个性化推荐引擎：利用social relations帮助解决数据的稀疏性问题.pdfVIP

/?p=892 个性化推荐引擎：利用social relations帮助解决数据的稀疏性问题 Posted on 2012 年 5 月 15 日 by pr@ 问题定义： 稀疏性一直是推荐系统所面临的一个比较严峻的问题，现有的一些推荐算法很难向新用户推荐商品，以及很难把新商品推荐出去，因为它们所含的信息量比较少，或 者根本没有信息量。利用其他的一些信息，例如朋友关系网络，信任网络等，可以帮助解决稀疏性问题。目前为止，大多数的推荐算法都利用了friendship来解决稀 疏性问题，但是利用membership来解决这一问题的研究几乎没有。Friendship与membership的却别在于，friendship一般对应着单模网络，例如朋友与朋友之间 的网络可以看作是friendship；而membership一般对应着二部分网络，例如user属于group。 一般来讲，我们可以利用regularization将friendship应用于推荐算法中，而利用factorization将membership应用于推荐算法中。本文分别比较了这两种算法，结 果表明，在利用friendship时，regularization方法要好于factorization，但是在利用membership时，factorization又要好于regularization。另外，使用 membership要好于使用friendship，如果同时使用这两者，结果会更好。本文也研究了数据的稀疏度与推荐准确率的关系，实验结果表明，在稀疏的数据中， friendship和membership都可以很大程度的提高算法的准确性，但是在比较稠密的数据中，这两者对算法的影响不是很大 ，甚至还要降低算法的准备性，其中的一 种解释为，user-item在比较稠密的情况下，更能够反应user的偏好，如果引入其他信息（friendship或者membership），可以会引入更多的噪音，不便于算法准 确性的提高。相反，在稀疏的数据中，user-item中含有的噪音相对来说可能会多一些，在这种情况下，如果引入其他的信息，或许能够帮助算法精确度的提高。 问题描述： 本文主要解决了三个问题： 1）怎样将friendship和membership应用于推荐系统； 2）利用socialrelations是否能够帮助解决数据的稀疏性问题； 3）Matrixfactorization（MF）一般应用在有评分的情况下，怎么没有评分，只有浏览和没有浏览（评分矩阵对应0和1）这两种情况，MF又怎么用。 MatrixFactorization（MF）： 我们知道，在基本的MF算法中，需要分别得到user-factor向量x和item-factor向量y，然后利用这两个向量，我们可以得到评分值 u i 在求解x和y的过程中，我们需要满足下列的costfunction： u i 其中p 是useru对itemi的偏好程度，在这里为0或者1。c 是useru选择itemi的置信度，例如点击频率或者浏览时间等。在本文中，c 取1。通过下面的公式，我 ui ui ui 们可以求出user-factor和item-factor向量： u 其中C是一个n*n的对角阵，并且 如果我们利用regularization来将friendship应用于MF中，那么成本函数应该满足： 1 /?p=892 因此user-factor向量为：  如果我们利用factorization将membership应用于MF中，那么成本函数应该满足： 其中α为可调参数。因此user-factor向量为 其中为user所属的group，而groupfactor为： 如果使用regularization将membership应用于MF中，我们可以先将user-group网络进行投影，然后使得成本函数满足：