推荐星级：
- 1
- 2
- 3
- 4
- 5
基于隐式反馈数据的个性化游戏推荐
资料介绍
现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++(Singular Value Decomposition++)算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.
部分文件列表
| 文件名 | 大小 |
| 基于隐式反馈数据的个性化游戏推荐.pdf | 2M |
部分页面预览
（完整内容请下载后查看）11
Vol． 46 No． 11
Nov． 2018
第
期
电
子
学
报
2018
11
ACTA ELECTRONICA SINICA
年
月
基于隐式反馈数据的个性化游戏推荐
1
1
2
1
， ， ，
俞东进 陈 聪 吴建华 陈耀旺
( 1.
，
杭州电子科技大学计算机学院 浙江杭州
310018; 2.
，
杭州顺网科技股份有限公司 浙江杭州
310012)
:
、 ． ，
现有推荐系统通常采用评分 评论等显式反馈数据实现个性化推荐 然而 显式反馈数据由于在实际中
摘
要
， ． ，
难以获取或因质量问题而往往变得不可用 从而导致相关推荐算法的应用范围受到很大限制 与此相反 诸如点击行
、 ．
为 浏览记录等隐式反馈数据在现实中大量存在 本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方
． 、 ，
法 该方法综合考虑了玩家操作次数 操作时长等隐式反馈数据及其时效性 构建了基于伪评分的玩家对游戏的偏好
，
SVD ++ ( Singular Value Decomposition ++ )
．
算法实现个性化游戏推荐 在大规模真实数据集上
模型 而后通过改进了的
的实验结果表明本文提出的方法具有更高的推荐精确率和召回率
; SVD ++
．
:
;
;
;
关键词
中图分类号
URL: http: / /www． ejournal． org． cn
推荐系统 隐式反馈 游戏推荐 伪评分
:
TP302
:
A
: 0372-2112 ( 2018) 11-2626-07
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 11． 009
文献标识码
文章编号
电子学报
Personalized Game Recommendation Based on Implicit Feedback
1
1
2
1
YU Dong-jin ，CHEN Cong ，WU Jian-hua ，CHEN Yao-wang
( 1. College of Computer Science and Technology，Hangzhou Dianzi University，Hangzhou，Zhejiang 310018，China;
2. Hangzhou Shunwang Technology Co． ，Ltd． ，Hangzhou，Zhejiang 310012，China)
Abstract: The existing recommendation systems typically employ explicit feedbacks，such as ratings and reviews，to
achieve personalized recommendations． However，since the explicit feedbacks are hard to obtain in practice or have poor
quality，their applications in the recommendation field are limited． In contrast，implicit feedbacks such as click behaviors and
browsing histories are widely available in reality． A game recommendation method based on implicit feedbacks is presented，
to provide the personalized game recommendation for game players． This method integrates the time-based implicit feed-
backs，such as the times and duration of user operations，and constructs the player＇s preference model based on the pseudo
rating． Meanwhile，it gives the personalized game recommendation by the improved SVD ++ ( Singular Value Decomposition
++ ) algorithm． The extensive results of the experiment based on the real data set show that the proposed method has the
higher precision and recall．
Key words: recommendation system; implicit feedback; game recommendation; pseudo rating; singular value decom-
position ++ ( SVD ++ )
、 、 )
浏览记录 购买历史 点击行为等 两大类
．
1
引言
、 、
现有推荐算法的研究主要集中在电影 音乐 电子
，
近年来 推荐系统因其可以缓解信息过载问题和
， ．
商务等领域 且大部分都是基于显式反馈数据 而游戏
为用户提供个性化推荐服务而倍受工业界和学术界关
， 、
与其他领域相比 其具有更加独特的行为可重演性 操
．
注 协同过滤推荐算法通过分析用户的历史行为数据
．
作灵活性和强交互性等特点 比如大部分用户对同一
，
