面向隱式反饋的推薦方法研究.pdf

1、個性化推薦作為解決信息過載的一個有效手段已經(jīng)成為工業(yè)界和學術(shù)界研究的熱點，根據(jù)反饋信息的不同，可以劃分為面向顯式反饋和面向隱式反饋的推薦。其中，前者是個性化推薦的主流，而后者的普遍性使得此類推薦方法有更高的研究和應用價值。然而隱式反饋的若干缺陷給推薦帶來了很大的挑戰(zhàn)。
　　論文首先分析了隱式反饋的特點，隨后分類闡述了當前主流的面向隱式反饋的推薦方法的特點：包括單類協(xié)同過濾、基于學習排序的推薦以及其他結(jié)合輔助信息的推薦等，分析比較了

2、各類方法的優(yōu)缺點，并進一步分析了適用于隱式反饋推薦方法的多種評價指標。
　　在此基礎(chǔ)上，論文從推薦排序的角度出發(fā)，首先在近鄰協(xié)同過濾和單類協(xié)同過濾上結(jié)合排序相似度進行了實驗，與傳統(tǒng)的用戶協(xié)同過濾和加權(quán)矩陣分解的結(jié)果對比，驗證了其能夠一定程度上提升推薦效果，尤其是對于推薦列表的排序優(yōu)化較為顯著。
　　之后文章深化排序的思想，提出了基于逐表排序優(yōu)化的模型MMR——即直接最大化推薦結(jié)果列表的MAP指標。并借鑒逐對排序框架BPR的建

3、模技巧，給出了指標函數(shù)MAP的平滑近似形式，形成了基于梯度的優(yōu)化方法。根據(jù)底層模型的不同，MMR進而拓展出基于矩陣分解的MMR-MF算法和基于最近鄰的MMR-KNN算法。隨后，為了解決逐表學習算法的計算復雜度瓶頸，文中給出了根據(jù)當前模型排序的采樣方法，并通過理論推導和實驗結(jié)果證明了該方法的正確性與有效性。最后，文章通過在兩個實際數(shù)據(jù)集上對比了MMR與BPR，以及上述基本算法在各個指標上的表現(xiàn)，得出了MMR方法綜合性能優(yōu)于其他方法的結(jié)論，