11、跨领域旅游服务推荐：ExHMF 模型解析

跨领域旅游服务推荐：ExHMF 模型解析

在旅游服务推荐领域，如何更精准地满足用户需求是一个关键问题。传统的推荐方法在处理多领域数据和用户偏好时存在一定的局限性。本文将介绍一种新的跨领域旅游服务推荐模型——ExHMF，它结合了显式特征和用户偏好，在性能上优于现有的一些方法。

1. 相关工作回顾

在推荐系统中，矩阵分解（MF）是一种常用的方法。它将评分矩阵分解为用户潜在因子和物品潜在因子两个低秩矩阵的乘积。然而，传统的 MF 方法无法利用多个领域之间的数据相关性。为了解决这个问题，集体矩阵分解（CMF）被提出，它可以处理多个领域的数据，并在不同领域之间共享用户潜在因子。但 CMF 也存在一些问题，比如用户潜在因子主要从非冷启动的领域学习，以及当某个领域的评分数据远多于其他领域时，该领域会主导学习过程。

为了克服 CMF 的这些问题，异构矩阵分解（HeteroMF）被提出。它在 CMF 的基础上引入了一个转移矩阵，用于映射不同领域之间的用户潜在因子。

在旅游产品推荐方面，也有一些相关的工作。例如，CARD 是一个基于关系数据库的复合旅游服务推荐框架，支持复合指标定义、top-k 推荐和偏好学习；还有一些工作通过搜索文档中的关键词来找到旅游服务的 top-k 元组，或者提出了一些近似算法来处理可变大小的复合旅游服务包。另外，也有工作提出了一种成本感知的潜在因子模型，使用二维向量表示游客的成本，并使用高斯先验来表达旅游成本的不确定性。

与现有工作相比，我们的模型考虑了用户对物品属性的偏好。最接近我们的工作是使用概率矩阵分解（PMF）学习用户对成本偏好的模型，但该模型没有利用多个服务领域之间的相关性。我们提出了一个转移矩阵来学习用户在不同领域的偏好关