基于PMF进行潜在特征因子分解标签.docVIP

基于PMF进行潜在特征因子分解标签 　　摘要： 现有社会标签推荐技术存在数据稀疏、时间复杂度高以及可解释性低等问题，鉴于此，提出基于概率矩阵分解（PMF）进行潜在特征因子联合分解的标签推荐算法（TagRecUPMF），它结合用户、资源及标签3方面的潜在特征，联合构建对应的概率形式的潜在特征向量，然后根据它们两两之间的特征向量内积进行线性组合，从而产生TopN推荐。该算法解决了数据规模大且稀疏情况下的精度问题，算法的线性复杂度使得其可用于大规模数据。实验结果表明，相比于TagRecCF，PITF， TTD，Tucker，NMF等算法，本文算法既提高了推荐的准确率，又降低了时间损耗。与PITF算法相比较，准确率得到了提高，而处理时间相差不明显；与TTD算法相比较，在准确率相差不明显的情况下，大大降低了时间损耗。因此，本文的TagRecUPMF算法相比其他算法表现出了一定的优势。 　　关键词：协同过滤；潜在特征因子；标签推荐；推荐系统；概率矩阵分解 　　中图分类号：TN911。23 文献标识码：A 　　作为Web2。0的重要特征，社会标签系统允许用户对系统资源利用个性化标签进行标注，从而使具有相同兴趣偏好的用户相互推荐及共享资源＼[1＼]。国内外知名社会标签系统有音乐类标签系统last。fm＼[2＼]、图片类标签系统flickr＼[3＼]、电影类标签系统movielens＼[4＼]、书签和出版物信息共享系统bibsonomy＼[5＼]等。这些网站采用社会标签整合各类资源，这有助于用户组织、浏览和搜索自己感兴趣的资源，也能够更好地帮助用户之间进行沟通及共享，而标签推荐系统可将用户感兴趣的标签推荐给使用同一资源的用户＼[6＼]。 　　标签推荐系统基于用户以往的标注行为进行标签推荐，这种推荐同时依赖于用户和资源＼[7＼]。目前广泛应用的协同过滤推荐＼[8＼]（CF）为目标用户寻找有相似标注行为的其他用户（近邻），并将近邻在目标资源上标注过的其他标签推荐给目标用户，该技术简单和实用，但也面临着冷启动和数据稀疏问题＼[6＼]。基于此，研究者尝试从其他角度去研究新的推荐策略及方法，目前，大部分关于标签推荐的研究集中在因子分解方面，比较典型的有非负矩阵分解（NMF）＼[9＼]，奇异值分解（SVD）＼[10＼]，高阶奇异值分解（HOSVD）＼[6＼]，Tucker张量分解＼[8＼]，PITF张量分解＼[1＼]以及TTD张量分解＼[6＼]，这些方法在解决数据稀疏性和缺失值带来的问题上取得了较好的效果。但这些分解技术仅考虑了标注关系，并未考虑用户的评分偏好关系，由于用户选择标签进行标注的过程中同时受自身对资源和标签的兴趣偏好影响。另外，不同用户对标签或资源的兴趣偏好侧重面不一样[11]，标签和资源是受某些基本的、潜在的特征支配，用户的偏好则是由用户对这些潜在特征喜好程度的加权综合，用户的标注行为除受本身偏好的影响之外，同样还受到标签和资源的潜在特征结构的影响＼[8＼]。这体现出一种“资源标签”的双重概率关系＼[12＼]，这种关系同样存在于“用户资源”、“用户标签”情形中。为了解决上述问题，本文提出一种新的标签推荐方法（TagRecUPMF），该方法采用概率矩阵分解技术进行潜在特征因子联合分解，然后通过潜在特征向量之间相互组合完成推荐。 　　湖南大学学报（自然科学版）2015年 　　第10期刘胜宗等：基于PMF进行潜在特征因子分解的标签推荐 　　1问题定义 　　社会标签系统可形式化定义为F：=（US，TS，IS，RS），其中US为User集合，TS为Tag集合，IS为Item集合，RS为User，Item和Tag之间的关系集合，其中RS∈TS×US×IS＼[6＼]。标签推荐是在用户访问的资源上推荐与资源相关的标签。符号标记如表1所示。 　　表1符号标记表 　　Tab。1Definition table of symbol 　　符号标记 　　解释说明 　　US={u1，u2，…，um} 　　用户集合，共m个用户 　　IS={i1，i2，…，in} 　　资源集合，共n个资源 　　TS={t1，t2，…，to} 　　标签集合，共o个标签 　　U∈Rl×m 　　用户潜在特征矩阵 　　V∈Rl×n 　　资源潜在特征矩阵 　　W∈Rl×o 　　标签潜在特征矩阵 　　l∈R 　　潜在特征空间维数 　　B={bui}，B∈Rm×n 　　用户资源关系矩阵 　　C={but}，C∈Rm×o 　　用户标签关系矩阵 　　A={ait}，A∈Rn×o 　　资源标签关系矩阵 　　一般地，用户对标签的认可程度、用户对资源的兴趣程度和资源与标签的关联程度分别表示成用户标签认可关系矩阵C、用户资源兴趣矩阵B和资源标签关