多通路主題模型和雙矩陣分解推薦算法.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，信息的結(jié)構(gòu)也變得多樣化。文本數(shù)據(jù)不但包含內(nèi)容信息，也包含了共同作者關(guān)系（coauthors），相互引用關(guān)系（citations），地理位置和時(shí)間等附加信息，這樣就構(gòu)成了多通路文本網(wǎng)絡(luò)，即文本和文本間存在多種鏈接結(jié)構(gòu)。深入挖掘多通路文本網(wǎng)絡(luò)，不但可以發(fā)現(xiàn)有意義的主題，還能建立可靠的預(yù)測(cè)模型，根據(jù)已知鏈接預(yù)測(cè)未知的鏈接。但實(shí)際上，不同的鏈接關(guān)系對(duì)主題形成的影響不同，比如經(jīng)常有合作關(guān)系的兩個(gè)作者對(duì)某些主題感興趣，但是

2、引用的文章可能來自交叉學(xué)科的完全不同的主題，兩個(gè)博客的有很強(qiáng)的內(nèi)容相似性，但是沒有引用關(guān)系。因此如何平衡各種不同鏈接關(guān)系并且定量的刻畫他們對(duì)主題分布的影響是一個(gè)非常有挑戰(zhàn)的工作。
　　本文提出了多通路主題模型（mutiplex topic models），利用因子圖（factor graph）將各種不同的鏈接通路融入到主題模型中，并提出了多通路置信傳播算法（multiplex belief propagation）進(jìn)行進(jìn)行推理和參

3、數(shù)估計(jì)，各種通路的權(quán)重可以通過傳遞的消息的一致性自動(dòng)計(jì)算出來。實(shí)驗(yàn)結(jié)果表明，通過平衡各種通路的權(quán)重，模型在文本聚類和預(yù)測(cè)鏈接關(guān)系的方面有顯著提高。
　　協(xié)同過濾推薦算法是推薦系統(tǒng)中運(yùn)用最成功的一種推薦技術(shù)。矩陣分解模型是協(xié)同過濾系統(tǒng)中廣泛使用的推薦算法之一，大量研究表明，其在推薦速度和推薦精度方面均顯著優(yōu)于其他協(xié)同過濾算法。而基于矩陣分解的協(xié)同過濾推薦依靠的是學(xué)習(xí)用戶和推薦項(xiàng)目的特征矩陣才能給出推薦。如果一個(gè)新的項(xiàng)目在評(píng)分矩陣中沒

4、有任何用戶對(duì)它給出評(píng)價(jià)，或者是一個(gè)新用戶在評(píng)分矩陣中沒有對(duì)任何項(xiàng)目進(jìn)行過評(píng)價(jià)，則無法學(xué)習(xí)該新用戶和新項(xiàng)目的特征矩陣，那么該新用戶和新項(xiàng)目就沒有辦法為其運(yùn)用矩陣分解模型產(chǎn)生推薦。這就是協(xié)同過濾系統(tǒng)中廣泛存在的冷啟動(dòng)問題。
　　為了克服協(xié)同過濾算法的冷啟動(dòng)問題，本文在傳統(tǒng)的概率矩陣分解算法上提出了基于雙矩陣分解的推薦算法（dual matrix factorization，DMF）。該算法將概率矩陣分解（probabilistic m