集成多元信息的推薦系統(tǒng)建模方法的研究.pdf

1、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、電子商務(wù)、人工智能、云計算、移動計算等眾多領(lǐng)域的不斷發(fā)展和成熟，無時不刻都會有新的信息、產(chǎn)品、資源產(chǎn)生，由此催生了大數(shù)據(jù)時代的來臨。在這個時代中，信息過載已經(jīng)成了各個領(lǐng)域亟需解決的核心問題之一，與推薦系統(tǒng)相關(guān)的技術(shù)已經(jīng)成為了解決這個問題的一個有效的途徑。事實上，更為廣義的推薦系統(tǒng)技術(shù)已經(jīng)應(yīng)用于眾多領(lǐng)域，包括網(wǎng)頁排名、垃圾郵件過濾、在線約會等，因此推薦系統(tǒng)已經(jīng)成為了信息檢索、數(shù)據(jù)挖掘、社會網(wǎng)絡(luò)分析等領(lǐng)域的核心技術(shù)之一。

2、本文正是以此為切入點，對現(xiàn)有的推薦系統(tǒng)技術(shù)存在的不足進(jìn)行了深入剖析，并提出了新穎有效的解決方案。特別地，本文使用多元信息和機器學(xué)習(xí)的方法來構(gòu)造更全面的模型以此解決現(xiàn)有推薦系統(tǒng)的不足之處，其主要目的在于能夠更為精確對用戶偏好和物品特征進(jìn)行表示。此外，為了滿足推薦問題中所產(chǎn)生的新需求，本文設(shè)計了新型的推薦系統(tǒng)模型。
　　在推薦系統(tǒng)中，少數(shù)流行的物品和少數(shù)活躍的用戶占據(jù)了大量的數(shù)據(jù)，而其他物品和用戶僅僅占有很少的數(shù)據(jù)，符合典型的長尾分布

3、。長尾分布說明用戶與物品普遍存在著異構(gòu)性，而傳統(tǒng)的基于獨立同分布假設(shè)的推薦模型無法表示出這樣的異構(gòu)性，為此本文提出了基于潛在特征的貝葉斯異方差選擇模型（BHCM）。首先，BHCM使用貝葉斯非參數(shù)方法來對用戶和物品進(jìn)行自動分組，并使用每個組特定的先驗分布來產(chǎn)生差異化的特征。此外，BHCM還對傳統(tǒng)選擇模型中過強的非此即彼的二值假設(shè)進(jìn)行了修正，提出了弱二值假設(shè)來建模選擇和未選擇。為此，本文設(shè)計了一個基于貝葉斯方法的異方差模型對每個選擇或未選擇

4、賦予不同的方差來表示不同的置信度。
　　長尾分布的特性給推薦系統(tǒng)帶來了數(shù)據(jù)稀疏、冷啟動、異構(gòu)性、托攻擊等諸多問題，尤其對尾部用戶和尾部物品而言，這些問題顯得更為嚴(yán)重。為了應(yīng)對這些問題，本文提出了CoHMF模型，它由兩個異方差矩陣分解模型C-HMF和R-HMF組成，其中C-HMF的方差模型用來建模每一個用戶反饋的可信度；R-HMF的方差模型用來建模用戶選擇的物品的罕見度。CoHMF使用C-HMF所學(xué)習(xí)出的用戶和物品特征作為R-HMF

5、中用戶和物品特征的經(jīng)驗先驗，反過來R-HMF學(xué)出的用戶特征也可以用做是C-HMF用戶特征的經(jīng)驗先驗，通過使用彼此的經(jīng)驗先驗進(jìn)行互相正則化，這樣所學(xué)習(xí)出的潛在特征即能夠更真實反映出物品的特點，又能夠表示出用戶對尾部物品偏好。
　　互聯(lián)網(wǎng)的發(fā)展使得新的應(yīng)用層出不窮，對每個用戶而言通常只對一些領(lǐng)域有足夠多的經(jīng)驗，而對其他的領(lǐng)域缺乏經(jīng)驗，所以推薦系統(tǒng)更應(yīng)該幫助用戶在經(jīng)驗缺乏的領(lǐng)域進(jìn)行選擇。然而當(dāng)前的推薦系統(tǒng)大都是建立在單一領(lǐng)域上，而在用戶

6、經(jīng)驗缺乏的領(lǐng)域上，意味著沒有足夠的用戶反饋信息，所以容易遭受冷啟動的問題。本文提出了非規(guī)則的跨領(lǐng)域張量分解模型（CDTF）用來建模用戶、物品和領(lǐng)域組成的三元關(guān)系，其中CDTF允許每個領(lǐng)域擁有不同數(shù)量的物品，并且每個領(lǐng)域的物品有著自身獨立的特征表示；通過每個領(lǐng)域自身的特征與跨領(lǐng)域的用戶特征相結(jié)合，來形成領(lǐng)域特定的用戶偏好的表示。此外，本文還提出了基于雙線性多水平分析（BLMA）的跨領(lǐng)域潛在特征模型，它把對用戶偏好特征的表示分解為了多個水平

7、，包括領(lǐng)域水平、群體水平和個人水平，其中每個水平都有著對應(yīng)的隨機效應(yīng)（潛在特征）。BLMA假設(shè)用戶所提供的反饋是各個水平的效應(yīng)綜合作用產(chǎn)生的結(jié)果，因此當(dāng)用戶數(shù)據(jù)缺失時，也可以通過其他水平的潛在特征來近似用戶偏好的特征。
　　人類具有社會性，在日常生活存在著大量群體活動，因此產(chǎn)生了構(gòu)建群體推薦系統(tǒng)的需求。進(jìn)行群體推薦時，由于群體中各個成員之間的偏好存在著很大的差異，所以如何權(quán)衡每個成員偏好所產(chǎn)生的分歧，尋求使整個群體滿意度最大化的推

8、薦方案，是群體推薦系統(tǒng)所要解決的關(guān)鍵核心問題。當(dāng)前的群體推薦系統(tǒng)大都基于整合模型，這樣的模型直接構(gòu)建在數(shù)據(jù)上，因此它們對數(shù)據(jù)的質(zhì)量非常依賴。從本質(zhì)上來說，這些方法沒有能夠很好地對群體偏好特征進(jìn)行表示，而這是構(gòu)建一個成功的群體推薦系統(tǒng)最為關(guān)鍵的因素。本文提出了一個基于深度學(xué)習(xí)技術(shù)的群體推薦模型，它能夠表示出更為全面的高層次的群體偏好特征，以此來克服現(xiàn)有的淺層結(jié)構(gòu)模型直接耦合于數(shù)據(jù)所帶來的數(shù)據(jù)敏感性和脆弱性。
　　對于上述所有模型，本