基于替代品模型的推薦系統(tǒng)研究.pdf

1、信息過濾作為從信息檢索衍生出來的新的研究點，越來越受到關注。針對搜索引擎返回的大量結(jié)果，使用信息過濾技術進行過濾可以大大提高索引精度，同時提供一些信息檢索所不能提供的個性化服務。推薦系統(tǒng)是信息過濾技術的應用。傳統(tǒng)的推薦系統(tǒng)主要是基于兩種類型的過濾技術——基于內(nèi)容的過濾以及協(xié)同過濾。 本文在傳統(tǒng)過濾的基礎上結(jié)合經(jīng)濟學中的“替代品”引入了“相關集”的概念。當A項目增加的數(shù)量與B項目的減少數(shù)量存在比例關系時，稱A項目和B項目是“替代品

2、”?！跋嚓P集”是指項目的變化量之間存在一定比例關系的項目的集合。項目變化量之間的比例關系稱為“相關率”。“相關集”是對替代品概念的擴充，其包括正向相關和反向相關。正向相關是指項目的數(shù)量變化存在正比例的數(shù)量關系。反向相關是指項目的數(shù)量變化存在反比例的數(shù)量關系。而“替代品”是反向相關的一個例子。“相關集”的引入對推薦項目進行了進一步的細分，使推薦項目變化量之間具有數(shù)量上的關系。同時針對不同用戶設置其相應的“相關集”，可以更加準確的描述用戶的

3、偏好。 文中介紹了兩種構(gòu)造相關集的方法。一種是“連續(xù)型構(gòu)造方法”。連續(xù)型的構(gòu)造方法是根據(jù)用戶的歷史紀錄用回歸方法得出該項目的時間—數(shù)量函數(shù)。然后根據(jù)時間—數(shù)量函數(shù)得到相關率表。連續(xù)型的構(gòu)造方式的優(yōu)點是可以從任意小的粒度上去跟蹤用戶的歷史選擇記錄。缺點是存在過度擬和的危險，時間—數(shù)量函數(shù)的誤差會在后續(xù)的計算中被擴大。 另一種是“離散型構(gòu)造方法”。離散型的構(gòu)造方法是從不同的粒度中找出最佳的相關率，然后構(gòu)造相關率表。離散型的構(gòu)

4、造方式的優(yōu)點是求解項目相關率的方法簡單，只需做一次減法。缺點是只能從大于最小時間間隔的粒度上去跟蹤用戶的歷史選擇記錄。當最小時間間隔的值不恰當時，會造成較大的誤差。 在相關集的基礎上，本文進一步的設計出了帶上下文的推薦算法。與傳統(tǒng)的推薦方式不同的是，在本系統(tǒng)中把推薦過程看作用戶和推薦系統(tǒng)的博弈過程。并運用“完全但不完美的動態(tài)博弈模型”刻畫推薦過程，設計出動態(tài)的推薦算法。即對每一次的推薦動態(tài)的調(diào)整推薦結(jié)果集，以更準確地跟蹤用戶偏好