一种新异构网络中基于上下文相关推荐模型.docVIP

一种新异构网络中基于上下文相关推荐模型 　　摘 要 随着异构网络中数据的急速递增，搜索引擎如何更准确地帮助用户找到所需的信息成为研究者关心的问题。基于集体矩阵分解（CMF）的推荐系统为解决这一问题提出了新的思路，但集体矩阵分解存在一个主要问题是，在不同上下文中的共享实体使用相同的潜在因素。这导致某一上下文中冷启动实体的潜在因素主要取决于另一上下文，这显然不能够准确描述该实体。针对这一问题，文章提出一个上下文相关的矩阵分解模型（CDMF），通过从每一段上下文的每个实体及转移矩阵获得一般的潜在因素，并将之转换成与上下文相关的潜在因素。通过实验证明，基于上下文相关的推荐模型，优于集体矩阵分解方案。 　　关键词 异构网络；上下文；推荐；矩阵分解；冷启动 　　中图分类号：TN918 文献标识码：A 文章编号：1671-7597（2013）23-0044-02 　　随着WWW上快速增长的可用信息，单纯依靠搜索引擎查找信息已显得力不从心。为了帮助用户选择信息，推荐系统应运而生。它作为搜索引擎的有效补充可以帮助用户找到感兴趣的信息。通常在异构网络中，任意两个实体类型中的实体可以相互作用，并可以通过评级来表示认可的程度。常规推荐系统的设置正是基于两种类型的实体之间的相互作用，多个实体类型共存且彼此在各种环境中相互作用。集体矩阵分解（CMF）模型作为典型的推荐系统，定义每个实体都有一个潜在的因素，两个实体之间的作用是通过其潜在因素相制约。一个实体的潜在因素是基于所有在这个实体参与互动的情境中学习到的相互作用的数据。然而，CMF模型的一个主要问题是，实体共享在不同的上下文中却使用相同的潜在因素，从而导致了多个评价矩阵，使得评级准确性产生偏差。 　　为解决这一问题，做了以下工作：①引入了新的CDMF模型，不同于CMF中共享实体使用相同的潜在因数，CDMF模型考虑到实体的一般潜在因素以及参与不同上下文的特定的潜在因素，并使之根据不同的评级相互作用，以此作为推荐的依据；②基于上下文出发，通过转移矩阵将一般潜在因素转化为具体的潜在因素；③通过实验证明CDMF模型优于CMF模型，特别是在针对冷启动实体的推荐时，更加精准。 　　1 基于上下文相关的矩阵分解模型——CDMF 　　本文提出的上下文相关的矩阵分解模型（CDMF），是一种扩展的集体矩阵分解模型。该模型中每个实体类型的每个实体都有一个一般潜在因素，同时实体类型都有一个上下文相关的特定潜在因素。上下文特定因素取决于一般潜在因素，并且可以依据算法从相应实体的一般潜在因素获得。在CDMF中 ，转移矩阵被用于将一般因素转移至每个上下文特定因素。在CDMF中我们作了如下定义： 　　给定一个异构信息网络G（U，L，R），包含N个实体类别U=（U1，U2…UN）；存在T个上下文，表示为L=（L1，L2…LT）；对每一个上下文L都有两个实体类别UM，UN中的实体相互作用，用评价矩阵R来描述，其中R为稀疏矩阵；矩阵中的每一元素r表示从实体u获得的对实体v的评价，其中u∈UM，v∈UN，r∈R；u，v为L中的实体。 　　考虑到上下文特定潜在因素取决一般潜在因素，并且可以从实体的一般潜在因素得到。故我们在CDMF模型中使用转移矩阵将一般潜在因素转移至每一个上下文的特定潜在因素中。模型中考虑到以下潜在因素： 　　1）Un类别实体的潜在的因素表示为Un表示，n∈[1，N]。对实体u∈Un的潜在因素记作Un，u 。 　　2）在上下文L中，每一个实体类别都存特定于该上下文的潜在因素。与之相对应的上下文特定潜在因素的转移矩阵表示为M。即对一个实体类别u∈Un及其上下文L，特定潜在因素U 。 　　3）考虑到每个上下文L都存在两个实体类别，分别用U和U表示两个上下文相关实体的潜在因素，则每个上下文L都存在两个独立的转移矩阵M和M。 　　故根据上下文特定的潜在因素生成一个上下文L的评级，其公式如下： 　　R ～ N （UU，σ） （1） 　　结合第二点及方程（2），通过M将一般潜在因素转移至上下文特定潜在因素，即有： 　　U～ N （MU，σI ） （2） 　　其中I是单位矩阵，不同于MF模型，我们通过它取代常规MF模型中零均值正态先验，以此提高实验准确性。由（1）、（2）可得： 　　U ～ N（，σI） （3） 　　根据以上等式，为了获取用户和项目评分的潜在因素，我们采用概率矩阵分解的方法，我们将用户u的潜在因素存放于矩阵U的第u行，表示为Uu；项目i的潜在因素存放于矩阵V的第i行，表示为项目评分矩阵Vi，得到概率矩阵计算公式表示如下： 　　p（R|U，V，） = （4） 　　其中N（x|μ，）为均值μ和方差的正态分布函数；I为指示函数，且仅当u存在确定的i值时，该函数值为1，否则为0。