COM：一种面向群推荐的生成模型

摘要

引言

相关工作

推荐系统

群推荐

一致性模型

问题描述

面向群推荐的一致性模型(COnsensus Model for Group Recommendation)

参数估计

推荐

　　在向一个目标群$g_t$进行推荐时，我们首先基于群体成员$u_{gt}$发现群的主题分布。这个分布$\theta_{gt}$可以通过对$u_{gt}$根据如下公式进行吉布斯抽样学习到：

$$P(z_j=k|z_\urcorner,u_j=v,u_{\urcorner j})\propto \hat{\phi}_{k,v}^{ZU}(n_{g_t,k,\urcorner j}^{GZ}+\alpha_{k}) (12)$$
　　在向群推荐产品时我们应该去匹配群的主题分布 $\theta_{gt}$，根据 生成模型，我们定义候选产品 $i$的推荐得分如下：
$$P(i,|u_{gt},\theta_{gt}) \triangleq \prod_{u \in u_{gt}} \sum_{z\in Z} \theta_{g_t,z}\cdot \hat{\phi}_{z,u}^{ZU} (\hat{\lambda}_u \cdot \hat{\phi}_{z,i}^{ZI} + (1-\hat{\lambda}_u) \cdot \hat{\phi}_{u,i}^{UI}) (13)$$
　　式(13)嵌入了直觉(4)的想法（当选择产品时，群体中不同用户有着不同的影响力得分， 而这个影响力是取决于主题的）：如果主题 $z$更与群$g_t$相关，用户 $u$是$z$上面的专家，那么用户 $u$在产品选择时会更有影响力。用户$u$在主题 $z$上面的知识用$\phi_{z,u}^{ZU}$来表示。在式(13)中， $\theta_{g_t,z}\cdot \phi_{z,u}^{ZU}$是给定主题 $z$用户$u$在群体 $g_t$上的影响力得分。而 $\lambda_u \cdot \phi_{z,i}^{ZI} + (1-\lambda_u) \cdot \phi_{u,i}^{UI}$是用户 $u$对候选产品$i$的偏好。我们对所有主题进行求和，得到了用户 $u$对产品$i$的总体偏好。随后将所有群体成员对产品 $i$的偏好相乘得到群体对产品$i$的偏好。这个基本原理有三层意义：1)群体对产品的偏好取决于所有个体的偏好；2)基于偏好的成绩对产品进行排序等于这些个体偏好的几何均值。与传统的计算偏好的代数均值（平均策略）或者集中注意力于最小偏好（最小痛苦）相比，通过几何均值计算得到的聚合偏好对极端值更具有鲁棒性；3)该定义与所提模型匹配完好。

内容信息融合

实验

实验设置

数据集

评价指标

推荐方法

实验结果

产品选择中主题的权重

主题分析

结论