基于“少数派报告”的协同过滤模型

doi:10.16381/j.cnki.issn1003-207x.2021.1519

中国管理科学 ›› 2024, Vol. 32 ›› Issue (3): 20-27.doi: 10.16381/j.cnki.issn1003-207x.2021.1519

基于“少数派报告”的协同过滤模型

黄晓宇^1,²,鲜征征³(),杨雄文⁴,左文明^1,²

^1.华南理工大学电子商务系, 广东广州 510006
^2.人工智能与数字经济广东省实验室(广州), 广东广州 510335
^3.广东金融学院互联网金融与信息工程学院, 广东广州 510520
^4.华南理工大学法学院, 广东广州 510006

收稿日期:2021-09-03 修回日期:2022-02-22 出版日期:2024-03-25 发布日期:2024-03-25
通讯作者: 鲜征征 E-mail:xianzhengzheng@126.com
基金资助:
广东省哲学社会科学规划项目(GD21CGL02);人工智能与数字经济广东省实验室（广州）青年学者项目(PZL2021KF0027);广东省自然科学基金项目(2020A1515010830);华南理工大学中央高校基本科研业务费项目(XYMS202107);广东省普通高校人文社会科学研究重点项目(2018WZDXM032);广州市科技计划项目(202002030473);广东省普通高校创新团队项目(2021KCXTD079)

Collaborative Filtering with Minority Report

Xiaoyu Huang^1,²,Zhengzheng Xian³(),Xiongwen Yang⁴,Wenming Zuo^1,²

^1.Department of Electronic Business, South China University of Technology, Guangzhou 510006, China
^2.Guangdong Artificial Intelligence and Digital Economy Laboratory (Guangzhou), Guangzhou 510335, China
^3.School of Internet Finance and Information Engineering, Guangdong University of Finance, Guangzhou 510520, China
^4.School of Law, South China University of Technology, Guangzhou 510006, China

Received:2021-09-03 Revised:2022-02-22 Online:2024-03-25 Published:2024-03-25
Contact: Zhengzheng Xian E-mail:xianzhengzheng@126.com

摘要/Abstract

摘要：

协同过滤是在线推荐系统最重要的组成模块之一，为实现面向用户的个性化广告投放功能提供了关键的技术支持。然而，在协同过滤系统的具体实现中，研究者却不加区分地对所有目标用户都使用相同的训练流程。较之“个性化的预测结果”的预期，上述“一般化的训练过程”使得结果模型相对于待预测的目标过于普适，缺乏必要的针对性。本文提出一个“以个性化的训练过程得到个性化的预测结果”的协同过滤预测模型（MORE）：对给定的目标用户，MORE将使用弹性网络模型（Elastic Net），从现有的用户全集中选出若干用户构成与之对应的 “专家”集合，并基于目标用户与专家已有的评分，生成对目标用户的缺失评分的预测。本文报告了MORE在不同的协同过滤预测模型上的应用结果，在真实评分数据集上的实验结果表明，较之使用全量数据训练得到的预测模型，基于MORE的模型有更好的表现。

关键词: 协同过滤, 稀疏选择, 个性化, 推荐系统

Abstract:

Collaborative filtering （CF for short） technology， as an important component of recommender system， plays a key role in personalized advertising. On the other hand， although various CF models are aimed at capturing personalized preferences of individuals， their training process are without regarding differences among the individual， where given a training algorithm， the model is always trained with the same training data， no matter what the target object is. This approach， however， is too general to the individuals， for given a specific target user， in order to personalize the recommendations， it might be more reasonable to first personalize the training process. In this work， MORE， a collaborative filtering model with MinOrity REport is presented. MORE trains the CF model in an user specific mode. Given a target user， MORE essentially works in three steps： First， it constitutes a personalized expert set for the target user with the Elastic Net model； Second， it constructs a sub matrix of the origin “user-item” rating matrix， where all values are only from the target user and the expert users. Third， it performs matrix imputation on the newly constructed matrix， and obtain estimations for the target user’s uncollected rating values. MORE is evaluated with two different CF models on two real movie rating data sets， all results show that the proposed model is promising.

