论文部分内容阅读
推荐系统可以帮助人们从互联网中快速找到需要的信息。传统的推荐系统仅考虑用户和物品之间的单一类型的关系。根据输入数据类型的不同,推荐系统分为两种:输入数据类型为用户的显性反馈(如评分等)的推荐系统和输入数据类型为用户的隐性反馈(如浏览行为、购买行为等)的推荐系统。在互联网行业中,用户的隐性反馈数据种类丰富,通过利用隐性反馈进行的推荐的结果要比仅仅利用显性反馈更好。为了改善推荐效果,本文在异构信息网络(Heterogeneous Information Network,HIN)中结合用户和物品之间多种链接关系和用户的多种类型的隐性反馈,提出两个实体推荐模型。一是结合不同语义的元路径和用户的多种隐性反馈,学习隐性特征在不同元路径上的重要性,进而得到用户对物品的偏好,再根据用户偏好向用户推荐。这个模型称为基于异构信息网络的多种隐性反馈的实体推荐模型(Mult-heterec)。另一个实体推荐模型是结合多种隐性反馈和用户群组兴趣的个性化推荐模型(Mult-heterec-p)。该模型在Mult-heterec模型的基础上,首先对用户进行聚类找到有着相似行为的用户小组,然后在每个小组中对用户学习Mult-heterec模型。这两种基于异构信息网络的实体推荐模型能够得到很好的推荐质量,同时也能够有效解决协同过滤推荐系统中出现的数据稀疏性和冷启动的问题。本文的创新点如下:1.本文提出基于异构信息网络的多种隐性反馈的实体推荐模型(Mult-heterec),提升了推荐性能,并且可以有效解决数据稀疏等问题。Mult-heterec模型通过学习在不同元路径下表示用户偏好隐性特征的重要性来构建。模型的学习方法采用贝叶斯排序优化方法。基于Mult-heterec模型的推荐是根据学习到的用户物品的偏好分数矩阵中的偏好值高低,向用户产生推荐。2.本文提出结合多种隐性反馈和用户群组兴趣的个性化推荐模型(Mult-heterec-p)。首先采用Kmeans聚类算法对用户的隐性反馈进行聚类,找到行为相似的用户小组,即这些相似行为的用户的兴趣爱好是相似的。然后对每个小组中的用户学习基于异构信息网络的多种隐性反馈的实体推荐模型,向用户产生推荐。3.本文利用豆瓣这个真实的数据集,对提出的上述推荐模型进行实验验证。从实验结果看出Mult-heterec模型和Mult-heterec-p模型都可以提升推荐性能,而Mult-heterec-p模型的推荐效果要比Mult-heterec模型的效果更好。