CTL:Cross-domain Collaboration Recommendation

CTL(Cross-domain Topic Learning)是为了解决跨域协作推荐中的稀疏连接、专业知识互补和主题偏斜问题。它通过主题层整合跨域协作,针对相关主题建模。在出版物跨域合作数据上,CTL利用生成式主题模型,结合随机游走算法进行推荐,有效地捕获不同领域的协作模式。实验表明,CTL在推荐效果和效率上表现出优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Cross-domain Collaboration Recommendation

ACM-Jie Tang,Sen Wu,Jimeng Sun,Hang Su-2012

思路

跨域协作与传统的RS不同,主要不同之处有三:一是稀疏连接;二是互补的专业知识;三是主题偏斜。选择的研究对象是:出版物中的跨域合作数据。
本文提出CTL(Cross-domain Topic Learning)来解决这三个问题:为处理一,CTL通过主题层而不是作者层来整合现有的跨域协作,这解决了稀疏问题;为处理二,CTL的主题分布从源和目标域分开,以及域之间的相关性;为处理三,CTL只对跨域协作的相关主题进行建模。(并不是所有领域之间会有跨域协作,大概只有9%,所以我们应该专注于更好地建模那些具有高概率的跨域协作的主题)
虽然跨域协作面临的挑战是非常大的,但一旦成功形成这种跨域合作,影响通常是巨大的。在研究中发现,跨域协作在所哟可能的协作中只占一小部分。随着社会发展,跨域协作的趋势正逐渐增长,这证实了跨域协作的潜在需求。

CTL模型

CTL是一种生成式主题模型。它可以将跨域协作的相关主题与其他主题区分开来。最后将CTL集成到一个大规模的Web应用程序中,用于推荐跨域的研究和作者。
假设两个域:源域和目标域。目标是从源域中给目标域中的特定用户推荐潜在协作者。
G={V,E,X},|V|=N,E的维度是VV,一个表示用户之间无向关系的集合,X是Nd属性矩阵,每行对应于用户的属性值的向量,用xj表示第j个属性。
假设每个用户vi都与d个属性关联。
用户的主题属性多项式分布为

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值