《【word】协同过滤推荐系统中的隐性评分综述.doc》由会员分享，可在线阅读，更多相关《【word】协同过滤推荐系统中的隐性评分综述.doc（8页珍藏版）》请在三一文库上搜索。
1、协同过滤推荐系统中的隐性评分综述协同过滤推荐系统中的隐性评分综述梁周扬刘洪伟石雅强广东工业大学广东广州510500I摘要】针X,f协同过滤算法数据稀疏性的问题,围绕隐性评分这一解决方案,创新性地从隐性评分数据来源这一方面出发,对现有的相关研究成果进行了梳理.【关键词】协同过滤推荐系统隐性评分【Abstract1Forthesolutionsurroundingthesp&rsenessproblemofthecollaborativefilteringalgorithmsdata,implicitratingW&Spresented?F.mh.dt.ofimplicitrati
2、ng,theexistingrese3Pchresultshavebeeninnovative)ycombed.【Keyword】collaborativefiltering,recommendationsystem,implicitrating中图分类号:C3文献标识码:B文章编号:l0094067(20l1)03750l一,引言协同过滤技术是目前应用最广泛的个性化推荐技术,但是其需要大量的评分数据作为基础.目前的主要有两种评分模式:显性评分模式和隐性评分模式.显性评分,即用户直接告诉系统他们对某些物品(如音乐,CD)或某段信息(如新闻)的兴趣.在当今的电子商务环境中,特别是在移动商务环境中
3、,要求用户为项目打分是非常不现实的.因而,研究者们开始研究如何从事务数据,浏览行为,用户信息,项目信息中获得用户对某一项目的评分或兴趣度隐性评分.二,研究现状目前围绕怎么计算隐性评分的研究有很多,按照其数据来源可分为三类:基于评分数据对缺失的评分进行预测,基于购物篮数据的隐性评分计算,基于浏览行为的隐性评分计算.1,基于评分数据的隐性评分预测评分预测的原理非常简单:给出一个用户评分矩阵,利用各种方法预测用户没有打过分的项的评分值.早期的评分预测主要集中于基于邻居用户的方法,如有GroupLens算法【13】.文献【7】换了一个角度,从计算项目间的相似性出发,由用户对相似项目的评分预测用户对未评
4、分项目的评分.文献【l4综合考虑了用户个人信息后,建立了基于概率模型的URP(UserRatingProfiles)预测未评分项目的评分.文献15】针对URP方法的不足只存在对用户的潜在分组,增加了项目的潜在分组,提出Two-WayLatentGroupingModel以提高预测评分的精度.这一类型的隐性评分计算存在的不足就是在数据稀疏性较高的情况下预测效果不理想.而在移动商务的环境中,用户的评分矩阵是高度稀疏的,所以应该结合其它信息以提高预测效果.2,基于购物篮数据的隐性评分计算购物篮数据告诉我们一个用户是否购买了某个项目.即:f1,当u购买项目j时J0,当u.购没有买项目j时在这里,V:(
5、V.)被称为二维用户项目矩阵.多数文献都是围绕该二维矩阵进行方法的讨论,利用各种方法预测矩阵中的某个元素为1的概率是多少,即求PV.=1.文献8】针对用户购物矩阵,使用主成分分析减少ITEM变量的维度,再利用二元logistic回归预测商品属于1的概率为多少.文献【6利用了购物篮数据中的购买时间,与项目的发布时间相结合,手工构造虚拟评分函数W(P,1),P为购买时间,l为项目发布时间.文献【8里的二维用户项目矩阵只是由0和l组成,不能充分刻画用户的兴趣.我们引入用户购买项目的数量,能更加准确地刻画用户兴趣.3,基于浏览行为的隐性评分计算大量研究表明,用户的在页面上的浏览行为与用户的兴趣有着极大
6、的相关性【1,2】.用户的浏览行为一般包括浏览时间,鼠标的点击数,页面滚动时间,书签,打印,保存等.这些浏览为与用户的兴趣有着很强的相关性【3】.从用户的浏览行为推出用户的隐性评分是目前热门的研究方向.现在对用户的浏览行为进行分析的方法主要有神经网络,多元线性和非线性回归,和各种聚类方法.文献f9】利用神经网络计算隐性评分,通过穷举各种行为数据组合的预测精确度,并对结果进行分析,得出各参数与隐式评价计算的相关陛,并得出了对计算隐式评价最有效的行为数据集合.文献10采用序列算法和多元线性回归为工具,提出了一种将浏览行为分析和浏览内容挖掘相结合的用户兴趣自动学习与更新的新方法.文献【1l】引入非线
