一种新的用于跨领域推荐的迁移学习模型
发布时间：2019-12-05 12:07
【摘要】：协同过滤是一种简单常用的推荐方法,但是当目标数据非常稀疏时,其性能会严重退化,借助与目标数据跨域关联的辅助数据进行跨领域推荐是解决此问题的一种有效途径.已有的跨领域推荐模型大多假设不同领域完全共享一个评分模式,忽略了领域特有评分模式,可能导致推荐性能退化.此外,许多模型基于单一桥梁迁移跨领域信息,正迁移不足.特别是在考虑领域特有被评分模式的前提下,据作者所知目前还没有模型利用项目的共享被评分模式进行跨领域推荐.因此,该文提出一种新的三元桥迁移学习模型,用于跨领域推荐.首先通过评分矩阵的集合分解提取用户的潜在因子和共享评分模式,以及项目的潜在因子和共享被评分模式,在此过程中考虑了领域特有模式,并对潜在因子施加相似性约束;然后利用潜在因子中的聚类信息构造邻接图;最后通过用户端和项目端的基于共享模式、潜在因子和邻接图的三元桥迁移学习联合预测缺失评分.在三个公开的真实数据集上进行的大量实验表明,该模型的推荐精度优于一些目前最先进的推荐模型.
【图文】：
１０期逡逑王俊等：一种新的用于跨领域推荐的迁移学习模型逡逑２３７７逡逑0邋ｑｃ：逦１逦１逦＇逦＇逦＇逦＇逦１逦逦１逦逡逑０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ａ．逡逑图邋３邋ｉ？ＭＳＥ邋随邋Ｄ，．的变化（ｆｔ＝＆邋＝邋ｌ）逡逑随着Ｈ，．的变化，ＴＲＢＴ模型的ＭＡ￡和尺ＭＳＥ逡逑分别如图４和图５所示，我们同时呈现其它模型在逡逑相同参数设置下的ｉＷＡ￡和尺从５￡：．逡逑从图２？图５中可以看出，除了邋Ｄ，．和Ｈ，过大或逡逑过小的情况，ＴＲＢＴ模型的Ｍ４￡和尺］＼＾￡比其它逡逑模型更小，而且通过调节Ａ．或的大小，可得到最逡逑小的和？ＲＭＳＥ．若假设不同领域完全共享一逡逑个评分模式，即Ｄ，和均取最大值，将出现ＴＲＢＴ逡逑模型的ＭＡ￡和大于ＴＷＢＴ模型的情况，逡逑０．８０逡逑０．７５逡逑０．７０逡逑０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ｄ，逡逑图２邋ＭＡＥ随Ｄ，．的变化（ｆｔ邋＝氏＝１）逡逑据具体的重叠度调节不同类别信息的迁移权重，可逡逑得到更小的ｉＷＡＥ和ｉ？ＭＳＥ．逡逑接下来我们进一步探讨Ｄｆ和仕的变化对逡逑ＴＲＢＴ模型推荐精度的影响．我们使用表１对应的逡逑实验数据集，其中出＝０２邋＝邋１，先单独利用墜预测Ｒ逡逑中的缺失评分，令々，＝切＝１，义卩＝０，探讨0１．的变化逡逑对推荐精度的影响；再单独利用沁预测Ｋ中的缺失逡逑评分，令＝邋ｗ＝０，Ａ〔邋＝邋ｌ，探讨的变化对推荐精逡逑度的影响．／（ｉ？．ｒ）均设置为0．邋５，其它参数值可基于逡逑当前的参数设置得出．逡逑随着Ｄ，．的变化，ＴＲＢＴ模型的ＭＡＥ和ｉ？ＭＳ￡：逡逑分别如图２和图３所示，我们同
图９逡逑图ｅ逡逑是，图６．逡逑ＭＡＥ差距以及ｉ？ＭＳＥ差距相对图２？图５中更逡逑大．所以不难理解，当《与墜的用户，或Ｋ与《２的逡逑项目不完全相同时，更有必要考虑各领域特有的用逡逑户评分模式以及项目被评分模式．逡逑综上，实验结果与文中的模型分析部分相吻合，逡逑１．０４逡逑１邋0９逡逑１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ｄｃ逡逑图７尺］＼＾随认的变化（U_＝０．７５，氏＝０．１３６）逡逑随着反的变化，各模型的ＭＡＥ和尺ＭＳＥ分逡逑另１Ｊ如图８和图９所７Ｋ．逡逑图４逦＾１４￡随４的变化（ｆｔ＝於＝１）逡逑图５邋ＲＭＳＥ随N系谋浠ň茫届叮剑保╁义系贾峦萍鲂阅芡嘶硗猓保藓筒荒芄。裨虿诲义辖鑫薹ú愎坏恼ㄒ疲沂构乖斓娜挪蛔煎义先罚佣呵ㄒ疲耸笛橹校擞耄藓邢嗤腻义嫌没В劣耄耍埠邢嗤南钅浚峁砻鳎斜匾阱义峡悸橇煊蛱赜心Ｊ降幕∩希≡窈鲜实模停湾义舷旅嫖颐鞘褂帽恚扯杂Φ氖笛槭菁渲绣义螻希剑埃澹罚担瑀2＝０．邋１３６，在参数设置与图２？图５对应逡逑的实验相同的情形下，探讨和的变化对逡逑ＴＲＢＴ模型推荐精度的影响．逡逑随着Ａ的变化，各模型的ＭＡＥ和尺ＭＳＥ分别逡逑如图６和图７所示．逡逑图６邋ＭＡＥ随认的变化（久＝０．７５，l挘玻剑埃澹保常叮╁义希停粒潘娴谋浠龋剑埃罚担希剑埃澹保常叮╁义铣撸停樱潘娴谋浠ㄊ希剑埃澹罚担模剑埃澹保常叮╁义希客迹沟慕峁胪迹玻客迹道嗨疲煌腻义希迹怪校牵停裕颇Ｐ陀肫渌Ｐ椭涞腻义希玻常罚稿义霞棋逅沐义匣义涎у义媳ㄥ义希玻埃保峰迥赍义希担板义希龋蝈义贤煎义希﹀澹矗卞澹ǎ插
