信息推荐与检索

Information Recommendation and Retrieval

研究目标在于研究多领域、多场景、多源数据中统一主体识别模型，多角度的主体兴趣分析方法，情境感知的个性化推荐与信息检索方法。

主要研究内容包括：

• 基于隐式反馈的单类学习与优化：针对推荐系统中的隐式反馈数据（如点击、浏览、停留时间等），研究单类学习方法，通过从非显式反馈中提取用户偏好信息，优化推荐算法的性能。
• 基于时序行为的个性化推荐：致力于利用用户时序行为数据，构建动态推荐系统，通过捕捉用户行为的变化趋势，更加精准地预测用户的偏好，实现个性化推荐体验。
• 基于 AutoML 的个性化推荐：运用自动化机器学习（AutoML）技术，致力于实现推荐系统的自动化建模与优化。 多场景多任务推荐：研究在多样化场景和任务中构建统一的推荐框架，探索如何在跨领域、跨任务的环境下实现共享建模与个性化推荐。
• 可信赖的推荐算法：关注推荐系统的可解释性、鲁棒性和安全性等关键问题，研究如何在保障系统稳定性和用户隐私的前提下，构建透明且可靠的推荐模型，以提升用户信任和系统使用的安全性。
• 检索增强生成：通过将检索与生成技术相结合，探索更为智能的内容生成方法，能够在满足用户查询的基础上，生成更加丰富和准确的推荐内容，提升用户的信息获取效率和推荐系统的响应能力。