40、利用标签跨领域提升推荐效果与用户建模的挑战

利用标签跨领域提升推荐效果与用户建模的挑战

在当今的推荐系统和用户建模领域，如何提升推荐性能和准确刻画用户行为是两个重要的研究方向。下面将分别介绍一种能通过用户分配的标签连接多个领域来提升推荐性能的算法——TagCDCF，以及用户建模中存在的潜在问题和应对建议。

TagCDCF算法：跨领域推荐的新突破

1. 算法原理与复杂度
   • TagCDCF通过将学习到的用户和物品的潜在特征相乘来计算推荐，即预测每个领域中未观察到的评分。其复杂度为$O(d(|R(1)|+|R(2)|+|S(U)|+|S(V)|))$，与用户 - 物品评分矩阵和跨领域相似性矩阵中的非零元素总数呈线性关系，这使得它能够处理大规模的评分数据集。
2. 实验评估
   • 实验框架
     • 数据集 ：使用两个公开数据集进行评估，分别是MovieLens数据集（约1000万条评分）和LibraryThing数据集（约75万条评分）。两个数据集都采用5星评分制，且有半星增量。MovieLens数据集包含16529个唯一标签，有95580个用户对电影的标签分配；LibraryThing数据集包含10559个唯一标签，约200万个用户对书籍的标签分配，两个领域共有2277个共同标签。实验选取了每个数据集中的前5000个用户和前5000个物品，分别记为ML和LT。ML的评分数据稀疏度为97.7%，LT的评分数据稀疏度为99.3%。