本文编号：2569999
【图文】：
１０期逡逑王俊等：一种新的用于跨领域推荐的迁移学习模型逡逑２３７７逡逑0邋ｑｃ：逦１逦１逦＇逦＇逦＇逦＇逦１逦逦１逦逡逑０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ａ．逡逑图邋３邋ｉ？ＭＳＥ邋随邋Ｄ，．的变化（ｆｔ＝＆邋＝邋ｌ）逡逑随着Ｈ，．的变化，ＴＲＢＴ模型的ＭＡ￡和尺ＭＳＥ逡逑分别如图４和图５所示，我们同时呈现其它模型在逡逑相同参数设置下的ｉＷＡ￡和尺从５￡：．逡逑从图２？图５中可以看出，除了邋Ｄ，．和Ｈ，过大或逡逑过小的情况，ＴＲＢＴ模型的Ｍ４￡和尺］＼＾￡比其它逡逑模型更小，而且通过调节Ａ．或的大小，可得到最逡逑小的和？ＲＭＳＥ．若假设不同领域完全共享一逡逑个评分模式，即Ｄ，和均取最大值，将出现ＴＲＢＴ逡逑模型的ＭＡ￡和大于ＴＷＢＴ模型的情况，逡逑０．８０逡逑０．７５逡逑０．７０逡逑０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ｄ，逡逑图２邋ＭＡＥ随Ｄ，．的变化（ｆｔ邋＝氏＝１）逡逑据具体的重叠度调节不同类别信息的迁移权重，可逡逑得到更小的ｉＷＡＥ和ｉ？ＭＳＥ．逡逑接下来我们进一步探讨Ｄｆ和仕的变化对逡逑ＴＲＢＴ模型推荐精度的影响．我们使用表１对应的逡逑实验数据集，其中出＝０２邋＝邋１，先单独利用墜预测Ｒ逡逑中的缺失评分，令々，＝切＝１，义卩＝０，探讨0１．的变化逡逑对推荐精度的影响；再单独利用沁预测Ｋ中的缺失逡逑评分，令＝邋ｗ＝０，Ａ〔邋＝邋ｌ，探讨的变化对推荐精逡逑度的影响．／（ｉ？．ｒ）均设置为0．邋５，其它参数值可基于逡逑当前的参数设置得出．逡逑随着Ｄ，．的变化，ＴＲＢＴ模型的ＭＡＥ和ｉ？ＭＳ￡：逡逑分别如图２和图３所示，我们同
图９逡逑图ｅ逡逑是，图６．逡逑ＭＡＥ差距以及ｉ？ＭＳＥ差距相对图２？图５中更逡逑大．所以不难理解，当《与墜的用户，或Ｋ与《２的逡逑项目不完全相同时，更有必要考虑各领域特有的用逡逑户评分模式以及项目被评分模式．逡逑综上，实验结果与文中的模型分析部分相吻合，逡逑１．０４逡逑１邋0９逡逑１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逡逑Ｄｃ逡逑图７尺］＼＾随认的变化（U_＝０．７５，氏＝０．１３６）逡逑随着反的变化，各模型的ＭＡＥ和尺ＭＳＥ分逡逑另１Ｊ如图８和图９所７Ｋ．逡逑图４逦＾１４￡随４的变化（ｆｔ＝於＝１）逡逑图５邋ＲＭＳＥ随N系谋浠ň茫届叮剑保╁义系贾峦萍鲂阅芡嘶硗猓保藓筒荒芄。裨虿诲义辖鑫薹ú愎坏恼ㄒ疲沂构乖斓娜挪蛔煎义先罚佣呵ㄒ疲耸笛橹校擞耄藓邢嗤腻义嫌没В劣耄耍埠邢嗤南钅浚峁砻鳎斜匾阱义峡悸橇煊蛱赜心Ｊ降幕∩希≡窈鲜实模停湾义舷旅嫖颐鞘褂帽恚扯杂Φ氖笛槭菁渲绣义螻希剑埃澹罚担瑀2＝０．邋１３６，在参数设置与图２？图５对应逡逑的实验相同的情形下，探讨和的变化对逡逑ＴＲＢＴ模型推荐精度的影响．逡逑随着Ａ的变化，各模型的ＭＡＥ和尺ＭＳＥ分别逡逑如图６和图７所示．逡逑图６邋ＭＡＥ随认的变化（久＝０．７５，l挘玻剑埃澹保常叮╁义希停粒潘娴谋浠龋剑埃罚担希剑埃澹保常叮╁义铣撸停樱潘娴谋浠ㄊ希剑埃澹罚担模剑埃澹保常叮╁义希客迹沟慕峁胪迹玻客迹道嗨疲煌腻义希迹怪校牵停裕颇Ｐ陀肫渌Ｐ椭涞腻义希玻常罚稿义霞棋逅沐义匣义涎у义媳ㄥ义希玻埃保峰迥赍义希担板义希龋蝈义贤煎义希﹀澹矗卞澹ǎ插
本文编号：2569999
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2569999.html
