zoukankan      html  css  js  c++  java
  • 3、组推荐系统及其应用研究---张玉洁(2016)

    1、摘要:

    论文主要对群组推荐使用的方法进行调研。对群组推荐系统的用户偏好获取群组发现、偏好融合算法、社会化组推荐以及效用评价等进行概括。

    2、组推荐系统概述:

    (1)传统的推荐系统:

    推荐过程主要分为用户偏好获取推荐生成两部分。其目的是把特定的项目推荐给用户,使效用函数最大化。

    推荐模型的角度,主要分为以下几类:

    协同过滤推荐、基于内容的推荐、基于知识的推荐和组合推荐。基于人口统计学的推荐、基于效用的推荐、基于关联规则的推荐和基于网络结构的推荐等。

    推荐系统的数据源和应用环境的角度,可分为:

    上下文感知推荐系统、社会化推荐系统和移动推荐系统等。

     从应用分为:

     

    (2)群组推荐的形式化定义:

    共识分数:①整个群组对项目的偏好程度;②群组成员之间的偏好差异程度。

    定义1:群组预测评分;群组G对项目i的预测评分为群组中每个用户预测评分的融合。

    定义2:群组分歧度;群组G中用户对项目i预测评分的差异程度。

    定义3:共识函数:增加群组预测评分+降低群组分歧度

    定义4:Top-k组推荐:将前k个共识分数最高的项目推荐给群组。

     

    (3)组推荐和传统推荐的异同:

    组推荐系统需要考虑所有群组成员的偏好,并通过群组成员的偏好共享和交互缩小群组之间的偏好差异。

    其次:组推荐系统将每个群组成员的偏好融合得到群组偏好,并根据群组偏好生成群组推荐

    (4)组推荐系统研究框架:

    使用均值融合策略和推荐融合方法生成群组推荐的过程是:

    首先通过传统推荐方法(如协同过滤)计算每个群组成员的预测评分,然后将群组成员预测评分的平均值作为群组预测评分,根据群组预测评分对候选项目排序生成群组推荐列表。

    3、组推荐的关键技术

    (1)第一步:组推荐的用户偏好获取(显式偏好获取和隐式偏好获取)

    偏好:用于描述决策者对两个或多个项目的排序关系。

    ①显式偏好获取:

    需要用户显式的提供偏好信息,比如评分矩阵,但存在的问题是数据的稀疏性。

    ②隐式偏好获取:

    利用历史行为数据来挖掘用户皮那好。比如:收听音乐行为数据、用户搜索的关键词等。

    ③组推荐中偏好获取的不同:

    组推荐偏好获取更注重负向偏好,如果把所有群组成员的负向偏好过滤掉就可以快速得到群组的偏好。

    (2)第二步:群组发现:

    比如:一个用户希望加入一个旅游团获得旅游景点的推荐。

    发现潜在的群组的基本想法是:让偏好相似的用户构成群组。

    比如:

    计算用户相似度然后构建用户相似度网络,最后使用社区划分算法对用户相似度网络进行群组划分。

    对用户-项目评分矩阵进行k-means聚类。

    根据人口统计学划分群组,从用户好友列表中随机选择好友构成群组等。

    (3)第三步:组推荐的偏好融合算法:

    ①偏好融合策略:

    • 基本的偏好融合策略:

    • 加权模型:

      加权模型根据群组成员的特征、角色、影响力等因素分配不同的权重。比如:用户的评分数量越多,说明用户的活跃度越高,活跃用户的权重应该更大。

     ②偏好融合方法:

    主要分为:推荐结果或评分融合、群组偏好融合

    • 推荐结果或评分融合:都是先为每个群组成员生成推荐或计算预测评分,再融合生成群组推荐或群组预测评分;
    • 群组偏好建模:先把群组成员的偏好模型融合生成群组偏好模型,再根据群组偏好模型进行推荐。

     模型融合:

    • 评分进行加权
    • 用户偏好进行距离度量,找出群组中用户偏好全局距离最小的
    • 将历史行为和项目评分来构建用户偏好模型,将群组偏好模型看做一个多维特征空间,项目分布的高密度区域代表群组偏好。
    • 由用户的隐式反馈信息构成

    推荐融合:

    • 每个群组成员评分加权求和
    • 每个群组成员推荐列表排序

  • 相关阅读:
    【读书笔记】房龙-人类的故事
    【读书笔记】曼昆-经济学原理:宏观经济学分册
    【读书笔记】曼昆-经济学原理:微观经济学分册
    ES6数组去重
    switch语句
    if语句的优化
    程序的三大结构
    NaN
    js中常见的数据类型
    变量的命名规则
  • 原文地址:https://www.cnblogs.com/Lee-yl/p/9636954.html
Copyright © 2011-2022 走看看