7、性的Logistic模型和双曲线模型作为分析用户浏览时间兴趣度和拉动滚动条兴趣度的数学工具.然后利用这两种非线性模型得到的兴趣度的值作为J道机变量,再利用传统的多元线性回归模型得到一个总的行为兴趣度.还有从另外一些角度进行分析的,文献【l2】就从心理学的角度运用内驱力理论发现web用户的浏览行为和他对网页是否感兴趣密切相关,并提出用线性回归模型来描述它们之间的相关性,计算用户兴趣度.通过实验验证了他们提出的这种回归模型是成立的,合理的和有效的.总结本文从影响隐性评分的数据来源出发,把相关的国内外的研究做了一次梳理,提供了一种新的视角把隐性评分模型进行归类,为研究者进行隐性评分研究开拓了思路.支
8、持项目.国家自然科学基金,项目批准号:70971027.参考文献1D.M.Nicho1s.Imp1icitRatingandFiIteri”g.InProceedingsoftheFifthDELOSWorkshoponFiiteringandCo11aborativeFi1tering,Nov.1997.2DiaFieKelIY,Nicho1asJ.Be1kin,Readingtifile,scro11ingandinteraction:exploringimplicitsourcesofuserpreferencesforre1一evancefeedback,Proceedingsofth
9、e24thannualinternatiofla1ACMSIGIRconferenceonResearchanddeve1opmentininformationretrieval,P.408409,SePtember2001,NewOrleans,Louisiana,UnitedStates311M.Claypoo1,PhongLe,M.Waseda,DBrown.Implicit1nterestIndicators.InProceedirigsofACMInteliigentUserInterfacesConference2001:3340,4陈冬林,聂规划,刘平峰,基于网页语义相似性的商品
10、隐性评分算法J.系统工程理论与实践,2006.5高琳琦,李龙洙,基于顾客行为的产品推荐方法【J.计算机工程与应用,2005,3:P188-190.【6TQLee,YPark,YTPark,Atimebasedapproachtoeffectiverecommendersystemstlsingimp1icitfeedback【J】,ExpertSystemsWithApP1ications,Vo1ume34,IssHe4,MaY2008,Pages305530627】Sarwar,B.,Karypis,G.,Konstan,J.,eta1.Item-Basedco1laborativefilt
11、eringrecommendationalgorithms.In:Shen,V.Y.,Saito,N.eds.Proceedingsofthe10thInternationa1Wor1dWideWebConferelite(www1O).2oo1.285295.8JSLee,CHJun,JLee,SKim.C1assificatiOllbasedco11aborativefilteringusingmarketbasketdata.ExpertSvstemsWithAPPtications,20059】脱建勇,王嵩,李秀,封文煌.隐式评价一一一个案例分析【J.计算机工程与应用,2006.10朱征宇,裴仰军,陈华月,付关友.个性化服务中用户近期兴趣视图的生成J.计算机工程与设计,2005.11陈抒然,面向个性化服务的用户兴趣建模及应用研究.重庆大学,2007【12付关友,朱征字.个性化服务中基于行为分析的用户兴趣建模【J】.计算机工程与科学,2005.作者简介梁周扬,男,广东工业大学管理学院,硕士,主要从事电子商务,推荐系统研究.2011?03中国电子商务.一75