基于个性化马尔科夫链的推荐算法.doc

基于个性化马尔科夫链的推荐算法 李贵 吴炎 孙平 韩子扬 李征宇 孙焕良 （沈阳建筑大学信息与控制工程系，辽宁 沈阳 110168） E-mail ：wuyan0710@163.com 摘　要：当前，推荐系统已成为许多网站的重要组成部分。其中热门的两个方法是基于矩阵分解(MF)和基于马尔科夫链(MC)。本文提出一个分解个性化马尔科夫链(FPMC)模型，将MC模型与MF模型相结合。该模型为每个用户建立自己的转移矩阵，形成转移矩阵立方体。再利用张量分解中标准分解(CD)方法，分解这个立方体。此后，引入贝叶斯个性排名(BPR)来优化模型参数，使推荐结果更为准确。结果表明，FPMC模型要优于传统的推荐模型。 关键词：推荐系统；马尔科夫链；张量分解；贝叶斯个性化排名中图分类号：TP301.6 　文献标识码：A 文章编号：A Recommendation Algorithm based on Personalized Markov Chains LI Gui，WU Yan，SUN Ping，HAN Zi-yang，LI Zheng-yu，SUN Huan-liang （Faculty of Information Control Engineering , Shenyang Jianzhu University, Shenyang 110168, China） Abstract: Recommender systems are an important component of many websites. Two of the most popular approaches are based on matrix factorization (MF) and Markov chains (MC). We show that our factorized personalized MC (FPMC) model subsumes both a common Markov chain and the normal matrix factorization model. That means for each user an own transition matrix is learned-thus in total our method uses a transition cube. And our method factorizes the transition cube with a pairwise interaction model which is a special case of the Canonical Decomposition (CD). In order to make the recommend results more accurate, we optimize the model parameters through BPR criterion. In the evaluation chapter, we apply our method to a real-word dataset. The results show that our proposed method outperforms the previously recommendation. Key words: Recommendation; Matrix factorization; Bayesian personalized ranking 1　引 言 随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代[1]。推荐系统的任务就是在大量信息中找出用户感兴趣的信息并对其进行推荐。随着对推荐准确性要求越来越高，用户的连续行为越来越受到重视。很多基于MF的方法和新的优化方法开始涌现。MF方法可以利用用户的历史信息挖掘用户的兴趣，对其进行个性化推荐Netflix挑战中最成功的方法就是基于这个模型[1]。在优化方法方面Hu[2]等人使用了一个最小二乘法的最优化方法，这个方法中实例的权重是很重要的观察值。Rendle[3]等人使用了另一种最优化方法，观察用户与产品的成对作用。所有这些方法都优于传统的推荐方法。 本文提出的FPMC模型可以通过为每个用户马尔科夫链俘获用户的长期喜好近期关注，通过张量分解可以解决转移矩阵数据缺乏的，并结合BPR准则优化模型参数。结果表明，本文提出的FPMC模型在对用户连续行为进行推荐时要优于传统的MF模型或MC模型。 本文第三节中将介绍如何建立马尔科夫链模型并进行分解，第四节中将引入贝叶斯个性化排名优化准则对上一节张量分解得到的参数进行优化，并给出优化算法。2　根据用户的连续行为进