基于回归模型的协同过滤推荐

基于回归模型的协同过滤推荐

如果我们将评分看作是一个连续的值而不是离散的值，那么就可以借助线性回归思想来预测目标用户对某物品的评分。其中一种实现策略被称为Baseline（基准预测）

Baseline：基准预测

Baseline设计思想基于以下的假设：

• 有些用户的评分普遍高于其他用户，有些用户的评分普遍低于其他用户。比如有些用户天生愿意给别人好评，心慈手软，比较好说话，而有的人就比较苛刻，总是评分不超过3分（5分满分）
• 一些物品的评分普遍高于其他物品，一些物品的评分普遍低于其他物品。比如一些物品一被生产便决定了它的地位，有的比较受人们欢迎，有的则被人嫌弃。

这个用户或物品普遍高于或低于平均值的差值，我们称为偏置(bias)

Baseline目标

• 找出每个用户普遍高于或低于其他用户的偏置值 $b_u$
• 找出每件物品普遍高于或低于其他物品的偏置值 $b_i$
• 我们的目标也就转化为寻找最优的 $b_u$ 和 $b_i$

Baseline步骤

• 计算所有电影的平均评分 $\mu$（即全局平均评分）
• 计算每个用户评分与平均评分 $\mu$ 的偏置值 $b_u$
• 计算每部电影所接受的评分与平均评分 $\mu$ 的偏置值 $b_i$
• 预测用户对电影的评分：
  $${\hat{r}}_{ui}=b_{ui}=\mu +b_u+b_i$$

Baseline举例

比如我们想通过Baseline来预测用户A对电影“阿甘正传”的评分，那么首先计算出整个评分数据集的平均评分 $\mu$ 是3.5分；而用户A是一个比较苛刻的用户，他的评分比较严格，普遍比平均评分低0.5分，即用户A的偏置值 $b_u$ 是-0.5；而电影“阿甘正传”是一部比较热门而且备受好评的电影，它的评分普遍比平均评分要高1.2分，那么电影“阿甘正传”的偏置值 $b_i$ 是+1.2，因此就可以预测出用户A对电影“阿甘正传”的评分为：$3.5+(-0.5)+1.2$，也就是4.2分

公式推导

对于所有电影的平均评分$\mu$是直接能计算出的，因此问题在于要测出每个用户的$b_u$值和每部电影的$b_i$的值。对于线性回归问题，我们可以利用平方差构建损失函数如下：

$$\begin{array}{rl}Cost& =\sum _{u,i\in R}(r_{ui}-{\hat{r}}_{ui}{)}^2\\ & =\sum _{u,i\in R}(r_{ui}-\mu -b_u-b_i{)}^2\end{array}$$

加入L2正则化：
$$Cost=\sum _{u,i\in R}(r_{ui}-\mu -b_u-b_i{)}^2+\lambda \ast (\sum _u{b_u}^2+\sum _i{b_i}^2)$$
公式解析：

• 公式第一部分 ${\sum }_{u,i\in R}(r_{ui}-\mu -b_u-b_i{)}^2$ 是用来寻找与已知评分数据拟合最好的 $b_u$ 和 b i b_i