COM：一种面向群推荐的生成模型

摘要

引言

相关工作

推荐系统

群推荐

一致性模型

问题描述

面向群推荐的一致性模型(COnsensus Model for Group Recommendation)

参数估计

推荐

　　在向一个目标群 gt 进行推荐时，我们首先基于群体成员 ugt 发现群的主题分布。这个分布 θgt 可以通过对 ugt 根据如下公式进行吉布斯抽样学习到：

P(zj=k|z┐,uj=v,u┐j)∝ϕ^ZUk,v(nGZgt,k,┐j+αk)(12)

　　在向群推荐产品时我们应该去匹配群的主题分布 θgt ，根据 生成模型，我们定义候选产品 i 的推荐得分如下：

P(i,|ugt,θgt)≜∏u∈ugt∑z∈Zθgt,z⋅ϕ^ZUz,u(λ^u⋅ϕ^ZIz,i+(1−λ^u)⋅ϕ^UIu,i)(13)

　　式(13)嵌入了直觉(4)的想法（当选择产品时，群体中不同用户有着不同的影响力得分， 而这个影响力是取决于主题的）：如果主题 z 更与群 gt 相关，用户 u 是 z 上面的专家，那么用户 u 在产品选择时会更有影响力。用户 u 在主题 z 上面的知识用 ϕZUz,u 来表示。在式(13)中， θgt,z⋅ϕZUz,u 是给定主题 z 用户 u 在群体 gt 上的影响力得分。而 λu⋅ϕZIz,i+(1−λu)⋅ϕUIu,i 是用户 u 对候选产品 i 的偏好。我们对所有主题进行求和，得到了用户 u 对产品 i 的总体偏好。随后将所有群体成员对产品 i 的偏好相乘得到群体对产品 i 的偏好。这个基本原理有三层意义：1)群体对产品的偏好取决于所有个体的偏好；2)基于偏好的成绩对产品进行排序等于这些个体偏好的几何均值。与传统的计算偏好的代数均值（平均策略）或者集中注意力于最小偏好（最小痛苦）相比，通过几何均值计算得到的聚合偏好对极端值更具有鲁棒性；3)该定义与所提模型匹配完好。

内容信息融合

实验

实验设置

数据集

评价指标

推荐方法

实验结果

产品选择中主题的权重

主题分析

结论