Tao Zhou, Duo Sun, Bing-Hong WangPersonal recommendation via modified collaborative filteringPhysica A 388 (2009) 462该文考虑了协同过滤中初始权重的问题，是文献4的跟踪研究。14 Jian-Guo Liu, Michael Zhi-Qiang Chen, Jian-Chi Chen, Fei Deng, Hai-Tao Zhang, Zi-Ke Zhang, Tao ZhouRecent Advances in Personal Recommneder SystemsInternational Journal of Information and Systems Sciences 5 (2009) 230该文是一篇邀请综述，总结了个性化推荐系统研究的一些最新进展。15 Duo Sun, Tao Zhou, Jian-Guo Liu, Run-Ran Liu, Chun-Xiao Jia, Bing-Hong Wang,Information filting based on transferring similarityPhysical Review E 80 (2009) 017101该文提出了一种自洽的相似性指标，其基本思想是相似性可以在节点间转移，简而言之就是A和B相似，B和C相似，则A和C很有可能也比较相似。该算法大幅度提高了Pearson相似性指标的推荐精确度。16 Linyuan L, Ci-Hang Jin, Tao ZhouSimilarity index based on local paths for link prediction of complex networksPhysical Review E 80 (2009) 046122该文细致研究了局部路径指数在链路预测中的作用，是文献2的跟踪研究。17 Ming-Sheng Shang, Linyuan L, Wei Zeng, Yi-Cheng Zhang, Tao ZhouRelevance is more significant than correlation: Information filtering on sparse dataEurophysics Letters 88 (2009) 68008该文的试验结果显示，在稀疏系统（绝大部分真实系统都非常稀疏）中，是否有关系比打分高低更重要，换句话说，对于用户而言，对一个对象打低分不能简单理解为用户憎恶这种类型的对象。事实上很可能是爱之愈切，要求愈高造成的。该文发现，抹去所有分数信息得到的推荐结果，比考虑分数之间的Pearson关联得到的推荐效果更好！该结果推翻了根深蒂固的传统看法并对绝大部分传统算法提出了挑战。因为不考虑分数信息计算更加快捷，该方法有很好的应用前景。此文系本项目中第二有趣之论文！18 Ming-Sheng Shang, Ci-Hang Jin, Tao Zhou, Yi-Cheng Zhang Collaborative filtering based on multi-channel diffusionPhysica A 388 (2009) 4867该文提出了针对打分系统的多道推荐算法，是07年本组发表的一篇PRE和一篇EPL论文方法的结合和推广。19 Jian-Guo Liu, Tao Zhou, Bing-Hong Wang, Yi-Cheng ZhangEffects of Users Tastes on Personalized RecommendationInternational Journal of Modern Physics C 20 (2009) 1925该文考虑了用户的喜好对推荐结果的影响，有望推动形成更加个性化的推荐算法，实现从推荐结果的个性化到推荐算法的个性化的思想上的重大转变。20 Jian-Guo Li