基于社會(huì)化標(biāo)簽的推薦系統(tǒng)(編輯修改稿)
2025-07-20 21:35 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 類矩陣關(guān)系，即用戶．資源矩陣、資源．標(biāo)簽矩陣和用戶．標(biāo)簽矩陣。Tso．Sutter等人通過(guò)矩陣擴(kuò)展的方法，綜合用戶．資源矩陣與用戶．標(biāo)簽矩陣，提出基于標(biāo)簽的協(xié)同過(guò)濾推薦算法，并綜合多方的關(guān)系進(jìn)行了分析。本文針對(duì)的是基于社會(huì)化標(biāo)簽系統(tǒng)的個(gè)性化推薦系統(tǒng)，研究的是標(biāo)簽系統(tǒng)在基于圖結(jié)構(gòu)的個(gè)性化推薦系統(tǒng)中的應(yīng)用與實(shí)現(xiàn)。研究圖結(jié)構(gòu)中的各節(jié)點(diǎn)和節(jié)點(diǎn)間的關(guān)系的屬性即其標(biāo)簽的使用。2推薦系統(tǒng)個(gè)性化推薦是根據(jù)用戶的興趣特點(diǎn)和購(gòu)買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，商品個(gè)數(shù)和種類快速增長(zhǎng)，顧客需要花費(fèi)大量的時(shí)間才能找到自己想買的商品。這種瀏覽大量無(wú)關(guān)的信息和產(chǎn)品過(guò)程無(wú)疑會(huì)使淹沒(méi)在信息過(guò)載問(wèn)題中的消費(fèi)者不斷流失。為了解決這些問(wèn)題，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。個(gè)性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，以幫助電子商務(wù)網(wǎng)站為其顧客購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)。推薦算法有：基于內(nèi)容推薦協(xié)同過(guò)濾推薦基于關(guān)聯(lián)規(guī)則推薦基于效用推薦基于知識(shí)推薦組合推薦這章主要介紹的是用基于隨機(jī)游走的PersonalRank算法來(lái)實(shí)現(xiàn)圖的推薦。推薦系統(tǒng)是利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購(gòu)買什么產(chǎn)品，模擬銷售人員幫助客戶完成購(gòu)買過(guò)程”。 圖1 推薦系統(tǒng)模型推薦系統(tǒng)有3個(gè)重要的模塊：用戶建模模塊、推薦對(duì)象建模模塊、推薦算法模塊。通用的推薦系統(tǒng)模型流程如圖。推薦系統(tǒng)把用戶模型中興趣需求信息和推薦對(duì)象模型中的特征信息匹配，同時(shí)使用相應(yīng)的推薦算法進(jìn)行計(jì)算篩選，找到用戶可能感興趣的推薦對(duì)象，然后推薦給用戶。在推薦系統(tǒng)中，用戶行為數(shù)據(jù)可以表示成圖的形式，具體來(lái)說(shuō)是二部圖。用戶的行為數(shù)據(jù)集由一個(gè)個(gè)（u,i）二元組組成，表示為用戶u對(duì)物品i產(chǎn)生過(guò)行為。本文中我們認(rèn)為用戶對(duì)他產(chǎn)生過(guò)行為的物品的興趣度是一樣的，也就是我們只考慮“感興趣”O(jiān)R“不感興趣”。假設(shè)有下圖2所示的行為數(shù)據(jù)集。 圖2其中users集U={A, B, C}，items集I = {a,b,c,d}。則用戶物品的二部圖如下圖3所示： 圖3我們用G(V, E)來(lái)表示這個(gè)圖，則頂點(diǎn)集V=U∪I，圖中的邊則是由數(shù)據(jù)集中的二元組確定。