论文部分内容阅读
在当前的大多数在线购物平台中,用户的历史行为数据(如评分、点赞、浏览记录)隐式地包含用户的偏好信息,很多推荐系统都将其作为输入数据的重要来源之一。根据用户的反馈机制,可以将用户的在线行为数据可分为显式反馈数据和隐式反馈数据,并且对于当前的电商领域,这两者数据是并存的,很少独立存在显式反馈或者隐式反馈数据。然而,之前大部分推荐算法都把重心集中在单独的显式反馈或者隐式反馈,如何融合显隐式反馈用于推荐任务一直是研究的难点之一。仅仅使用显式反馈数据(如评分、评级)往往会忽略用户喜好的相似度,而只基于隐式反馈数据(如浏览记录、点击、加入购物车)的推荐则会忽视用户对产品的偏好程度,所以传统的一些推荐算法无法应对当前电商对于推荐技术的迫切需求。本文主要研究并解决基于显隐式反馈的协同排序推荐问题,从研究如何将显隐式反馈数据融合起来的角度入手,提出了一种融合显隐式反馈的协同推荐模型EIPM,同时对于隐式反馈进行了深入探究。如何将知识库中包含的结构化数据的语义信息和用户的隐式反馈结合起来是本文所要重点探究的,为此我们提出了一种基于结构特征和隐式反馈协同排序推荐算法KE-BPR。对于本文新提出的推荐模型EIPM和KE-BPR算法,我们都基于两个真实的数据集通过充分实验来展现各自的推荐效果。本文的主要工作以及成果如下:(1)提出一种基于结构特征和隐式反馈的协同排序推荐算法KE-BPR,充分利用知识库中包含的语义信息,运用知识库嵌入方法,从知识库中提取结构化知识的特征表示来丰富推荐项目的特征信息,接着将用户和项目之间的隐式反馈和知识库的结构嵌入整合到一起,通过协同参与学习的方式进一步提高推荐算法的性能。(2)提出一种融合显隐式反馈的协同推荐模型EIPM(Explicit and Implicit Preference Model),首先基于用户隐式反馈数据从待排序物品集中选出用户最有可能浏览的物品,并通过用户显式反馈数据来预测用户对物品的评分,对于之前选出的物品集重新排列先后顺序,进一步提升推荐算法的效果。(3)针对本文新提出推荐算法,我们都基于两个真实的数据集进行广泛地实验来验证各自的有效性。结果表明,利用知识库中的结构知识的KE-BPR和融合显隐式反馈的协同推荐模型EIPM在推荐效果上明显优于其它几种基线算法。