推荐星级:
- 1
- 2
- 3
- 4
- 5
基于评分预测与排序预测的协同过滤推荐算法
资料介绍
协同过滤推荐算法在电子商务领域运用广泛.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.为了兼顾这两个方面,本文在传统的基于评分预测的PMF(Probabilistic Matrix Factorization)算法和基于排序预测的xCLiMF(Extended Collaborative Less-is-More Filtering)算法的基础上提出了一种基于评分预测与排序预测的协同过滤推荐算法URA(Unified Recommendation Algorithm),该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,利用PMF算法来学习高精度的用户和推荐对象的特征向量,从而进一步增强排序推荐性能.实验验证,该方法在评价指标NDCG和ERR下均优于PMF和xCLiMF算法,且复杂度与评分点个数线性相关.URA算法可运用于互联网信息推荐领域的大数据处理.
部分文件列表
文件名 | 大小 |
基于评分预测与排序预测的协同过滤推荐算法.pdf | 2M |
部分页面预览
(完整内容请下载后查看)12
Vol. 45 No. 12
Dec. 2017
第
期
电
子
学
报
2017
12
ACTA ELECTRONICA SINICA
年
月
基于评分预测与排序预测的协同过滤推荐算法
1
3
2
, ,
李 改 陈 强 李 磊
( 1.
,
528333; 2.
顺德职业技术学院电子与信息工程学院 广东顺德
中山大学数据科学与
, 510303)
广东第二师范学院计算机科学系 广东广州
,
计算机学院 广东广州
510006; 3.
:
. ,
协同过滤推荐算法在电子商务领域运用广泛 之前的研究要么仅从评分预测的角度来研究 要么仅从
摘
要
. ,
排序预测的角度来研究 为了兼顾这两个方面 本文在传统的基于评分预测的
PMF( Probabilistic Matrix Factorization)
xCLiMF( Extended Collaborative Less-is-More Filtering)
算法和基于排序预测的
与排序预测的协同过滤推荐算法
算法的基础上提出了一种基于评分预测
URA( Unified Recommendation Algorithm) ,
该方法通过在
PMF
xCLiMF
和 算法中共享
,
用户和推荐对象的特征空间 利用
PMF
,
算法来学习高精度的用户和推荐对象的特征向量 从而进一步增强排序推荐
. ,
性能 实验验证 该方法在评价指标
NDCG
ERR
PMF
xCLiMF
,
算法 且复杂度与评分点个数线性相关
.
和
下均优于
和
URA
.
算法可运用于互联网信息推荐领域的大数据处理
:
;
;
;
;
关键词
中图分类号
URL: http: / /www. ejournal. org. cn
推荐系统 协同排序 协同过滤 评分预测 排序预测
:
TP302
:
A
:
文章编号
0372-2112 ( 2017) 12-3070-06
文献标识码
DOI: 10. 3969 /j. issn. 0372-2112. 2017. 12. 033
电子学报
Collaborative Filtering Recommendation Algorithm Based on
Rating Prediction and Ranking Prediction
1
3
2
LI Gai ,CHEN Qiang ,LI Lei
( 1. Department of Electronic and Information Engineering,Shunde Polytechnic,Foshan,Guangdong 528300,China;
2. School of Data and Computer Science,Sun Yat-Sen University,Guangzhou,Guangdong 510006,China;
3. Department of Computer Science,Guangdong University of Education,Guangzhou,Guangdong 510303,China)
Abstract: Collaborative filtering ( CF) recommendation algorithm is widely used in the field of e-commerce. The
previous researches on CF focused on either rating prediction or ranking prediction. In order to take into account these two
aspects,a collaborative filtering recommendation algorithm based on rating prediction and ranking prediction ( Unified Rec-
ommendation Algorithm,URA) is proposed. URA shares common latent features of users and items in PMF ( Probabilistic
Matrix Factorization,rating-oriented) and xCLiMF ( Extended Collaborative Less-is-More Filtering,ranking-oriented) algo-
rithms,and PMF learns improved latent features of users and items in URA,so that URA improves the performance of rank-
ing recommendation. Experimental results showed that our proposed URA Algorithm outperformed PMF and xCLiMF algo-
rithms over evaluation metrics NDCG and ERR,and that the complexity of URA is shown to be linear with the number of
observed ratings. URA is suitable for big data processing in the field of internet information recommendation.