二元組（u, i）表示u對(duì)i有過(guò)行為，則在圖中表現(xiàn)為有邊相連，即e(u,i)。那有了二部圖之后我們要對(duì)u進(jìn)行推薦物品，就轉(zhuǎn)化為計(jì)算用戶頂點(diǎn)u和與所有物品頂點(diǎn)之間的相關(guān)性，然后取與用戶沒(méi)有直接邊相連的物品，按照相關(guān)性的高低生成推薦列表。說(shuō)白了，這是一個(gè)圖上的排名問(wèn)題，我們最容易想到的就是Google的pageRank算法。PageRank是Larry Page 和 Sergey Brin設(shè)計(jì)的用來(lái)衡量特定網(wǎng)頁(yè)相對(duì)于搜索引擎中其他網(wǎng)頁(yè)的重要性的算法，其計(jì)算結(jié)果作為google搜索結(jié)果中網(wǎng)頁(yè)排名的重要指標(biāo)。網(wǎng)頁(yè)之間通過(guò)超鏈接相互連接，互聯(lián)網(wǎng)上不計(jì)其數(shù)的網(wǎng)頁(yè)就構(gòu)成了一張超大的圖。PageRank假設(shè)用戶從所有網(wǎng)頁(yè)中隨機(jī)選擇一個(gè)網(wǎng)頁(yè)進(jìn)行瀏覽，然后通過(guò)超鏈接在網(wǎng)頁(yè)直接不斷跳轉(zhuǎn)。到達(dá)每個(gè)網(wǎng)頁(yè)后，用戶有兩種選擇：到此結(jié)束或者繼續(xù)選擇一個(gè)鏈接瀏覽。算法令用戶繼續(xù)瀏覽的概率為d，用戶以相等的概率在當(dāng)前頁(yè)面的所有超鏈接中隨機(jī)選擇一個(gè)繼續(xù)瀏覽。這是一個(gè)隨機(jī)游走的過(guò)程。當(dāng)經(jīng)過(guò)很多次這樣的游走之后，每個(gè)網(wǎng)頁(yè)被訪問(wèn)用戶訪問(wèn)到的概率就會(huì)收斂到一個(gè)穩(wěn)定值。這個(gè)概率就是網(wǎng)頁(yè)的重要性指標(biāo)，被用于網(wǎng)頁(yè)排名。算法迭代關(guān)系式如下所示：上式中PR(i)是網(wǎng)頁(yè)i的訪問(wèn)概率（也就是重要度），d是用戶繼續(xù)訪問(wèn)網(wǎng)頁(yè)的概率，N是網(wǎng)頁(yè)總數(shù)。in(i)表示指向網(wǎng)頁(yè)i的網(wǎng)頁(yè)集合，out(j)表示網(wǎng)頁(yè)j指向的網(wǎng)頁(yè)集合。用user節(jié)點(diǎn)和item節(jié)點(diǎn)替換上面的網(wǎng)頁(yè)節(jié)點(diǎn)就可以計(jì)算出每個(gè)user，每個(gè)item在全局的重要性，給出全局的排名，顯然這并不是我們想要的，我們需要計(jì)算的是物品節(jié)點(diǎn)相對(duì)于某一個(gè)用戶節(jié)點(diǎn)u的相關(guān)性。怎么做呢？Standford的Haveliwala于2002年在他《Topicsensitive pagerank》一文中提出了PersonalRank算法，該算法能夠?yàn)橛脩魝€(gè)性化的對(duì)所有物品進(jìn)行排序。它的迭代公式如下：我們發(fā)現(xiàn)PersonalRank跟PageRank的區(qū)別只是用替換了1/N，也就是說(shuō)從不同點(diǎn)開(kāi)始的概率不同。u表示我們推薦的目標(biāo)用戶，這樣使用上式計(jì)算的就是所有頂點(diǎn)相對(duì)于頂點(diǎn)u的相關(guān)度。與PageRank隨機(jī)選擇一個(gè)點(diǎn)開(kāi)始游走（也就是說(shuō)從每個(gè)點(diǎn)開(kāi)始的概率都是相同的）
語(yǔ)文相關(guān)推薦
鄂ICP備17016276號(hào)-1