论文部分内容阅读
在推荐系统中,物品往往成长尾分布,一方面,少部分物品吸引了大部分关注,推荐系统的大部分推荐容易集中在少部分热门物品上,形成常规意义下的推荐；另一方面,长尾物品的数量巨大,用户对长尾物品的行为常常占据整个用户行为量的一半以上,对长尾物品的推荐也具有重要意义。然而,在推荐系统中,个性化推荐大部分属于常规推荐,少部分的推荐即使有考虑长尾推荐,却未考虑常规和长尾推荐量的合理分配问题。针对以上问题,提出一种以博弈的思想对常规与长尾进行捆绑推荐的方法。首先,以合作博弈思想为基础,对常规推荐和长尾推荐的捆绑推荐进行了分析,提出常规推荐和长尾推荐的博弈模型；然后分别提出了该博弈模型的二种实现形式：其一,结合相似性约束思想,依托矩阵分解推荐技术建立相似规则化概率矩阵分解推荐模型,提出了基于相似度传播的概率矩阵分解推荐模型实现方法；其二,针对相似性约束实现方式的有效性和合理性进行讨论,提出了自适应相似规则化概率矩阵分解推荐模型实现方法。通过针对这二种博弈模型,在MovieLens 1M数据集和Netflix相关数据集上进行实验,结果表明自适应相似规则化概率矩阵分解推荐模型实现方法具有更好的捆绑推荐效果。该实验也验证了常规与长尾捆绑推荐模型的推荐有效性和捆绑推荐中常规推荐和长尾推荐合作博弈的合理性,并得到以下重要结论：(1)常规和长尾捆绑推荐问题可以通过博弈的思想得到解决；(2)常规推荐和长尾推荐的合作博弈均衡能够提高推荐模型的推荐效果；(3)在常规和长尾的捆绑推荐模型中,常规推荐的贡献大于长尾推荐的贡献。