文档详情

上下文感知推荐系统(软件学报2012.1).ppt

发布:2017-03-02约1.22千字共16页下载文档
文本预览下载声明
《上下文感知推荐系统》 (软件学报2012.1) Chapter7 Context-Aware Recommender System Experimental Comparison of Pre- vs. Post Filtering Approaches in Context-Aware Recommender Systems (ACM RecSys 09) 传统的User-Item推荐系统模型 无论是协同过滤、抑或是各种混合式过滤,都是基于一个模型 首先我们有若干包含 user,item,rating的三元组 分别代表某用户对某物品的评分 BookCrossing 数据集 传统的User-Item推荐系统模型 我们需要做的是使用某种方法 得出如下函数 将三元组转化为二维的表格 我们就会有很多的已知项 当然还会有更多空白的未知项…… 传统的User-Item推荐系统模型 得到上述函数后 我们就能对未知项进行预测 引入上下文信息后的模型 原来二维的矩阵 变为三维(多维)的 立方体(超立方体) 所需求得的函数如右所示 几种引入上下文信息的方法 上下文预过滤 上下文后过滤 上下文建模 (a)上下文预过滤 Contextual pre-filtering 在数据的源头,先根据上下文信息过滤掉无关的数据 然后再用传统的推荐技术处理筛选后的数据 方便 耗时短 还需要考虑上下文分类的粒度 (b)上下文后过滤 Contextual post-filtering 首先忽略上下文因素,利用传统二维推荐技术处理不含上下文信息的推荐数据来预测潜在用户偏好 然后根据当前上下文信息 1:过滤掉不太相关的推荐结果 2:将上下文相关性与已经预测的评分进行加 权,调整Top-N排序列表 耗时会比预过滤方法长,因为没有对数据进行筛选,数据规模较大 (c)上下文建模 Contextual modeling 将上下文信息融入推荐生成的整个过程,设计合适的算法、模型处理多维度上下文用户偏好 据传挖掘效果最好,但难度也最大 或者复杂度过高(SVM),或者无法处理多维数据(矩阵分解) 可以用最近邻算法,聚类等 也可以用贝叶斯网络,SVM等 预过滤与后过滤的比较 评判度量:F1-measure和MAE F1-measure: precision:准确率 recall:召回率 MAE: Mean Absolute Error 平均绝对误差 预过滤与两种后过滤比较 数据集1: 数据集2的结果和数据集1基本一致,不展示不解释 后过滤与传统方法的比较 预过滤与传统方法的比较 如何在上述方法中选择合适的策略? 将预过滤方法与传统方法相比较: 传统方法为优:放弃预过滤方法; 预过滤方法为优: 直接使用预过滤方法,可接受而又耗时少; 再考虑后过滤方法。 后过滤方法 择其优 具体数据集具体分析
显示全部
相似文档