关注长尾物品的推荐方法

doi:10.11772/j.issn.1001-9081.2019091665

《计算机应用》唯一官方网站 ›› 2020, Vol. 40 ›› Issue (2): 454-458.DOI: 10.11772/j.issn.1001-9081.2019091665

• 第36届CCF中国数据库学术会议(NDBC 2019) • 上一篇下一篇

关注长尾物品的推荐方法

秦婧(), 张青博, 王斌

东北大学计算机科学与工程学院，沈阳 110169

收稿日期:2019-08-12 修回日期:2019-09-29 接受日期:2019-10-24 发布日期:2019-11-06 出版日期:2020-02-10
通讯作者: 秦婧
作者简介:张青博（1994—），女，河南三门峡人，博士研究生，主要研究方向：推荐系统、人工智能
王斌（1972—），男，辽宁沈阳人，副教授，博士生导师，博士，主要研究方向：数据库、人工智能。
基金资助:
国家自然科学基金资助项目(61572122)

Recommendation method with focus on long tail items

Jing QIN(), Qingbo ZHANG, Bin WANG

School of Computer Science and Engineering，Northeast University，Shenyang Liaoning 110169，China

Received:2019-08-12 Revised:2019-09-29 Accepted:2019-10-24 Online:2019-11-06 Published:2020-02-10
Contact: Jing QIN
About author:ZHANG Qingbo， born in 1994， Ph. D. candidate. Her research interests include recommendation system， artificial intelligence.
WANG Bin， born in 1972， Ph. D.， associate professor. His research interests include database， artificial intelligence.
Supported by:
the National Natural Science Foundation of China(61572122)

摘要/Abstract

摘要：

针对推荐系统算法中覆盖率和多样性偏低所带来的长尾问题，提出了一种长尾物品的推荐框架以及关注长尾物品的推荐算法FLTI。长尾物品的推荐框架是基于卷积神经网络（CNN）模型构建的，分为数据处理层、推荐算法层和推荐列表生成层。将FLTI算法加入到了框架中的推荐算法层，该算法首先计算了频繁推荐项以及非频繁推荐项，然后采用使用长尾物品替换频繁推荐项的方法来满足系统中指定的长尾比例。实验结果表明，在Movielens 1M和BookCrossing数据集上，FLTI算法比传统的基于用户的协同过滤（UserCF）算法、基于物品的协同过滤（ItemCF）算法、奇异值分解（SVD）推荐算法以及协同去噪自动编码（CDAE）算法在覆盖率指标上最多提高了51%，多样性指标上最多提高了59%。

Abstract:

To solve the long tail problem caused by low coverage and diversity in recommendation system， a recommendation framework for long tail items and a recommendation algorithm named FLTI （Focusing on Long Tail Item） were proposed. The recommendation framework for long tail items was built based on Convolutional Neural Network （CNN） model with three layers， including data processing layer， recommendation algorithm layer and recommendation list generation layer. The FLTI algorithm was added to the recommendation algorithm layer of the framework， and calculated the frequent recommendation items and the infrequent recommendation items at first， then replaced the frequent recommendation items by the long-tail items to meet the specified proportion of long-tail items in the system. Experimental results on Movielens 1M and BookCrossing datasets show that compared to traditional User-Based Collaborative Filtering （UserCF） algorithm， Item-based Collaborative Filtering （ItemCF） algorithm， Singular Value Decomposition （SVD） recommendation algorithm and Colloborative Denosing Auto-Encoder （CDAE） algorithm， the coverage of FLTI algorithm is improved up to 51%， and the diversity of FLTI algorithm is improved up to 59% .

Key words: recommendation system, long tail recommendation, long tail item, frequent recommendation item, Convolutional Neural Network (CNN)

中图分类号:

TP183

秦婧, 张青博, 王斌. 关注长尾物品的推荐方法[J]. 计算机应用, 2020, 40(2): 454-458.

Jing QIN, Qingbo ZHANG, Bin WANG. Recommendation method with focus on long tail items[J]. Journal of Computer Applications, 2020, 40(2): 454-458.

图/表 9

图1 观影量的长尾效应

Fig. 1 Long tail effect of movie viewing

图2 不重复推荐电影数量随推荐列表长度（L）的变化

Fig. 2 Number of non-repeating recommended movies varies with L

图3 长尾物品推荐框架

Fig. 3 Recommend framework for long tail items

图4 数据处理层模型

Fig. 4 Data processing layer model

图5 FLTI算法的推荐流程

Fig. 5 Recommendation flow of FLTI algorithm

表1 实验中用到的方法说明

Tab.1 Explanation of methods used in experiment

方法	说明
KNNBasic（User-Based）	基于用户的协同过滤方法，相似度计算使用余弦相似度
KNNBasic（Item-Based）	基于物品的协同过滤方法，相似度计算使用余弦相似度
SVD	将用户-物品评分表使用SVD方法分解

