基于属性提升与局部采样的推荐评分预测

• 作者: 姚杏 朱福喜 郑麟
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 推荐系统 上下文感知推荐 评分预测 属性提升 局部采样 数据挖掘
• 年，卷（期）: 2016,（8）
• 所属期刊栏目: 数据挖掘、机器学习与类脑智能
• 页码范围: 1501-1514
• 页数: 14页
• 分类号: TP18
• 字数: 12791字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2016.01501

摘要

评分预测问题是推荐系统研究的一个分支。在上下文感知推荐（Context-Aware Recommendation，CAR）中，常常需要考虑上下文因子（或称属性）对评分预测效果的影响。现有模型大多是捕捉单个属性的特征并加上多个属性间的相互作用（简称属性交互）实现评分预测。然而，有些算法在捕捉属性间的相互作用时没有针对性，使一些属性交互对预测结果没有帮助，甚至降低模型性能；而且，在实现属性交互时，很多算法只是单纯地使用固定的属性值，没有从某个方面挖掘出它们的潜在特征。为了解决这些问题，文中提出了属性提升（Attribute Boosting， AB）框架，从用户、物品与属性类型3个方面分别与属性进行交互。这种更精细的建模方式使属性能够自动地适应用户偏好、物品关联与类型特征，并能在评分预测中充分地发挥作用。在此基础上，文中结合概率图模型的低秩近似能力和随机梯度下降（Stochastic Gradient Descent，SGD）的快速训练优势，在算法性能和训练效率上进行权衡，设计了局部采样（Partial Sampling，PS）方法学习属性提升框架的参数，最终构成完整的属性提升与局部采样（Attribute Boosting with Partial Sampling，ABPS）模型。实验证明，ABPS 模型通过有针对性的属性交互，能有效地挖掘出属性有用的隐含特征，从而减少盲目交互带来的消极影响；利用局部采样，该模型能使用更低的特征维度描述个性化信息，取得比其他模型更好的效果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱福喜	武汉大学计算机学院	46	250	9.0	13.0
2	郑麟	武汉大学计算机学院	3	32	2.0	3.0
3	姚杏	武汉大学计算机学院	2	11	1.0	2.0