论文部分内容阅读
协同过滤和潜在因子模型是推荐系统中应用最成功的技术，它可以给用户建模，并向用户推荐其感兴趣的物品。然而数据稀疏问题和冷启动问题在现实场景中经常出现，潜在因子模型在这些场景中推荐效果很差。虽然研究人员提出社会化推荐模型把用户的社交网络信息引入到协同过滤模型中，在用户冷启动问题上有一定的作用，但是无法解决物品的冷启动问题。为解决推荐系统中的物品冷启动问题，提出了基于分类的推荐模型。物品的分类是人们对于物品公认的标签信息，它可以用来缓解推荐系统中物品的冷启动问题。针对基于协同过滤的矩阵分解，提出基于分类的矩阵分解模型，该模型把物品分类信息整合到矩阵分解模型中。通过构造用户对分类的评分矩阵，在预测对物品评分时把用户对物品所属分类的评分作为线性加权的一部分。在社会化推荐中，提出了基于分类的社会化推荐模型，该模型把分类信息、用户的社交网络信息融入协同过滤中。在预测用户对物品的评分时，把用户自身对物品的评分、用户好友对物品的评分和用户对分类的评分进行线性加权。针对推荐模型使用了真实的数据进行实验。MovieLens数据上基于分类的矩阵分解模型比潜在因子模型的误差降低3%，说明在协同过滤中融入物品分类信息可以提高推荐准确度。在Epinions数据和Ciao数据中，基于分类的社会化模型比传统模型的误差降低6%，说明在社会化推荐中考虑物品分类信息不但可以提高推荐准确度，同时可以解决物品的冷启动问题。