教师声音

陆炜:深度贝叶斯模型在推荐系统中的应用研究

作者:陆炜  来源:宣传   /  更新日期: 2019-03-26  点击量:1062

基于关系数据的个性化推荐在在线视频观看平台起着至关重要的作用。为了增加用户粘着度、提高整体满意度,非常需要开发寻找最相关内容并向用户推荐的服务。由于准确性不是推荐需要考虑的唯一问题,目前的推荐系统已广泛讨论了包括意外性目标和新颖性目标的问题。但是,这些目标之间的关系尚未得到广泛研究。具有高新颖性的物品不一定是出人意料的,反之亦然。因此,需要设计一个可以将新颖性和意外性结合起来用于推荐的综合目标。

由于现在大多数大规模数字化数据可以被视为多关系数据,张量是一种自然而合理的表征方式。张量分解是用于分析多维数据中固有潜在关系的常用方法,但传统的模型存在两个主要缺点:一个是它们经常无法捕获实体之间的耦合和非线性交互,并且对包含噪声和缺失值的数据集不稳健;另一个是,在将完成机制应用于推荐申请时,很难保证推荐项目的多样性。

受上述考虑因素的推动,作者提出了一种基于张量分解的多层概率模型。基于CP分解,所提出的模型能够同时聚类三向数据。为了在每个模式的潜在空间中找到更紧凑的表示,对模式因子矩阵施加多层因子分解实现非线性映射。研究使用腾讯浏览器提供的具有大量用户、视频和相应视频描述标签数据的真实推荐任务来评估该方法。相关成果已发表在ACM Transactions on Information Systems 2019年1月刊。

详细算法及结果参见https://dl.acm.org/citation.cfm?id=3233773