基于逐点偏好假设的协同推荐算法研究.pdfVIP

基于逐点偏好假设的协同推荐算法研究 摘 要 随着网络应用数量的剧增，网络资源的精确匹配变得越来越重要，而推荐系 统中的资源匹配问题就是如何从用户的历史偏好记录中发现特定规律，进而为网 络用户提供个性化服务。作为推荐系统中更常见的一类数据，隐式反馈数据比以 评分形式存在的显式反馈数据更容易收集，因此很多面向显式反馈的传统协同过 滤方法被扩展来对隐式反馈数据建模。由于这类数据只包含诸如交互与否这种单 一类别的信息，由此产生的一系列方法也被称为单类协同过滤方法。从偏好假设 的角度来看，单类协同过滤方法主要包括基于逐点偏好假设的单类协同过滤方法 和基于成对偏好假设的单类协同过滤方法等。 就预测准确率而言，基于逐点偏好假设的单类协同过滤算法往往被认为是要 劣于基于成对偏好假设的单类协同过滤算法的。因此，本文从偏好假设的角度对 现有的单类协同过滤算法进行了梳理和总结，指出传统的基于逐点偏好假设的协 同推荐算法在偏好假设方面存在的固有缺陷，即基于单个用户或物品的逐点偏好 假设倾向于以过于绝对的方式来对用户偏好建模。针对这一缺陷，本文首先提出 利用基于物品集的偏好假设来解决这一缺陷，进而设计了一个新的基于物品集偏 好假设的逐点单类协同过滤算法CoFi-points(i) ；在此基础上，本文进一步从用户 集的角度来改进传统的逐点偏好假设，并提出了一个新的基于用户集偏好假设的 逐点单类协同过滤算法 CoFi-points(u) 。在验证了基于集合的逐点偏好假设在传 统单类协同过滤算法中的有效性后，本文进一步探索基于集合的偏好是否能够提 升采用逐点建模方式的深度学习推荐算法的性能，并设计了一个基于深度学习架 构的集合偏好融入方案DeepSet ，其中包括三种在不同特征层融入集合偏好假设 的变种，分别是特征输入层 DeepSet(fi), 特征输出层 DeepSet(fo) 以及预测层 DeepSet(p) 。经实验验证，基于集合的偏好假设可以较好地解决传统的基于逐点 偏好假设的协同推荐算法中存在的局限性，并能够有效地提升深度推荐算法的性 能。 I 基于逐点偏好假设的协同推荐算法研究 关键词：推荐系统；单类协同过滤; 逐点偏好假设；基于集合的偏好 II Collaborative Recommendation with Pointwise Preference Assumption Abstract The explosive growth of web applications reinforces the significances of precise match of web resources, which corresponds to providing personalized matching services based on patterns discovered from users’ historical records in recommender systems. In order to fully exploit the massive implicit feedback, many classical collaborative filtering methods are extended to handle this one-class data that only contains information of single class, such as whether a user has interacted with an item or not. The resulting line of methods are called one-class collaborative filtering (OCCF) methods. So far, existing OCCF meth