一种利用项目文本信息与评分信息的混合推荐方法

目进行 预 测 。本文 的混 合推 荐 方法 在 没有 显著 降低 预测精 度 的
同时能 够 处理 项 目冷 启动 问题 。 ２ 相 关 理论 ２．１概 率 矩阵 分解 概 率矩 阵 分解 模 型 】：基本 思想 是将 一 个维 度 较高 的矩 阵分
Ａｖｅｒａｇｅ／Ｃｏｎｃａｔｅｎａｔｅ
的零 均值 球 面高斯 置 于 用户潜 在模 型上 。用 户概率 分布（２）： 重 建评级 矩 阵 Ｒ的 用 户和项 目潜 在模 型 （Ｕ∈Ｒ 和 Ｖ∈Ｒ 。
作者 简 介 ：徐智 慧 （１９９２，１２，１５一），男 ，汉 族 ，河 北省邯郸 市 ，硕 士 ，主要 研 究方 向为数 据 挖掘
图 １ ＰＶ—ＤＭ 模型
和 Ｍ个项 目，并 且 观察 到 的评分 由 Ｒ Ｆ 一 的矩阵 表示 。然 后 ， 如 图 ｌ所示 ，每一 个 文 本被 映射 为 一个 唯 一 的 向量 表 示 ，用
我们 的 目标 是 找到 其 乘积 （ＵｌＶ）重建 评 级矩 阵 Ｒ的用 户和 项 目 矩 阵 Ｄ的 一 列表 示 。每 一 个词 也 被 映 射 为一 个 唯一 的 向量 表
２０１９．０３科 学技 术创 新 一６５一
一 种利用项 目文本信息与评分信息的混合推荐方法
徐 智慧 （北 京物 资学 院 ，北京 １０１１４９）
摘 要 ：协 同过 滤推 荐 方 法 由于只利 用用 户对项 目的评 分数 据 ，常常会 遭遇 到评 分 数据 稀 疏 问题 和项 目的 冷启 动 问题 。本 文
括 基 于 内容 的推 荐 １２１、基 于协 同过 滤 的推 荐口ｌ和 混合 推荐 算 法Ｉ Ｉ。 的零均值球面高斯置于项 目的潜在模型上。项 目概率分布
基 于 内容 的推 荐常 常需 要 人工 设计 特 征 ，需 要大量 的人力物 力 ， （３）：
并且项 目特征的好坏直接影 响了基于内容 的推荐系统的性能。 基 于 协 同过 滤 的 推 荐 系 统 常 常 会 遇 到用 户 对项 目交 互 信 息数 据 稀 疏 的问题 ，并且 无 法 对新 用 户 和项 目进 行 推 荐 ，遭 遇 冷启
中 图 分 类 号 ：ＴＰ３９ｌ
文 献 标 识 码 ：Ａ
文 章 编 号 ：２０９６—４３９０（２０１９）０３—００６５—０２
１概述
自 ２０世纪 ９Ｏ年 代协 同过滤 推 荐算 法Ｉ 正式 提 出之后 ，推 荐
ｐ（Ｕ ｌ ２）＝ＨＮ Ｎ（ Ｉ Ｏ，ｏ－２１）
（２）
系统快速发展 。推荐系统的核心是推荐算法 ，推荐算法主要包 作 为项 目的潜在 模 型 的生成 模 型 ，将 传 统 的先验 ，方差 为
Ｔ，ｃｒ ２）
向量共享 ，而 段落 向量不 共享 。词 向量 和段 落 向量 通 过反 向传 （１） 播 （随 机梯 度下 降 ）训 练得 到 。
其中 Ｎ（ｘＩ ， ：）是具有平均值 和方差 Ｏ－ 的高斯 正态
３ 本 文的 混合推 荐 方 法 首先 通 过 ｄｏｃ２ｖｅｃ技 术提 取 电影 的 文本 特 征 向量 ｈ，然 后
一
解成两 个 低 秩矩 阵相 乘 的形式 。概 率 矩阵 分解 模型 对用户 和物
品的隐式特征向量加入了高斯先验分布 ，并且对观察到的评分
数据 条 件概 率 也加 入 了高 斯 先验 分 布 ，使 得 该 模 型在 大规 模 的
稀疏 的评 分 数据 集也 实现 了很 好 的性 能 。假 设我 们有 Ｎ个 用 户
潜在 模 ｖｄ（Ｕ ∈Ｒ 和 Ｖ ∈Ｒ“Ⅳ ）。从 概 率 观 点上看 ，观 察 示 ，用 矩 阵 ｗ 的一 列表 示 。段 落 向量 和词 向量 然 后 做平 均 或者
到 的评 分 条件 分 布（１）：
串联 起来 来 预测 文本 中的下 一个 词 。所有 文本 的 相 同的词 的词
ｐ（Ｒ ｌ ，Ｖ，仃 ）
提 出了一种 利 用项 目文 本信 息与评 分信 息的 混合推 荐 方法 。首 先 ，利 用 ｄｏｃ２ｖｅｃ处理 与 项 目相 关 的文 本信 息数 据 ，通过 对 项 目相
关的 文本信 息数据 进行 无监督 训 练得 到 文 本特 征 向量 。然后 ，利 用概 率矩 阵分 解技 术 融合 文 本特 征 向量 和 评分 数 据 两类 信息 进
行训练 ，得到 用户的潜表示和项 目的潜表 示，利用用户的潜表示和项 目的潜表示可以对用户未打分的项 目进行预测。通过 实验验
证 ，本 文 的混 合推 荐 方 法在 没有 显著 降低 预 测精 度 的 同时 能够 处理 项 目冷启 动 问题 。
关键 词 ：混合 推 荐 方法 ；ｄｏｃ２ｖｅｃ；概 率矩 阵分 解
ｐ（Ｖ Ｉ ）＝兀Ｊ７ｖ（Ｖｆ １０，｛７２１）
ｖ＝ ｌ
（３）
动问题 。本 文 提 出了一 种 利用 项 目文 本信 息 与评分 信息 的混 合 ２．２ ｄｏｃ２ｖｅｃ
推 荐方 法 。首先 ，利 用 ｄｏｃ２ｖｅｃ处 理 与项 目相 关 的文 本信 息数 Ｄｏｃ２ｖｅｃ模型 ，下 图为其 中的 ＰＶ—ＤＭ 模 型 如图 １所示 。
一 ６６一 科 学技 术创新 ２０１９．０３
从 概 率观 点上 看 ，观 察 到的评 分 条件 分 布（４）
分布 的概 率 密度 函数 ，Ｉ．．为指 示 函数 。
假设 我们 有 Ｎ个 用 户 和 Ｍ个项 目 ，并且 观 察到 的评 分 由
作为 用 户潜在 模 型 的生成 模 型 ，将 传 统 的先验 ．方 差 为
Байду номын сангаас
Ｒ∈尺 的矩 阵表 示 。然 后 ，我 们 的 目标 是找 到 其 乘 积 （Ｕ ）
据 ，通过 对 项 目相 关 的文 本信 息 数 据进 行 无 监 督训 练得 到 文本
特 征 向量 。然 后 ，利用 概率 矩 阵分 解技 术 融合 文本 特征 向量 和
评 分数 据 两 类信 息 进 行训 练 ．得 到 用 户 的潜 表 示 和项 目的 潜表 Ｃｌａｓｓｉｆｉｅｒ 示 ，利用 用 户 的潜 表 示 和 项 目的潜 表示 可 以对 用户 未 打分 的项