Key words: recommended systems; collaborative ranking; collaborative filtering; rating prediction; ranking prediction
.
运而生 协同过滤算法是信息推荐系统中运用最广泛
1
引言
.
且最成功的核心推荐技术 当前使用最广泛的是基于
[1,2]
,
随着互联网以及电子商务的迅猛发展 互联网上
.
模型的协同过滤算法
基于模型的协同过滤算法按
,
的信息量爆炸性增长 如何准确而快速地从浩如烟海
, :
照机器学习方法的不同 主要分为两种 一种是基于评
[3 ~ 6]
,
的数据海洋中找到用户所需的信息 成为了当前工业
,
分预测的协同过滤推荐算法
另一种是基于排序预
[7 ~ 16]
. ,
界和学术界的一大挑战 在此背景下 信息推荐系统应
.
测的协同过滤推荐算法
基于评分预测的协同过
: 2016-09-13;
: 2017-02-28;
:
收稿日期
修回日期
责任编辑 覃怀银
广东省自然科学基金项目
( No. 201604010049,No. 201510010203) ;
:
基金项目 国家自然科学基金
( No. 61370186,No. 61640222) ;
( No. 2016A030310018) ;
( No.
广东省科技计划项目
2014A010103040,No. 2014B010116001) ;
广州市科技计划项目
广东第二师范学院教授博士科研专项
( No. 2015ARF25)
3071
12
:
改 基于评分预测与排序预测的协同过滤推荐算法
第
期
李
,
滤推荐算法首先预测用户对所有推荐对象的评分 再
明基于排序预测的协同过滤推荐算法的性能要优于基
.
通过这些评分值的大小来对推荐对象进行排序 基于
.
于评分预测的协同过滤推荐算法 故本文 所 提出 的
URA xCLiMF
算法仍采用和
.
算法一样的优化学习算法
排序预测的协同过滤推荐算法通过某种优化算法来直
[17]
,
接给出推荐对象的偏序关系 而不需要预测用户对推
URA
1
算法的输入输出流程图如图 所示
.
.
荐对象的评分值作为中介
之前的研究工作要么仅从评分预测的角度来研
[3 ~ 6]
[11 ~ 16]
,
.
而基于
究
要么仅从排序预测的角度来研究
评分预测的协同过滤推荐算法和基于排序预测的协同
[17]
.
过滤推荐算法均存在缺陷
为了克服现有研究的缺
[3]
,
陷 本 文 在 传 统 的
PMF
(
算 法 基 于 评 分 预 测
)
和
[14]
xCLiMF
(
)
算法 基于排序预测
新的基于评分预测与排序预测的协同过滤推荐算法
URA; URA PMF xCLiMF
的基础上提出了一种
算法通过在
户和推荐对象的特征空间 利用
度的用户和推荐对象的特征向量 从而 进 一 步 增 强
xCLiMF URA
和
算法中共享用
PMF
算法来学习高精
PMF
xCLiMF
算法均是基于矩阵分解
由于
算法和
的算法 本文假设两种算法共用相同的用户和推荐对
PMF
,
,
,
,
象的特征空间 同时引入折中参数 α 以控制
算法
.
算法的排序推荐性能 文中给出了
算法的
xCLiMF URA
算法对整个
xCLiMF
.
和
算法性能的相对贡献度 整
算法的目标优化函数所得到
. ,
一种有效学习算法 在真实的数据集上实验验证 该算
PMF
合
算法和
法在各个评价指标下性能均优于几个经典的协同过滤
URA
:
算法的目标优化函数如下
( ) ,
推荐算法 基于评分预测和基于排序预测 且复杂度
M
N
T
、
低 运算时间与评分点个数线性相关
.
