山东大学计算机学院.ppt

II.Userinterstestexpansion-D.UserInterestExpansion在兴趣关系图上，使用PageRank，作为个性化排序策略，来预测用户兴趣用户Ui的兴趣表示为一个向量，初始状态为θi(0)，为用户上兴趣的概率分布。θi在关系图中执行随机游走，至到θ稳定。最终得到θ(s)表示所有用户扩展后的兴趣向量。II.Userinterstestexpansion-E.FromExpandedUserIntereststotheItemRecommendationiExpand可直接推荐，无需预测评分。我们周期性的离线更新推理过程及关系图，同时更新用户兴趣。II.Userinterstestexpansion-G.ComputationalComplexityLDA的时间复杂度为O(M·N·K·l)，l为Gibbs采样迭代次数。商品-兴趣的双向图映射时间复杂度为O(N·K2)所有用户随机游走收敛的时间复杂度为O(s·M·K2)K远远小于ＭＮ，因此iExpand的时间复杂度为O(M·N·K·l)Gibbs采样一般少于30次可收敛，此方法很高效的。山东大学计算机学院谢谢！主题建模的目的利用看到的文档推断出隐藏的主题结构，其实也就是产生文档的逆过程。乔布斯离我们而去了。”“苹果价格会不会降？”*条件分布：这取决于兴趣在其它所有商品上的分配。*PageRank：初始设置相同的PR值，将PR值平均分配到出链上，然后将所有指向本页面的入链传入的权值求和，得到新的PR值，即完成一轮PR值的计算。普西*山东大学计算机学院EnhancingCollaborativeFiltering

byUserInterestExpansionviaPersonalizedRanking报告人：李婷山东大学计算机学院出处：IEEETRANSACTIONSONSYSTEMS,MAN,ANDCYBERNETICS—PARTB:CYBERNETICS,VOL.42,NO.1,FEBRUARY2012作者：QiLiu，Enhongchen中国科技大学研究方向：intelligentdataanalysis，personalizedrecommendersystems，andWebinformationprocessing山东大学计算机学院ContentsI.IntroductionII.UserinterstestexpansionIII.Experimentalresults山东大学计算机学院I.Introduction-A.CollaborativeFiltering之前的方法基于这种假设：用户喜欢与之有相似偏好的用户所喜欢的商品主要通过学习用户-商品二元关系进行推荐，没有考虑潜在的用户兴趣对用户行为的影响。本文把兴趣看做是商品的特征，更好的解释用户选择推荐的商品的原因及用户、商品、兴趣之间的相互作用。I.Introduction-B.MotivatingExample当用户在选择电影时，有一些潜在的兴趣会影响他们的选择。用户看过电影后，兴趣可能会发生变化。关于电影推荐系统的例子I.Introduction-B.MotivatingExample如果推荐系统只根据用户过去的兴趣，会产生Overspecialization问题。在实际情况中，用户的购买记录或者商品的评分记录比较少，因此系统很难做出有意义的推荐，即冷启动问题。例如：用户b只看过《卧虎藏龙》，且看这部电影的人很少的情况下，很难为用户推荐。如果我们把《卧虎藏龙》归类为功夫电影和Oscar电影，则系统可为用户推荐属于这两类的电影，从而缓解了冷启动问题。I.Introduction-C.Contributions前提：用户的评分取决于潜在的兴趣集提出了一个基于模型的协同过滤框架iExpand。使用主题模型LDA（潜在狄利克雷分布模型）获得用户的兴趣分布，学习兴趣之间的转换概率缓解了冷启动与过度专门化的问题iExpand的优点：与之前的基于主题模型方法相比较，发现了各个兴趣之间的关系，使用了个性化的排序策略扩展用户的兴趣。iExpand将协同过滤看做一个排序问题，直接对候选商品进行排序。I.Introduction-LDA的直观现象左图：词语在主题上概率分布；右图：主题直方图3II.Userinters