基于用户相似度迁移的协同过滤推荐算法＊.pdf

《基于用户相似度迁移的协同过滤推荐算法＊.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、TechniqueandMethod基于用户相似度迁移的协同过滤推荐算法柯良文，王靖(华侨大学计算机科学与技术学院，福建厦门361021)摘要：数据稀疏性问题是传统的协同过滤算法主要的瓶颈之一。迁移学习利用辅助领域的用户评分信息，有效地缓解了目标领域的稀疏性问题。现有的迁移学习推荐算法中，普遍存在领域间的用户需要一致、模型平衡参数较多等限制。针对这些局限性，提出了一种用户相似度迁移的模型，利用辅助领域的用户相似度帮助目标领域用户相似度的学习。此外，通过一种用户特征子空间的距离来度量模型的平衡参数，使模型更加具有智能性。实验结果表明，该模型与其他协同过滤算法相比较能够更有效地缓解数据稀

2、疏性问题。关键词：数据稀疏性；协同过滤；迁移学习；用户相似度；特征子空间中图分类号：TP311文献标识码：A文章编号：1674—7720(2014)14—0071—04AcollaborativefilteringalgorithmbasedonusersimilaritytransferKeLiangwen，WangJing(SchoolofComputerScienceandTechnology，HuaqiaoUniversity，Xiamen361021，China)Abstract：Datasparsityisoneofthemostchallengesfortraditio

3、nalcollaborativefilteringalgorithms．Transferlearningmethodsusetheknowledgeoffromauxiliarydomainsothatitcanefectivelyalleviatethedatasparsityproblemintargetdomain．However，thereexistsomerestrictsforthemostexistingtransferlearningmethods，suchasusersneedingconsistentbetweendomains，morebalancedparam

4、etersinthemodelete．Inresponsetotheselimitations，weproposeamodelofusersimilaritytransfer，whichmakesuseoftheusersimilarityfromauxiliarydomaintohelplearningusersimilarityintargetdomain．Inaddition，wemakethemodelmoreintelligentbymeasuringthebalancedparametersinthemodelwithdistanceofuserfeaturesubspa

5、ce．Theexperimentalresultsshowthatourmodelcanmoreefectivelyalleviatethedatasparsityproblemcomparedtoothercollaborativefilteringalgorithms．Keywords：datasparsity；collaborativefiltering；transferlearning；usersimilarity；featuresubspace协同过滤技术是推荐系统中应用最为广泛和成功阵分解模型CMF(CollectiveMatrixFactorization)[3】，Li

6、Bin的推荐技术之一Il】，其基本思想是：利用整个用户集对等人提出了一种评分矩阵生成模型RMGM(RatingMatrix项目集的历史评分数据来预测目标用户对其未评分的GenerativeMode1)【引，PanWeike等人则提出了一种坐标项目集的偏好程度，从而选择若干个预测后偏好程度最系统迁移模型CST(CoordinateSystemTransfer)[t。这些算高的项目作为推荐结果I2】。法均通过对辅助领域的知识进行迁移来帮助提高目标传统的协同过滤算法最为关键的步骤是度量用户领域的推荐精度。之间或项目之间的相似度。随着系统规模的不断扩大，然而，在现有的迁移学习推荐算法中，如C

7、MF模型用户对项目评分数据极端稀疏时，利用传统的方法难以和CST模型，需要辅助领域与目标领域的用户空间一准确地度量相似性，导致了推荐系统的推荐质量降低。为致，并且模型中需要控制较多的参数，受到了一定的限了缓解稀疏性的问题，多领域数据的迁移学习已受到了制。针对这些局限，本文提出一种用户相似度迁移的协学者们的高度关注。目前，研究者已提出了多种基于迁同过滤模型UST(UserSimilarityTransfer)，对辅助领域和移学习的推荐算法，如SINGH等人提