Key words: collaborative filtering, sparse selection, personalization, recommender system

中图分类号:

TP181

黄晓宇,鲜征征,杨雄文,左文明. 基于“少数派报告”的协同过滤模型[J]. 中国管理科学, 2024, 32(3): 20-27.

Xiaoyu Huang,Zhengzheng Xian,Xiongwen Yang,Wenming Zuo. Collaborative Filtering with Minority Report[J]. Chinese Journal of Management Science, 2024, 32(3): 20-27.

图/表 5

图1

表1

表2

表3

表4

参考文献 23

1	Wang J Z， Huang P P， Zhao H， et al. Billionscale commodity embedding for e-commerce recommendation in alibaba［C］//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining，New York， USA， August 19-23 ，Association for Computing Machinery， 2018：839-848.
2	Brent S， Greg L D. Two Decades of recommender systems at Amazon.com［J］. IEEE Internet Computing，2017， 21（3）：12-18.
3	Cheng X Y， Zhang J J， Yan L. Understanding the impact of individual users’ rating characteristics on the predictive accuracy of recommender systems［J］. INFORMS Journal on Computing， 2020，32（2）：303-320.
4	梁昌勇，冷亚军，王勇胜，等. 电子商务推荐系统中群体用户推荐问题研究［J］. 中国管理科学， 2013， 21（3）：153-158.
	Liang C Y， Leng Y J， Wang Y S， et al. Research on group recommendation in e-commerce recommender systems［J］. Chinese Journal of Management Science， 2013， 21（3）： 153-158.
5	Emmanuel J C， Terence T. The power of convex relaxation： near-optimal matrix completion［J］. IEEE Transactions on Information Theory， 2010，56（5）：2053-2080.
6	Greg L D， Brent S， Amazon Jeremy Y.. Com recommendations： item-to-item collaborative filtering［J］. IEEE Internet Computing， 2003， 7（1）：76-80.
7	Yehuda K， Robert B. Advances in collaborative filtering［M］. Recommender Systems Handbook， 2015.
8	Wang Q Y， Yin H Z， Wang H， et al. Enhancing collaborative filtering with generative augmentation［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining，Anchorage AK， USA， August 4-8 ， Association for Computing Machinery， 2019：548-556.
9	Pan W K， Yang Q. Transfer learning in heterogeneous collaborative filtering domains［J］. Artificial Intelligence，2013， 197：39-55.
10	Xavier A， Neal L， Josep M P， et al. The wisdom of the few： a collaborative filtering approach based on expert opinions from the web［C］// Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval，Boston， MA， USA， July 19-23， Association for Computing Machinery， 2009：532-539.
11	Huang X Y， Xiang X H. The wisdom of the few： a provable approach［J］. International Journal of Computational Science and Engineering，2019， 18（1）：21-28.
12	Huang X Y， Xian Z Z， Zeng Q S. Crowdsourcing with fewer workers［C］//Proceedings of the 14th International Conference on Semantics， Knowledge and Grids（SKG），Guangzhou， China， September 12-14， 2018.
13	David M P， Eric J H， Steve L， et al. Collaborative filtering by personality diagnosis： a hybrid memory-and model-based approach［Z］. arXiv preprint arXiv：， 2013.
14	Daniele Q， Neal L， Calabrese Francesco，et al. Recommending social events from mobile phone location data ［C］// Proceedings of the 10th International Conference on Data Mining （ICDM）， Sydney， NSW， Australia， December 13-17， IEEE， 2010：971-976.
15	Fernando D， Enrique J C， Pedro G C， et al. Movie recommendations based in explicit and implicit features extracted from the filmtipset dataset［C］// Proceedings of the Workshop on Context-Aware Movie Recommendation， Barcelona， Spain， September 30 ， Association for Computing Machinery， 2010：45-52.
16	Bao J， Zheng Y， Mohamed F M. Location-based and preference-aware recommendation using sparse geosocial networking data［C］//Proceedings of the 20th International Conference on Advances in Geographic Information Systems， Redondo Beach， California USA， November 6-9 ， Association for Computing Machinery， 2012：199-208.
17	Shawndra H， Noah R C. Expert stock picker： the wisdom of （experts in） crowds［J］. International Journal of Electronic Commerce，2011， 15（3）：73-102.
18	Robert T. Regression shrinkage and selection via the lasso［J］. Journal of the Royal Statistical Society： Series B （Methodological）， 1996，58（1）：267-288.
19	Zou H， Trevor H. Regularization and variable selection via the elastic net［J］. Journal of the Royal Statistical Society： series B （statistical methodology）， 2005， 67（2）：301-320.
20	Andriy M， Russ R S. Probabilistic matrix factorization ［C］// Proceedings of the 20th International Conference on Neural Information Processing Systems，Vancouver， British Columbia， Canada， December 3-6 ， Curran Associates Inc.， 2007：1257-1264.
21	Nathan S， Jason D R， Tommi S J. Maximum-margin matrix factorization［C］.//Proceedings of the 17th International Conference on Neural Information Processing Systems， Vancouver， British Columbia， Canada， December 1， MIT Press，2004：1329-1336.
22	Xu M J， Zhu J， Zhang B. Fast max-margin matrix factorization with data augmentation［C］// Proceedings of the 30th International Conference on International Conference on Machine Learning， Atlanta GA， USA， June 16-21， JMLR.org， 2013：978-986.
23	Friedman J H， Hastie T， Tibshirani R.Regularization paths for generalized linear models via coordinate descent［J］.Journal of Statistical Software，2010，33（1）：1-22.

