查询结果:   朱坤广,杨达,崔强,郝春亮.利用交叉推荐模型解决用户冷启动问题[J].计算机应用与软件,2016,33(5):66 - 71,76.
中文标题
利用交叉推荐模型解决用户冷启动问题
发表栏目
应用技术与研究
摘要点击数
830
英文标题
CROSS RECOMMENDATION MODEL IN SOLVING COLD-START PROBLEM
作 者
朱坤广 杨达 崔强 郝春亮 Zhu Kunguang Yang Da Cui Qiang Hao Chunliang
作者单位
中国科学院软件研究所基础软件国家工程研究中心 北京 100190 中国科学院大学 北京 100190 中国科学院软件研究所计算机科学国家重点实验室 北京 100190   
英文单位
National Engineering Research Center of Fundamental Software,Institute of Software,Chinese Academy of Science,Beijing 100190,China University of Chinese Academy of Science,Beijing 100190,China State Key Laboratory of Computer Science,Institute of Software,Chinese Academy of Science,Beijing 100190,China   
关键词
推荐系统 迁移学习 用户冷启动 交叉推荐
Keywords
Recommendation system Transfer learning User cold start Cross recommendation
基金项目
国家高技术研究发展计划项目(2012AA 011206);中国科学院战略性科技先导专项(XDA06010600,91318301,91218302,61432001)
作者资料
朱坤广,硕士,主研领域:推荐系统。杨达,副研究员。崔强,博士。郝春亮,博士。 。
文章摘要
用户冷启动是推荐系统的一个重要问题。传统的推荐系统使用迁移学习的方法来解决这个问题,即利用一个领域的评分信息或者标签预测另外一个领域的用户和物品评分。上述迁移学习模型通常假设两个领域没有重叠的用户和物品,与上述假设不同,很多情况下系统可以获取同一用户在不同领域的数据。针对这种数据,提出一种新的推荐系统冷启动模型—crossSVD&GBDT(CSGT), 通过有效利用重叠用户的信息来解决用户冷启动问题。具体地,首先提出新模型获取用户和物品的特征,然后利用GBDT模型进行训练。实验数据表明,在豆瓣数据集中corssSVD&GBDT可以得到比传统方法性能更高、鲁棒性更强的实验结果。
Abstract
Cold-start problem is a critical challenge for recommendation system. Traditional recommendation systems employ transfer learning techniques for this problem, i.e. to use rating/tags information in one domain to predict users and items rating in another domain. The above transfer learning model usually assumes that there aren’t the overlapping users and items between two domains. However, in many cases a system can obtain the data of same users from different domains, which differs from the above assumption. In light of such data, this paper proposes a new cold-start model for recommendation system-crossSVD&GBDT, called CSGT. It solves the cold-start challenge of user by effectively leveraging the information of overlapping users. More specifically, the proposed method extracts features from both the users and the items, and then constructs a GBDT model for training under the above assumption. Experimental data show that in Douban dataset, crossSVD&GBDT can gain the experimental result with higher performance and stronger robustness than the traditional methods.
下载PDF全文