資源描述：
《基于用戶相似度遷移的協(xié)同過濾推薦算法＊.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。
1、TechniqueandMethod基于用戶相似度遷移的協(xié)同過濾推薦算法柯良文，王靖(華僑大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，福建廈門361021)摘要：數(shù)據(jù)稀疏性問題是傳統(tǒng)的協(xié)同過濾算法主要的瓶頸之一。遷移學(xué)習(xí)利用輔助領(lǐng)域的用戶評分信息，有效地緩解了目標(biāo)領(lǐng)域的稀疏性問題?，F(xiàn)有的遷移學(xué)習(xí)推薦算法中，普遍存在領(lǐng)域間的用戶需要一致、模型平衡參數(shù)較多等限制。針對這些局限性，提出了一種用戶相似度遷移的模型，利用輔助領(lǐng)域的用戶相似度幫助目標(biāo)領(lǐng)域用戶相似度的學(xué)習(xí)。此外，通過一種用戶特征子空間的距離來度量模型的平衡參數(shù)，使模型更加具有智能性。實(shí)驗(yàn)結(jié)果表明，該模型與其他協(xié)同過濾算法相比較能夠更有效地緩解數(shù)據(jù)稀
2、疏性問題。關(guān)鍵詞：數(shù)據(jù)稀疏性；協(xié)同過濾；遷移學(xué)習(xí)；用戶相似度；特征子空間中圖分類號：TP311文獻(xiàn)標(biāo)識碼：A文章編號：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協(xié)同過濾技術(shù)是推薦系統(tǒng)中應(yīng)用最為廣泛和成功陣分解模型CMF(CollectiveMatrixFactorization)[3】，Li
6、Bin的推薦技術(shù)之一Il】，其基本思想是：利用整個(gè)用戶集對等人提出了一種評分矩陣生成模型RMGM(RatingMatrix項(xiàng)目集的歷史評分?jǐn)?shù)據(jù)來預(yù)測目標(biāo)用戶對其未評分的GenerativeMode1)【引，PanWeike等人則提出了一種坐標(biāo)項(xiàng)目集的偏好程度，從而選擇若干個(gè)預(yù)測后偏好程度最系統(tǒng)遷移模型CST(CoordinateSystemTransfer)[t。這些算高的項(xiàng)目作為推薦結(jié)果I2】。法均通過對輔助領(lǐng)域的知識進(jìn)行遷移來幫助提高目標(biāo)傳統(tǒng)的協(xié)同過濾算法最為關(guān)鍵的步驟是度量用戶領(lǐng)域的推薦精度。之間或項(xiàng)目之間的相似度。隨著系統(tǒng)規(guī)模的不斷擴(kuò)大，然而，在現(xiàn)有的遷移學(xué)習(xí)推薦算法中，如C
7、MF模型用戶對項(xiàng)目評分?jǐn)?shù)據(jù)極端稀疏時(shí)，利用傳統(tǒng)的方法難以和CST模型，需要輔助領(lǐng)域與目標(biāo)領(lǐng)域的用戶空間一準(zhǔn)確地度量相似性，導(dǎo)致了推薦系統(tǒng)的推薦質(zhì)量降低。為致，并且模型中需要控制較多的參數(shù)，受到了一定的限了緩解稀疏性的問題，多領(lǐng)域數(shù)據(jù)的遷移學(xué)習(xí)已受到了制。針對這些局限，本文提出一種用戶相似度遷移的協(xié)學(xué)者們的高度關(guān)注。目前，研究者已提出了多種基于遷同過濾模型UST(UserSimilarityTransfer)，對輔助領(lǐng)域和移學(xué)習(xí)的推薦算法，如SINGH等人提
