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
    • 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

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gt进行推荐时，我们首先基于群体成员ugt发现群的主题分布。这个分布θgt可以通过对ugt根据如下公式进行吉布斯抽样学习到：

P(zj=k|z┐,uj=v,u┐j)∝?^ZUk,v(nGZgt,k,┐j+αk)(12)

　　在向群推荐产品时我们应该去匹配群的主题分布θgt，根据 生成模型，我们定义候选产品i的推荐得分如下：

P(i,|ugt,θgt)?∏u∈ugt∑z∈Zθgt,z??^ZUz,u(λ^u??^ZIz,i+(1?λ^u)??^UIu,i)(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gt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?ZUz,u来表示。在式(13)中，θgt,z??ZUz,u是给定主题z用户u在群体gt上的影响力得分。而λu??ZIz,i+(1?λu)??UIu,i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