预测用户对未知物品的喜好程度 以此进行个性化推
．
部电影或同一篇新闻只会看一次 虽然用户可能会循
． ，
荐 这里 用户的历史行为数据可以分为能明确表达用
， ，
环播放同一首歌 但每一首歌有固定的时长和内容 因
( 、 、
户喜好倾向的显式反馈数据 如评分 评级 评论等
) ，
; ，
此游戏与音乐在行为重演性上也存在差异 同时 用户
(
以及不能直接表达用户喜好倾向的隐式反馈数据 如
． 、 、
对游戏的操作更加灵活 游戏中的情景 状态 行为都由
: 2017-09-09;
: 2018-03-03;
:
责任编辑 蓝红杰
收稿日期
修回日期
:
基金项目 国家自然科学基金
( No． 61472112) ;
( No． 2017C01010，No． 2016C33170)
浙江省科技计划项目
2627
11
:
俞东进 基于隐式反馈数据的个性化游戏推荐
第
期
， 、 、 ，
用户自己控制 而对于电影 新闻 歌曲等的内容 用户
ring，OCCF) ．
，
因为隐式反馈数据难以区分正负样本 为
; ，
不管喜欢与否都只能被动地接受 此外 用户与游戏的
，
了防止模型发生偏斜 他们根据用户活跃度和物品流
［8］
． 、
交互性更强 与观看电影 新闻和欣赏歌曲过程中存在
． Li
OCCF
进行
行度随机抽取物品作为负样本
等人
对
， ，
的单向弱交互不同 在用户操作游戏的过程中 用户行
，
了扩展 通过引入更多的用户信息来提高算法的准确
．
为与游戏反馈紧密联系又相互影响 因此一些应用在
． Wei Pan
Li Chen
［9］ OCCF
在文献 中也对 进行改
性
和
、 、
电影 新闻 音乐等领域的推荐算法并不能很好地被适
，
进 通过引入群体偏好来减少对个人喜好过强的独立
． ，
用到游戏推荐中 另外 可用于游戏推荐的显式反馈数
． ， 、
性假设 然而 单类协同过滤算法存在采样策略 采样结
，
据在实际中往往难以获取 而诸如游戏时长等隐式反
． ［10］
果集成等问题 文献 将时间信息作为第三维构成
． ，
馈数据则在玩家日志中大量存在 因此 基于隐式反馈
( Tensor) ，
提出了快速张量分解的
LFM
．
方法
三维张量
Delporte
［11］
．
LFM
模型的基础上结合了用户的社
数据有望实现更有效的个性化游戏推荐
本文提出了一种基于隐式反馈数据的网吧游戏推
DIIF-SVD ++ ( Discrete Integral Implicit Feedback
等人
在
［12］
． Hu
，
等人 提出了样本置信度的概念 他们将
交信息
1、 0，
用户操作过的物品设为 其他情况设为 以此构造用
荐方法
SVD ++ ) ．
， 、
首先 根据收集到的网吧玩家的游戏次数 游
0 － 1 ，
矩阵 并根据操作次数的不同赋予样
户对物品的
本不同的权重 提出了带权重的最小二乘矩阵分解方
( Weighted Alternative Least Square，wALS) ．
， ，
戏时长等历史日志数据 结合其数据时效性 构建玩家
，
( ) ． ，
伪评分模型 即偏好模型 其次 在基于显式反馈数据
法
然而这种
SVD ++
，
推荐算法的基础上 通过去除其用户评分偏
0 － 1
．
矩阵并不能很准确地表达用户的偏好
的
简单的
［13］
、
置项和隐式反馈数据部分 以及在损失函数中添加评
Levandoski
等人 将用户和物品之间的距离作为惩罚
，
分的权重系数 提出适用于基于隐式反馈数据游戏推
， ．
值构成伪评分 在算法中引入了地点信息 而
Yao
等
［14］
IF-SVD ++ ( Implicit Feedback SVD ++ )
．
，
荐的
在真实数据集上对本文提出的伪评分模型以及
SVD ++
算法 最后
DIIF-
算法进行有效性验证 实验结果表明本文提出
人
采用随机游走的方法将用户到物品的排名分数作
， ．
为伪评分 提出了基于图的上下文感知推荐模型 此外
，
．
，
还有一些基于学习排序的推荐算法 这些算法的关注
，
的伪评分模型能更加准确地描述玩家的偏好 同时改
进的推荐算法在精确率和推荐召回率上均高于对比
点在于如何使推荐列表中用户越喜欢的物品排名越靠
［15］
［16］
，
前 其主要可以分为逐点排序
、
逐对排序 和逐表
［17］
．
．
方法
排序
2
3
相关工作
模型设计
基于矩阵分解模型的推荐算法因其具有推荐准确
本节详细描述了本文提出的基于隐式反馈的个性
、
度高 扩展性良好和灵活性较高等优点成为了目前推
( DIIF-SVD ++ ) ， :
其主要包含两部分
化游戏推荐方法
( 1)
玩家偏好模型的构建
．
; ( 2)
基于偏好模型对玩家进
荐算法研究的最前沿领域之一
最早的矩阵分解模型利用的是
于需要事先补全评分并且计算复杂度太高导致其在推
． Simon Funk Funk-
［1］
SVD
，
但由
． 1
行游戏推荐 其总体流程如图 所示
．
分解
荐系统领域的发展受到制约
提出了
①
SVD
征矩阵和物品特征矩阵 使其接近原始的评分矩阵 克
． Koren Funk-SVD
，
算法 采用随机梯度下降法优化初始化的用户特
，
，
服了以上两个缺陷
将
称为隐式特征
( Latent Factor Model，LFM) ， ［2］
在文献 中提出融
模型
、 、
合了用户评分偏差项 物品得分偏差项 全局评分平均
SVD ++ ． Koren
项以及用户的隐式反馈数据的
模型
还考
TimeSVD
模
， ［3］
虑到时间因素的影响 在文献 提出了
．
型 除了在模型中引入一些偏置项和隐式反馈数据等
， ［4，5］
基础数据之外 模型 中还考虑了用户的社交信
， ［6］ ．
息 文献 还将跨邻域信息迁移到模型中
3. 1
伪评分模型构建
然而以上推荐算法大多数都是基于显式评分数
，
目前 大多数对推荐系统的研究都默认评分数据
，
据 其并不能很好地适用于基于纯隐式反馈数据的推
［7］
． Pan
荐场景
等人 首次将基于隐式反馈数据的推荐问
( One-Class Collaborative Filte-
题称为单类协同过滤问题
http: / /sifter． org/ ～ simon/journal/20061211. html
①
全部评论(0)