图6 两个数据集上不同方法的召回率对比

Fig. 6 Comparison of recall rate of different methods on two datasets

图7 两个数据集上不同方法的覆盖率对比

Fig. 7 Comparison of coverage rate of different methods on two datasets

图8 两个数据集上不同方法的多样性对比

Fig. 8 Comparison of diversity of different methods on two datasets

参考文献 19

1	GOLDBERG D， NICHOLS D， OKI B M， et al. Using collaborative filtering to weave an information tapestry［J］. Communications of the ACM， 1992， 35（12）：61-70. 10.1145/138859.138867
2	HARPER F M， KONSTAN J A. The MovieLens datasets： history and context［J］. ACM Transactions on Interactive Intelligent Systems， 2016， 5（4）： No.19. 10.1145/2827872
3	LINDEN G， SMITH B， Amazon YORK J..com recommendations： item-to-item collaborative filtering［J］. IEEE Internet Computing， 2003， 7（1）：76-80. 10.1109/mic.2003.1167344
4	WU Y， DUBOIS C， ZHENG A X， et al. Collaborative denoising auto-encoders for Top-N recommender systems［C］// Proceedings of the 9th ACM International Conference on Web Search and Data Mining. New York： ACM， 2016： 153-162. 10.1145/2835776.2835837
5	HUANG Z， CAUTIS B， CHENG R， et al. Entity-based query recommendation for long-tail queries［J］. ACM Transactions on Knowledge Discovery from Data， 2018， 12（6）： No.64. 10.1145/3233186
6	HUANG Z， CAUTIS B， CHENG R， et al. KB-enabled query recommendation for long-tail queries［C］// Proceedings of the 25th ACM International on Conference on Information and Knowledge Management. New York： ACM， 2016 ：2107-2112. 10.1145/2983323.2983650
7	HAMEDANI E M， KAEDI M. Recommending the long tail items through personalized diversification［J］. Knowledge-Based Systems， 2019， 164：348-357. 10.1016/j.knosys.2018.11.004
8	PANG J， GUO J， ZHANG W. Using multi-objective optimization to solve the long tail problem in recommender system［C］// Proceedings of the 23rd Pacific-Asia Conference on Knowledge Discovery and Data Mining， LNCS11441. Cham： Springer， 2019： 302-313.
9	WANG S， GONG M， LI H， et al. Multi-objective optimization for long tail recommendation［J］. Knowledge-Based System， 2016， 104：145-155. 10.1016/j.knosys.2016.04.018
10	YIN H， CUI B， LI J， et al. Challenging the long tail recommendation［J］. Proceedings of the VLDB Endowment， 2012， 5（9）： 896-907. 10.14778/2311906.2311916
11	JOHNSON J， NG Y K. Using tripartite graphs to make long tail recommendations［C］// Proceedings of the 8th International Conference on Information， Intelligence， Systems and Applications. Piscataway： IEEE， 2017：1-6. 10.1109/iisa.2017.8316436
12	LUKE A， JOHNSON J， NG Y K. Recommending long-tail items using extended tripartite graphs［C］// Proceedings of the 2018 IEEE International Conference on Big Knowledge. Piscataway： IEEE， 2018： 123-130. 10.1109/icbk.2018.00024
13	JOHNSON J， NG Y K. Enhancing long tail item recommendations using tripartite graphs and Markov process［C］// Proceedings of the 2017 International Conference on Web Intelligence. New York： ACM， 2017： 761-768. 10.1145/3106426.3106439
14	GROZIN V， LEVINA A. Similar product clustering for long-tail cross-sell recommendation［C］// Proceedings of the 6th International Conference on Analysis of Images， Social Networks， and Texts. Berlin： Springer， 2017： 273-280.
15	TAKAMA Y， CHEN Y S， MISAWA R， et al. Analyzing potential of personal values-based user modeling for long tail item recommendation［J］. Journal of Advanced Computational Intelligence and Intelligent Informatics， 2018， 22（4）： 506-513. 10.20965/jaciii.2018.p0506
16	ABDOLLAHPOURI H， BURKE R， MOBASHER B. Value-aware item weighting for long-tail recommendation［EB/OL］. ［2019-01-10］. . 10.1145/3109859.3109912
17	黄立威，江碧涛，吕守业，等.基于深度学习的推荐系统研究综述［J］.计算机学报，2018，41（7）：1619-1647. 10.11897/SP.J.1016.2018.01619
	HUANG L W， JIANG B T， LYU S Y， et al. Survey deep learning based recommender systems［J］. Chinese Journal of Computers， 2018， 41（7）： 1619-1647. 10.11897/SP.J.1016.2018.01619
18	ZHOU Y， ZHOU J， LIU L， et al. RNN-based sequence-preserved attention for dependency parsing［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2018：5738-5746. 10.1609/aaai.v34i07.6807
19	LECUN Y， BENGIO Y， HINTON G E. Deep learning［J］. Nature， 2015， 521（7553）： 436-444. 10.1038/nature14539

[1]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[2]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[3]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[4]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[5]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[6]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[7]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[8]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 计算机应用, 2021, 41(8): 2273-2287.
[9]	秦斌斌, 彭良康, 卢向明, 钱江波. 司机分心驾驶检测研究进展[J]. 计算机应用, 2021, 41(8): 2330-2337.
[10]	黄程程, 董霄霄, 李钊. 基于二维Winograd算法的深流水线5×5卷积方法[J]. 计算机应用, 2021, 41(8): 2258-2264.
[11]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[12]	刘欢, 李晓戈, 胡立坤, 胡飞雄, 王鹏华. 基于知识图谱驱动的图神经网络推荐模型[J]. 计算机应用, 2021, 41(7): 1865-1870.
[13]	吴则举, 焦翠娟, 陈亮. 基于改进Faster R-CNN的轮胎缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1939-1946.
[14]	杨粟, 欧阳智, 杜逆索. 基于相关度距离的无监督并行哈希图像检索[J]. 计算机应用, 2021, 41(7): 1902-1907.
[15]	武光利, 李雷霆, 郭振洲, 王成祥. 基于改进的双向长短期记忆网络的视频摘要生成模型[J]. 计算机应用, 2021, 41(7): 1908-1914.

关注长尾物品的推荐方法

Recommendation method with focus on long tail items

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 19

相关文章 15

编辑推荐

Metrics