![](https://csdnimg.cn/release/download_crawler_static/18268120/bg1.jpg)
收稿日期:20180123;修回日期:20180326 基金项目:湖北省自然科学基金重点类资助项目(2017CFA012)
作者简介:周强(1992),男,湖北荆门人,硕士研究生,主要研究方向为数据挖掘、机器学习、信息检索(1175192850@qq.com);胡燕(1965),
女,湖北松滋人,教授,博士,主要研究方向为数据挖掘、信息检索.
融合图片相似度缓解新项目冷启动问题的研究
周 强,胡 燕
(武汉理工大学 计算机科学与技术学院,武汉 430070)
摘 要:针对推荐系统中因新项目的加入而造成的冷启动问题,在矩阵分解模型的基础上提出了融合项目图片
相似度和类别属性的协同过滤推荐模型 USPTMFCFIA。首先,采用基于用户偏好和时间权重的矩阵分解模型,
对评分缺失项进行预测填充;然后,利用 VGG16神经网络提取项目图片特征,并结合类别属性计算新项目与历
史项目的相似度,得到近邻项目;最后,根据新项目与近邻项目之间的相似度预测用户对新项目的评分,将评分
高的前 N个项目推荐给对应用户;通过在 GroupLens提供的数据集上的实验证明,该模型的推荐准确率比 MAP
BPR
模型高 0.006~0.015,比传统协同过滤模型高 0.02~0.028,比没融合图片相似度的 USPTMFCFA模型高
0.001~0.003,比 ACMF模型高 0.001~0.002。
关键词:协同过滤;矩阵分解;图片特征;新项目冷启动;时间权重
中图分类号:TP391.1 文献标志码:A 文章编号:10013695(2019)08028237805
doi:10.19734/j.issn.10013695.2018.01.0117
Researchonsolvingnewitemcoldstartproblembycombiningimagesimilarity
ZhouQiang,HuYan
(CollegeofComputerScience&Technology,WuhanUniversityofTechnology,Wuhan430070,China)
Abstract:Aimingattheproblemofcoldstartcausedbytheadditionofnewitemintherecommendationsystem,thispaper
proposedacollaborativefilteringrecommendationmodelUSPTMFCFIAbasedonmatrixfactorizationmodel,whichcombined
thesimilarityofitemimageandcategoryattributes.First,itusedthematrixfactorizationmodelbasedonusers’preferenceand
timeweighttopredictandfillthemissingitem.Then,itusedtheVGG16neuralnetworktoextractthefeaturesoftheitemima
gesandcombinedcategoryattributestocalculatethesimilaritybetweenthenewitem andthehistoricalitems,thengotthe
item’sneighbors.Finally,itpredictedthenewitembasedonthesimilaritybetweenthenewitemandtheneighbors,andthe
firstNitemswithhighscorewererecommendedtothecorresponduser.TheexperimentonthedatasetprovidedbyGroupLens
provedthattheproposedaccuracyrateofthismodel.Therecommendedaccuracyofthismodelis0.006~0.015higherthan
theMAPBPRmodel
,0.02~0.028higherthanthetraditionalcollaborativefilteringmodeland0.001~0.003higherthan
thatoftheUSPTMFCFAmodelwithoutimagesimilarity0.001~0.002higherthanACMFmodel.
Keywords:collaborativefiltering;matrixfactorization;imagefeatures;newitemcoldstart;timeweight
0 引言
互联网的发展迅猛,社交、视频、广告、音乐、外卖、电商等
领域越来越普及,已经渗透到了人们生活的方方面面。如何给
用户提供更高品质的服务,满足用户真正的需求,提升用户体
验,是现在很多系统普遍关注的问题。推荐系统是如今最流行
的技术,根据用户行为日志分析用户偏好,自动为用户推荐感
兴趣的项目
[1]
。目前推荐系统核心算法仍然是协同过滤,由
于其简单有效,已被广泛地研究与应用。其原理是物以类聚人
以群分,通过计算当前用户(项目)的 KNN(Knearestneighbor)
最近邻,根据近邻用户(项目)的评分记录来预测用户对项目
的评分,根据评分高低来决定是否将该项目推荐给用户,可以
看出协同过滤对历史数据具有很强的依赖。对于新用户、新项
目、新系统来说,由于没有任何历史数据,导致推荐效果不佳的
问题,称之为冷启动问题。
因此,本文针对协同过滤算法中存在的问题之一———新项
目冷启动问题展开了研究。本文的主要工作如下:
a)根据艾宾浩斯遗忘曲线
[2]
函数,提出了符合人们兴趣
变化的时间权重函数,并将其融入到用户偏好的矩阵分解模型
(matrixfactorizationrecommendationalgorithm basedonuser’s
preferenceandtimeweight
,USPTMF)中,使得该模型能预测出
更贴近用户兴趣变化的缺失评分项,缓解了协同过滤因数据稀
疏性导致推荐效果不佳的问题,提高了推荐准确性。
b)分析可用的项目属性,然后选取项目特征属性,证明了
图片属性对于项目区分的重要性,对项目图片进行特征提取,
计算图片特征相似度(imagefeaturesimilarity,IFS),结合项目
类别属性相似度(attributesimilarity,AS)得到 IAS相似度,最终
使得到的近邻项目更加精确。
c)通过 IAS相似度计算出新项目的 K近邻,并根据新项
目与近邻项目集合之间的 IAS相似度计算用户对新项目的预
测评分,然后将得到的预测评分进行排序,取评分高的项目推
荐给对应用户。将耗时的 USPTMF模型训练放在线下,然后结
合 KNN算法进行在线推荐,相对于矩阵分解推荐模型提高了
推荐实时性。
1 相关工作
推荐系统是决策者的有效工具,可以帮助他们根据自己的
喜好挑选合适的项目,如今已经渗透到各个领域,但因新用户
或新项目的加入,而导致的冷启动问题给各类推荐系统造成了
很大困扰。为缓解推荐系统中的新项目冷启动问题,相关领域
第 36卷第 8期
2019年 8月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol36No8
Aug.2019