个性化特征大数据支持下的交互式进化计算及其应用

According to the suggestion from experts and the limited year and amount of the fund, this proposal aims at improving the performance of interactive evolutionary computation by transferring solutions that have similar features as the current user from individualized feature big data, and by actively mining the high-value solutions, to establish necessary foundation for further study the theory of collective-based intelligent optimization and to apply the theoretic results to personalized education and improve the learning efficiency. Therefore, in the following year, we mainly focus on the study of the theory of interactive evolutionary computation integrated transfer learning and active learning supported by individualized features big data, which will prepare the necessary foundation for (1) the theory of collective intelligence based interactive evolutionary computation; (2) personalized education application of the above study based on big data. In order to achieve the above aims, one key scientific problems is to be studied: the method to extract, express and apply of the personalized features in big data. Different from the traditional methods to adjust the parameters or improve the evolutionary operators, this proposal uses the outer resources as big data and machine learning methods that are independent of the algorithm itself to improve its performance. Those participants of the system are not only the contributors but also the beneficiary from the shared individualized features big data. The proceeding of this proposal is not only good for the development of evolutionary algorithms, but also significant for the improvement of education quality.

根据专家意见与资助年限和经费，本项目旨在通过从个性化特征大数据中迁移与待优化问题特征相似的数据和主动获取关键数据，提高交互式进化计算性能；为进一步研究其他如下内容奠定基础：基于群体智慧的优化理论与方法，并应用于教育个性化寻优问题，帮助学习者提高学习效率。为此，在个性化特征大数据支持下，本项目在一年时间内集中研究集成迁移学习与主动学习的交互式进化计算；为后续的两个内容作理论与实验环境的铺垫：（1）基于用户群体智慧的交互式进化计算基础理论与方法；（2）在教育个性化的教学资源组合优化中的应用。主要解决一个关键科学问题：大数据环境下个性化特征的提取、表示和利用。不同于传统的通过调节算法参数或增强进化算子改进算法性能的方法，本项目借助独立于算法本身之外的大数据与机器学习方法展开研究。本项目的实施对于推动进化优化理论与技术具有重要意义。

交互式进化计算中用户易疲劳的特点，使得系统得到的关于用户偏好的信息量少，因此算法性能有待提高。以往的研究中通常从算法性能改进着手，较少从历史信息以及其他用户信息利用着手。本项目从用户的历史进化信息和其他用户信息利用角度，借助大数据技术挖掘用户个性化偏好特征，并藉此建立用户的偏好模型，在此基础上，结合迁移学习和主动学习，迁移其他用户的相似偏好知识，弥补系统关于当前用户偏好不足的特点；借助主动学习技术，充分利用用户的鉴赏能力，获取用户的关键偏好信息，从而提高算法性能。本项目重点研究大数据支持下的个性化特征，并用占优关系场（DL）表征该特征，给出了DL的性质与相关定理，并提出了DL等价优化问题、DL相似优化问题的定义。以DL特征为基础，提出用户偏好相等相似的评判方法，以及用户偏好的建模方法。在此基础上，给出了个性化特征大数据支持下的交互式进化计算框架，以及基于迁移学习的高阶优化问题的解决方法。针对用户偏好的动态时序特点，提出了环状深度学习结构；利用历史进化信息方面，提出了进化计算中信息反馈模型，并对多种最新进化计算提出了性能改进方法。同时，把理论成果应用于个性化教育，提出以知识点前沿作为个性化特征的用户模型构建。在本项目支持下，出版专著一部，发表期刊论文10篇，会议论文5篇。SCI检索7篇，外文论文12篇，中文论文3篇。本项目的实施，为进一步从大数据和问题特征角度研究算法性能提供了前期理论铺垫，也为个性化教育的应用提供了新的研究思路。

内容获取失败，请点击重试