冯晨娇^1,2,宋鹏³,王智强¹,梁吉业¹

¹（计算智能与中文信息处理教育部重点实验室(山西大学) 太原 030006）；²（山西财经大学应用数学学院 太原 030006）；³（山西大学经济与管理学院 太原 030006) (fengcj@sxufe.edu.cn)

出版日期: 2021-09-01


基金资助:国家自然科学基金项目(61876103,72171137,61906111)；山西省重点研发计划项目(201903D121162)；山西省 1331 工程项目；山西省重点实验室开放基金项目(CICIP2020005)

A Method on Long Tail Recommendation Based on Three-Factor Probabilistic Graphical Model

Feng Chenjiao^1,2, Song Peng³, Wang Zhiqiang¹, Liang Jiye¹

¹（Key Laboratory of Computational Intelligence and Chinese Information Processing (Shanxi University), Ministry of Education, Taiyuan 030006);²(College of Applied Mathematics, Shanxi University of Finance and Economics, Taiyuan 030006);³(School of Economics and Management, Shanxi University, Taiyuan 030006)

Online: 2021-09-01


Supported by:This work was supported by the National Natural Science Foundation of China (61876103, 72171137, 61906111), the Projects of Key Research and Development Plan of Shanxi Province (201903D121162), the 1331 Engineering Project of Shanxi Province, and the Open Fund of Key Laboratory of Shanxi Province (CICIP2020005).

摘要/Abstract

摘要： 互联网时代,数据呈爆炸式增长,前所未有的数据量远远超过受众的接收和处理能力,因此,从海量复杂数据中有效获取关键性有用信息成为必须解决的问题.面对信息过载问题,人们迫切需要一种高效的信息过滤系统,“推荐系统”应运而生.在现实的推荐场景中,用户给予项目的评分或者选择项目的频次是一个典型的长尾现象.事实上,长尾现象的深入分析,不仅有助于挖掘用户的个性化偏好,更有助于电商场景中相关利益主体的业绩提升.因此,长尾推荐研究日益受到重视.针对长尾推荐的可解释性问题,提出了基于3因素概率图模型的长尾推荐方法.面对长尾推荐过程中推荐系统、用户对“具有可解释性的长尾项目推荐”的现实需求,着眼于概率图模型在因果关系方面的可解释性优势,立足于“新颖性+准确性”综合考量的方法设计目标,建立了基于用户活跃度、项目非流行度和用户-项目偏好水平的3因素概率图推荐方法.实验比较结果表明,具有可解释性优势的3因素概率图推荐方法在保证一定预测精度的前提下具有更好的新颖性推荐效果.

参考文献

相关文章 15

[1]	史存会, 胡耀康, 冯彬, 张瑾, 俞晓明, 刘悦, 程学旗. 舆情场景下基于层次知识的话题推荐方法[J]. 计算机研究与发展, 2021, 58(8): 1811-1819.
[2]	郑值, 徐童, 秦川, 廖祥文, 郑毅, 刘同柱, 童贵显. 基于多源情境协同感知的药品推荐[J]. 计算机研究与发展, 2020, 57(8): 1741-1754.
[3]	陈嘉颖, 于炯, 杨兴耀. 一种融合语义分析特征提取的推荐算法[J]. 计算机研究与发展, 2020, 57(3): 562-575.
[4]	曾义夫, 牟其林, 周乐, 蓝天, 刘峤. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展, 2020, 57(3): 590-603.
[5]	刘波,李洋,孟青,汤小虎,曹玖新. 社交媒体内容可信性分析与评价[J]. 计算机研究与发展, 2019, 56(9): 1939-1952.
[6]	吴宾,娄铮铮,叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047.
[7]	周俊,董晓蕾,曹珍富. 推荐系统的隐私保护研究进展[J]. 计算机研究与发展, 2019, 56(10): 2033-2048.
[8]	张飞,张立波,罗铁坚,武延军. 一种基于特征的协同聚类模型[J]. 计算机研究与发展, 2018, 55(7): 1508-1524.
[9]	朱桂祥,曹杰. 基于主题序列模式的旅游产品推荐引擎[J]. 计算机研究与发展, 2018, 55(5): 920-932.
[10]	张凯涵,梁吉业,赵兴旺,王智强. 一种基于社区专家信息的协同过滤推荐算法[J]. 计算机研究与发展, 2018, 55(5): 968-976.
[11]	高岭,高全力,王海,王伟,杨康. 基于基准相似空间分布优化的偏好预测方法[J]. 计算机研究与发展, 2018, 55(5): 977-985.
[12]	符永铨，李东升. 边缘计算环境下应用驱动的网络延迟测量与优化技术[J]. 计算机研究与发展, 2018, 55(3): 512-523.
[13]	焦旭,肖迎元,郑文广,朱珂. 基于位置的社会化网络推荐技术研究进展[J]. 计算机研究与发展, 2018, 55(10): 2291-2306.
[14]	高玉凯,王新华,郭磊,陈竹敏. 一种基于协同矩阵分解的用户冷启动推荐算法[J]. 计算机研究与发展, 2017, 54(8): 1813-1823.
[15]	何明,常盟盟,吴小飞. 一种基于差分隐私保护的协同过滤推荐方法[J]. 计算机研究与发展, 2017, 54(7): 1439-1451.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4495