L( U,V) = ( 1 - ) ×
α
-
r
∑∑ ui
lng( U V )
i
u
(
[
u
i = 1
N
2
基本定义
T
T
+
+
+
ln( 1 - r g( U V - U V ) )
u
∑
uj
u
j
i
] )
j = 1
, R
本文中 矩阵 表示评分矩阵
( 1 ~ 5 ) ,
分 该矩阵具
M
N
1
T
2
K × M
K × N
×
( I ( R - g( U V ) ) )
u
α
M
、N
; U
C
,V
C
,U
V
和 分
有
个用户
别表示用户和推荐对象的特征矩阵
r,r ,r min( M,N) .
个对象
∈
∈
∑∑ ui
ui
i
2
u
i = 1
,K
,
表示特征个数
λ
2
2
(
U
+
V
)
( 1)
K
R
表示矩阵 的秩 ≤
一般
2
,r i I
u ,
这里 表示用户 对推荐对象 的满意概率 其中 为
ui
3
基于评分预测与排序预测的协同过滤推荐
,PMF
xCLiMF
算法的目标优化函
一个指示矩阵
算法和
算法
[3,14].
数及其变量的定义详见文献
正如上面所分析
3. 1
基于评分预测与排序预测的协同过滤推荐算
,
的 本文在
URA
PMF
算法中引入 算法的目的是为了进
算法的推荐性能 因此折中参数 α 的
法简介
xCLiMF
.
一步增强
[3]、[14]
由文献 知道
PMF
xCLiMF
算法和 算法采
,0 1,
值相对较小 ≤α≤ 当 α
= 1
URA
PMF
时
算法退化为
用不同的机器学习方法来学习用户和推荐对象的潜在
. PMF
,
算法 当 α
= 0
URA
xCLiMF
.
时
算法退化为
节分析折中参数 α 的值对
( 1) URA
算法 本文将
特征向量
推荐对象的评分模型 进而产生推荐序列
是通过矩阵分解模型来直接优化评价指标
算法通过矩阵分解模型来学习用户对
4. 4. 1
URA
在实验部分的
算
,
. xCLiMF
算法
.
,
法的性能影响 最小化式
以优化
U、V
返回的特征矩阵
算法 进而返回
不仅能够用于给出
性能优越的推荐对象序列 而且能够较准确的预测用户
ERR,
进而
U、V.
特征矩阵
.
产生推荐序列 基于评分预测与排序预测的协同过滤
( URA PMF
算
,
)
:
推荐算法
算法 的核心思想是 通过整合
,
对推荐对象的评分值 从而增强了推荐的实用性
.
xCLiMF
,
PMF
法和
分数据中的信息以进一步提高
户和推荐对象的特征向量时的精度 从而进一步提高
URA
算法的优点 利用
算法挖掘隐含在评
3. 2
算法优化求解与形式化描述
U、V
xCLiMF
算法在学习用
( 1)
以特征矩阵
为参数的目标函数
是个非凸
,
,
函数 因此本算法采用通过梯度下降法来迭代更新特
.
协同排序算法的推荐性能 也就是说在 算法中引
PMF PMF xCLiMF
算法来为
U、V,
以找到目标函数
( 1)
.
的局部最小值 对最
征矩阵
入
算法的目的是为了利用
算法学习高精度的用户和推荐对象的特征向量 从而
xCLiMF
( 1)
U、V
求偏导得
终目标函数
到如下公式
使用梯度下降法分别对
,
:
进一步从增强
算法性能的角度来增强基于排
N
L
= ( 1 - ) ×
α
-
r
g( - f ) V
ui
∑
ui
i
.
序预测的协同过滤算法的推荐性能 最新研究成果表
(
[
U
i = 1
u
全部评论(0)