用于文档上下文感知推荐的卷积矩阵分解

最新推荐文章于 2025-06-25 21:11:14 发布

原创

最新推荐文章于 2025-06-25 21:11:14 发布 · 1.4w 阅读

16 ·

CC 4.0 BY-SA版权

论文提出了一种新的推荐模型——卷积矩阵分解(ConvMF)，结合卷积神经网络(CNN)与概率矩阵分解(PMF)，以捕获文档的上下文信息，改善稀疏评级数据的推荐准确性。实验表明，ConvMF在多个数据集上显著优于现有推荐模型，尤其是在评级数据非常稀疏的情况下。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Kim D H, Park C, Oh J, et al. Convolutional Matrix Factorization for Document Context-Aware Recommendation[C]. conference on recommender systems, 2016: 233-240.
实现代码：http://dm.postech.ac.kr/ConvMF 【协同过滤+文档建模】

用户对物品评价数据的稀疏性是影响推荐系统质量的主要因素之一。针对稀疏性问题，研究学者已经提出了几种建议，并考虑了辅助信息，提高了评级预测精度。特别是，当评价数据比较稀疏时，基于文档建模的方法context-aware通过额外使用文本数据（如评论、摘要或概要）来提高准确性。然而，由于词语袋模型bag-of-words固有的局限性，它们在有效利用文档的上下文信息方面存在困难，导致对文档的理解较浅。本文提出了一种新的上下文感知推荐模型——卷积矩阵因式分解(convmf)，将卷积神经网络(CNN)与概率矩阵因式分解（PMF）相结合。因此，convmf捕获了文档的上下文信息，进一步提高了评级预测的准确性。对三个真实数据集的广泛评估表明，即使在评级数据非常稀疏的情况下，convmf仍显著优于最先进的推荐模型。这个方法还证明convmf成功地捕获了文档中单词的细微上下文差异。

1. 论文背景分析

电子商务服务中用户和物品数量的激增，增加了用户对物品评价数据的稀疏性。最后，这种稀疏性降低了传统协同过滤技术的等级预测精度。为了提高准确性，研究学者先后提出了几种建议，不仅考虑评级信息，还考虑辅助信息，如用户人口统计、社交网络和物品描述文档。最近，基于文档建模方法（如潜在dirichlet分配Latent Dirichlet Allocation, LDA和堆叠去噪自动编码器Stack Denoise Auto-Encoder, SDAE）的方法被提出额外利用物品描述文档（如评论、摘要或概要）。Wang等人提出了协同主题回归Collaborative Topic Regressio, CTR，将主题建模LDA和协同过滤结合在概率方法中, 提出了CTR的变体，并将LDA集成到协同过滤中，以分析具有不同集成方法的物品描述文档。最近，Wang等人提出了将SDAE整合到概率矩阵分解（PMF）中的协同深度学习（CDL），从而在评级预测准确性方面生成更准确的潜在模型。

然而，现有的集成模型并不能完全捕获文档信息。因为现有方法所依赖的词袋模型忽略了文档的上下文信息，如周围的单词和单词顺序。例如，假设在一个文档中给出了以下两句话：“people trust the man.” “people betray his trust finally.” 因为LDA和SDAE认为该文档是一系列判别词汇的bag，它们无法区分“trust”的场景语义。准确地说，尽管“trust”的每一个出现似乎都有几乎相同的含义，但这些词之间有一个微妙的句法差异——分别是动词和名词。文档中的这种细微差别也是深入理解文档的重要因素，进一步的这种理解有助于提高评级预测准确性。为了解决上述问题，作者采用了卷积神经网络（CNN）。CNN在计算机视觉、自然语言处理和信息检索等各个领域表现出很高的性能。CNN通过对成分建模（如局部感受野、共享权重和子采样）有效地捕获图像或文档的局部特征。因此，CNN的使用有助于加深对文档的理解，并产生比LDA和SDAE更好