推荐系统精度提高的实用方法

摘要

推荐系统的目的是向用户推荐用户感兴趣的信息和商品。推荐系统工具和技术是现有商业和研究团体的主要研究课题之一，推荐系统通过滤信息后台预言用户是否会对一个特定项目感兴趣，并据此向用户提供建议。推荐系统提供的建议主要用于用户的决策过程，例如买什么商品，听什么音乐，或读什么新闻。最近十年出现了许多推荐技术，大多数已经成功地在商业环境里被使用了。
　　希望使用推荐系统的系统设计师需要在多个候选系统之间进行选择。选择适当的推荐算法的第一步是确定应用程序要关注的属性。事实上，推荐系统有一套属性，可能会影响用户的体验，如精度、坚固性、可测量性等等。
　　协同过滤(CF)和基于内容的过滤(CBF)的推荐系统存在潜在问题，如稀疏性，覆盖范围小，冷启动，以及过于专业化。这降低了系统的有效性。组合推荐系统通过结合使用不同的建议方法克服了一些上述的问题。我们提出了一种新型的交换组合推荐建议算法，使用基于项目的CF和基于用户的CF上的分类方法生成受过训练的内容配置文件。交换组合推荐系统的智能点在于使用了一些标准来交换推荐方法。交换组合推荐系统的好处是，它能充分利用所构成的推荐系统的优点和弱点来实现更有效的推荐方法。我们的推荐算法能给出比传统的组合推荐系统更精确的结果。我们用MovieLens(SML)和FilmTrust(FT1)数据集评估该算法，实验表明，该算法在平均绝对误差，感受性曲线，覆盖范围三个方面都优于其他推荐系统，同时相对其他推荐系统还能消除一些记录问题并能在冷启动情况下保持稳健性。
　　更进一步，通过机器学习分类器和协同过滤(CF)方法之间的切换，该算法可以平衡推荐的精确性和多样性。如果系统建立了一个活跃用户的Top-N推荐名单，该算法还能在推荐列表中引入某种随机性，从而实现推荐一些在一定的范围内的代替品而不是项目组均匀的功能，本文用MAE平均绝对误差和感受性曲线ROC-sensitivity两种不同算法的覆盖范围对该算法进行了分析，结果表明该算法优于其他推荐算法的MAE平均绝对误差和感受性曲线ROC-sensitivity，并且比其他算法在覆盖度更好。这表明，该算法的扩展性和实用性很强，而由于我们使用的是基于项目的CF，其在线成本低于基于用户的CF，所以该算法的在线成本将小于或等于其他算法。

目录

声明

Abstract

摘要

List of Contents

Chapter 1 Introduction

1．1 Recommender Systems：Background

1．2 Motivation

1．3 Problem Statement

1．4 Research Objective

1．5 Contributions

1．6 Thesis Outline

Chapter 2 Basics and Related Work

2．1 Formalization of Recommendation Problem

2．2 Users’ and Items’ Profiles

2．3 Classification of Recommender Systems

2．3．1 Collaborative Filtering (CF) Recommender Systems

2．3．2 Content-Based Filtering (CBF) recommender systems

2．3．3 Knowledge-Based (Kb) Recommender Systems

2．3．4 Demographic-Based (DM) Recommender Systems

2．3．5 Hybrid Recommender Systems

2．3．6 Other Types of Recommender Systems

2．4 Related Work

2．5 Our Proposed Work

Chapter 3 Hybrid Recommender Systems

3．1 Introduction

3．2 Background

3．3 Naive Bayes Classifier

3．4 Support Vector Machines (SVM)

3．5 Combining the Item-Based CF and Classification Approaches for Improved Recommendations

3．6 Combining the Item-Based CF and the Naive Bayes Classifier (SwitchRecNBCF)

3．8 Combining the Item-Based CF and the SVM Classifier (SwitchRecsvmcf)

Chapter 4 Evaluation and Results

4．1 Datasets

4．2 Getting Additional Features about Movies

4．3 Evaluation Metrics

4．3．1 Mean Absolute Error (MAE) and Related Metrics

4．3．2 Receiver Operating Characteristic (ROC)-Sensitivity

4．3．3 Precision，Recall，and F1 Measure

4．3．4 Coverage

4．3．5 Other Metries

4．3．6 Evaluation From The User’s Point of View

4．4 Presenting Recommendations to Users

4．5 Evaluation Methodology

4．6 Results and Discussion

4．6．1 Learning the Optimal System Parameters

4．6．2 Performance Evaluation with Other Algorithms

4．6．3 Eliminating Over-Specialization Problem

Chapter 5 Conclusions and Future Works

5．1 Conclusions

5．2 Future Works

References

Acknowledgments