数据\设置	G10	G20	G30	G40	G50
MovieLens	71	136	116	164	153
EachMovie	61	36	43	72	69

数据\设置	G10	G20	G30	G40	G50
MovieLens	682	1298	1878	2590	3270
EachMovie	824	1145	1485	1959	2416

算法\设置	G10	G20	G30	G40	G50
PMF	0.9106	0.9482	0.9415	0.8907	0.8059
PMF^M	0.8888	0.9088	0.9248	0.8574	0.7926
M3F	1.1885	1.1048	0.9689	0.9379	0.9219
M3F^M	1.0880	1.0917	0.9674	0.9307	0.9034

算法\设置	G10	G20	G30	G40	G50
PMF	0.6501	0.5986	0.5796	0.5620	0.5462
PMF^M	0.6145	0.5501	0.5257	0.5033	0.4909
M3F	0.8455	0.7558	0.7041	0.6701	0.6454
M3F^M	0.8709	0.7550	0.6701	0.6188	0.5937

[1]	胡春华,邓奥,童小芹,缪和,王宗润. 社交电商中融合信任和声誉的图神经网络推荐研究[J]. 中国管理科学, 2021, 29(10): 202-212.
[2]	胡春华, 赵慧, 童小芹, 任剑. 推荐系统对消费者网购支出的影响研究[J]. 中国管理科学, 2020, 28(6): 158-170.
[3]	孟炯, 张杨, 曾波. 基于个性化需求的产品竞争供应链结构选择[J]. 中国管理科学, 2019, 27(12): 67-76.
[4]	梁昌勇, 冷亚军, 王勇胜, 戚筱雯. 电子商务推荐系统中群体用户推荐问题研究[J]. 中国管理科学, 2013, 21(3): 153-158.

基于“少数派报告”的协同过滤模型

Collaborative Filtering with Minority Report

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 23

相关文章 4

Metrics

本文评价

推荐阅读 0