基于属性提升与局部采样的推荐评分预测.PDFVIP

第 卷 第 期 计 算 机 学 报 ３９ ８ 　 　　 　　 　　 　　 Ｖｏｌ．３９ Ｎｏ．８ 年 月 ２０１６ ８ Ａｕ．２０１６ ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ ｇ 　 基于属性提升与局部采样的推荐评分预测 郑 麟 朱福喜 姚 杏 　 　 （武汉大学计算机学院 武汉 ４３００７２） 　 　 摘 要 评分预测问题是推荐系统研究的一个分支 在上下文感知推荐（ ， ） ． ＣｏｎｔｅｘｔＡｗａｒｅＲｅｃｏｍｍｅｎｄａｔｉｏｎＣＡＲ 　 　 中，常常需要考虑上下文因子（或称属性）对评分预测效果的影响 现有模型大多是捕捉单个属性的特征并加上多 ． 个属性间的相互作用（简称属性交互）实现评分预测 然而，有些算法在捕捉属性间的相互作用时没有针对性，使一 ． 些属性交互对预测结果没有帮助，甚至降低模型性能；而且，在实现属性交互时，很多算法只是单纯地使用固定的 属性值，没有从某个方面挖掘出它们的潜在特征 为了解决这些问题，文中提出了属性提升（ ， ． ＡｔｔｒｉｂｕｔｅＢｏｏｓｔｉｎｇ ）框架，从用户、物品与属性类型 个方面分别与属性进行交互 这种更精细的建模方式使属性能够自动地适应 ＡＢ ３ ． 用户偏好、物品关联与类型特征，并能在评分预测中充分地发挥作用 在此基础上，文中结合概率图模型的低秩近似 ． 能力和随机梯度下降（ ， ）的快速训练优势，在算法性能和训练效率上进行权衡，设计了 ＳｔｏｃｈａｓｔｉｃＧｒａｄｉｅｎｔＤｅｓｃｅｎｔＳＧＤ 局部采样（ ， ）方法学习属性提升框架的参数，最终构成完整的属性提升与局部采样（ ＰａｒｔｉａｌＳａｍ ｌｉｎ ＰＳ Ａｔｔｒｉｂｕｔｅ ｐ ｇ ， ）模型 实验证明， 模型通过有针对性的属性交互，能有效地挖掘出属性 Ｂｏｏｓｔｉｎ ｗｉｔｈＰａｒｔｉａｌＳａｍ ｌｉｎ ＡＢＰＳ ． ＡＢＰＳ ｇ ｐ ｇ 有用的隐含特征，从而减少盲目交互带来的消极影响；利用局部采样，该模型能使用更低的特征维度描述个性化信 息，取得比其他模型更好的效果． 关键词 推荐系统；上下文感知推荐；评分预测；属性提升；局部采样；数据挖掘 　 中图法分类号 号 ／ ＴＰ１８