面向隱式反饋的推薦方法研究.pdf

1、個(gè)性化推薦作為解決信息過(guò)載的一個(gè)有效手段已經(jīng)成為工業(yè)界和學(xué)術(shù)界研究的熱點(diǎn)，根據(jù)反饋信息的不同，可以劃分為面向顯式反饋和面向隱式反饋的推薦。其中，前者是個(gè)性化推薦的主流，而后者的普遍性使得此類(lèi)推薦方法有更高的研究和應(yīng)用價(jià)值。然而隱式反饋的若干缺陷給推薦帶來(lái)了很大的挑戰(zhàn)。
　　論文首先分析了隱式反饋的特點(diǎn)，隨后分類(lèi)闡述了當(dāng)前主流的面向隱式反饋的推薦方法的特點(diǎn)：包括單類(lèi)協(xié)同過(guò)濾、基于學(xué)習(xí)排序的推薦以及其他結(jié)合輔助信息的推薦等，分析比較了

2、各類(lèi)方法的優(yōu)缺點(diǎn)，并進(jìn)一步分析了適用于隱式反饋推薦方法的多種評(píng)價(jià)指標(biāo)。
　　在此基礎(chǔ)上，論文從推薦排序的角度出發(fā)，首先在近鄰協(xié)同過(guò)濾和單類(lèi)協(xié)同過(guò)濾上結(jié)合排序相似度進(jìn)行了實(shí)驗(yàn)，與傳統(tǒng)的用戶協(xié)同過(guò)濾和加權(quán)矩陣分解的結(jié)果對(duì)比，驗(yàn)證了其能夠一定程度上提升推薦效果，尤其是對(duì)于推薦列表的排序優(yōu)化較為顯著。
　　之后文章深化排序的思想，提出了基于逐表排序優(yōu)化的模型MMR——即直接最大化推薦結(jié)果列表的MAP指標(biāo)。并借鑒逐對(duì)排序框架BPR的建

3、模技巧，給出了指標(biāo)函數(shù)MAP的平滑近似形式，形成了基于梯度的優(yōu)化方法。根據(jù)底層模型的不同，MMR進(jìn)而拓展出基于矩陣分解的MMR-MF算法和基于最近鄰的MMR-KNN算法。隨后，為了解決逐表學(xué)習(xí)算法的計(jì)算復(fù)雜度瓶頸，文中給出了根據(jù)當(dāng)前模型排序的采樣方法，并通過(guò)理論推導(dǎo)和實(shí)驗(yàn)結(jié)果證明了該方法的正確性與有效性。最后，文章通過(guò)在兩個(gè)實(shí)際數(shù)據(jù)集上對(duì)比了MMR與BPR，以及上述基本算法在各個(gè)指標(biāo)上的表現(xiàn)，得出了MMR方法綜合性能優(yōu)于其他方法的結(jié)論，