张全贵,胡嘉燕,王 丽
辽宁工程技术大学 电子与信息工程学院,辽宁 葫芦岛125105
协同过滤是推荐系统的一种重要方法,它通过分析用户和项目(如商品、电影、音乐等)之间的历史交互信息预测新的用户-项目交互。在协同过滤领域,由于一些公开竞赛(如Netflix 竞赛)和公共数据集的出现,大部分研究都是基于显式反馈信息(如五级评分)。这类研究一般利用历史评分信息进行评分预测,常作为回归问题或多分类问题处理。然而,在实际场景中,显式反馈信息相对难以获得。相反,在线系统中提供了更多的隐式反馈信息(如页面链接点击、视频观看、产品购买以及其他用户-项目交互历史记录)。近年来,隐式反馈推荐领域的研究受到越来越多的关注。隐式反馈协同过滤由于缺少负反馈信息,一直作为单类协同过滤(one-class collaborative filtering,OCCF)问题研究。
由于隐式反馈数据的不确定性、极度稀疏性和不平衡性,仅使用隐式反馈信息很难获得较高的推荐精度。针对这一问题,研究人员对OCCF 进行了一定的扩展。Yao等人将上下文信息融入到OCCF中,并提出了基于上下文感知的个性化随机游走(contextaware personalized random walk,CPRW)和基于语义路径的随机游走(semantic path-based random walk,SPRW)方法。文献[8]在OCCF 中融入了丰富的用户信息,如用户的搜索查询历史、购买和浏览行为等。文献[9]提出了一种基于地理位置信息和功能描述的情境偏好评分的推荐方法。Pan 等人提出了一种新的假设,在贝叶斯个性化排序(group preference based Bayesian personalized ranking,GBRP)中引入群体偏好而不是单独引入个体偏好,从而放宽了对个体的独立性假设。……