文章列表
推荐系统概述1
推荐系统概述2
推荐系统概述3
推荐系统概述4
推荐系统概述5
推荐系统概述6
推荐系统概述7
本篇是第3篇
写这篇博文用了很多时间和精力,如果这篇博文对你有帮助,希望您可以打赏给博主相国大人。哪怕只捐1毛钱,也是一种心意。通过这样的方式,也可以培养整个行业的知识产权意识。我可以和您建立更多的联系,并且在相关领域提供给您更多的资料和技术支持。
手机扫一扫,即可:
本节主要内容:
参考文献
[1] X. Yu, et al., “Recommendation in heterogeneous information networks with implicit user feedback,” in Proc. 7th ACM Conf. Recommender Syst., 2013, pp. 347–350.
[2] Y. Sun, J. Han, X. Yan, S. P. Yu, and T. Wu. PathSim: Meta Path-Based Top-K Similarity Search in Heterogeneous Information Networks. In VLDB, 2011
[3] S. Rendle, C. Freudenthaler, Z. Gantner, and L. Schmidt-Thieme. Bpr: Bayesian personalized ranking from implicit feedback. In UAI,2009.
文献依赖关系
[1]首先把观测到的用户倾向沿着可能的元路径进行扩散[2]。然后使用矩阵分解的技术对扩散矩阵进行分解,并得到相应用户和项目的隐含特征。接着,基于这些隐含特征构建一个混合推荐模型,并采用贝叶斯排名优化技术[3]进行参数估计。
[1]的缺点是没有像HeteroMF那样考虑到多个上下文
PathSim[2]
参考前面说过的HeteSim。这个公式中
:
相当于
补全稀疏矩阵
- 定义user feedback matrix
用PathSim或类似的相似性测量方法得到item pairs的相似性矩阵
By measuring the similarity of all item pairs with one meta-path, we can generate a symmetric similarity matrix, denoted as S∈Rn×n . With L different meta-paths, we can calculate
L different similarity matrices with different semantics accordingly, denoted as S(1),S(2),⋯,S(L) .对原始的稀疏矩阵 R 进行补全(原文把它称为diffuse)
补充:
这个方法也可以用在传统SVD推荐中。可以参考一下。传统SVD对缺失值补全方法:
1,赋值为0
2,赋值为均值
3,本文的方法
目标函数
By repeating the above process for all L similarity matrices, we can now generate L pairs of representations of users and items
参数估计
在上一节的公式3中,我们得到的是用户对某一个商品的估计评分。
我们的最终目标是希望向用户推荐topk个商品,并且这些商品要按照可能性来进行rank。因此接下来的任务,是构建一个衡量用户对给定排序认可程度的指标。也就是特定排序下的概率[3]。
We use p(ea>eb;ui|θ) to denote the probability that user ui prefers ea over eb .
具体的说:
p(ea>eb;ui|θ)=logistic(r^(ui,ea)−r^(ui,eb))likelihood function:
objective function:
随机梯度下降估计参数
后面的章节,请阅读《[推荐系统概述4](http://blog.csdn.net/github_36326955/article/details/71405777》
如果这篇博文对你有帮助,希望您可以打赏给博主相国大人。我可以和您建立更多的联系,并且在相关领域提供给您更多的资料和技术支持。
手机扫一扫,即可: