基于张量分解的跨领域推荐方法?
孙华成1 王永利1 赵 亮1 陈广生2
【摘 要】摘 要 在海量数据与云计算的背景下，传统的单领域推荐算法很难适应跨领域的信息推荐服务。协同滤波是一种简单常用的推荐算法，但是当目标数据非常稀疏的时候，性能严重退化，借助与目标数据领域关联的辅助数据领域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基于二维评分矩阵，丢失了很多其他维度的信息，导致推荐性能退化。论文提出了一种基于张量分解的跨领域推荐方法，通过提取不同领域的评分模式进行迁移学习填补目标领域空缺值，缓解了数据稀疏性问题，同时提高推荐结果的多样性与准确性。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先进的推荐模型，可适用于大规模信息推荐服务。 【期刊名称】计算机与数字工程 【年(卷),期】2019(047)007 【总页数】9
【关键词】关键词 推荐系统；协同滤波；跨领域；HOSVD分解
基金项目：国家自然科学基金项目（编号:61170035，61502233）；江苏省科技成果转化专项资金项目（编号:BA2013047）；江苏省六大人才高峰项目（编号:WLW-004）；兵科院预研项目（编号:62201070151）；中央高校基本科研业务费专项资金项目（编号:30916011328）资助。 Class Number TP391.3
1 引言
推荐系统越来越受欢迎，因为可以帮助用户找到感兴趣的项目（比如电影、书
籍、音乐等）所以可以缓解信息过载问题。一些通用的推荐系统比如Amazon，LastFm，MovieLens。这些系统推荐在线商品，电影和音乐给用户。在过去的十几年，很多研究人员开发了一些推荐系统［1～2］，但是仍然有些挑战比如冷启动［3～5］和数据稀疏性问题［6］。
大量推荐系统提供的推荐结果只是单领域的，事实上，在不同的领域之间存在很多依赖和相关关系。一个领域的信息可以通过转化到其他领域提高推荐效果，而不是单纯的独立考虑。比如，如果一些用户喜欢歌手的歌（音乐作为源领域），一些电影（作为目标领域）由该歌手出演的可以推荐该用户。这样，可以解决目标领域冷启动问题［7］，和数据稀疏性问题［8］。因此，跨领域推荐最近在推荐系统领域成为热门研究。
目前相关的跨领域推荐通常需要不同领域的评分信息共享用户和项目，现实场景中很少存在。本文专注于没有共同用户和项目的跨领域推荐系统研究。本文提出了一种跨领域推荐方法，可以利用不同领域之间用户对项目的偏好即评分模式构建关联。本文首先从辅助领域进行聚类取出冗余信息，利用聚类后的信息构建张量，提取评分模式。下一步，将从源领域获取的评分模式迁移到目标领域，填补目标领域空缺值。最终，本文利用填补空缺值后的评分张量推荐。 本文的主要贡献如下:
1）在聚类基础上进行张量分解提取评分模式。
2）提出了一种推荐方法利用辅助领域评分模式迁移学习至目标领域。 3）使用相关实验验证方法的可行性。
2 相关工作
跨领域推荐已经成为解决冷启动和减轻稀疏性问题的重要手段。一些研究人员
调研了跨领域的相关工作如文献［9］中定义的，这里有两个跨领域推荐的任务。 第一个任务就是利用源领域的知识提高目标领域项目推荐质量。Li［10］等提出了一种跨领域协同滤波降低稀疏性。他们通过聚类压缩得到用户项目间的评分模式，然后他们以codebook的形式将其他领域的知识转移到目标领域。Kumar［11～12］等提出了一种跨领域话题模型来缓解数据稀疏性问题。他们假设每个领域有N个不同的话题，每个用户在这些话题服从某种分布。利用话题匹配进行跨领域协同推荐而不是传统的根据共享作者匹配。Karatzoglou［13］等提出了一种使用机器学习的方法将稠密的源领域知识迁移到稀疏的目标领域用来解决数据稀疏问题的方法。他们开发了一种迁移学习技术从包含丰富数据的多个领域提取知识，然后对稀疏目标领域生成推荐。这项技术学习了相关性和线性整合所有源领域的评分模式到一个模型中使得可以预测目标领域未知的评分模式。Enrich［14］等提出了使用用户标签作为不同领域之间的桥梁，他们从源领域中学习用户的评分模式（例如，用户如何在源领域进行评分，这些标签和评分之间的关系）来提高目标领域的预测表现。
第二个任务就是对不同领域的项目进行联合推荐。Li［15］等提出了一种通过将多任务的评分数据池化的方式共享知识。他们创建了一种多领域共享隐含评分因子聚类评分矩阵，然后这个共享评分矩阵被扩展为通用聚类评分模型，称为评分矩阵生成模型。任何相关用户的评分矩阵可以通过这个生成模型和user-item 联合混合模型进行生成或者预测。Shi［16］等提出了一种标签推导的协同滤波跨领域推荐。他们利用用户产生的标签作为跨领域的纽带。这些标签可以用来计算跨领域用户之间的相似性和项目之间的相似性，并且这种相似性被整合到一个矩阵分解模型可用于矩阵分解过程从而提高推荐的效果。Gao
基于张量分解的跨领域推荐方法
