融合显/隐式反馈的社会化协同排序推荐算法

doi:10.11772/j.issn.1001-9081.2021060908

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (12): 3515-3520.DOI: 10.11772/j.issn.1001-9081.2021060908

• 第十八届中国机器学习会议(CCML 2021) • 上一篇

融合显/隐式反馈的社会化协同排序推荐算法

李改¹^,²(), 李磊², 张佳强¹

^1.顺德职业技术学院智能制造学院，广东佛山 528333
^2.中山大学计算机学院，广州 510006

收稿日期:2021-05-12 修回日期:2021-07-29 接受日期:2021-08-09 发布日期:2021-12-28 出版日期:2021-12-10
通讯作者: 李改
作者简介:李磊（1951—），男，吉林长春人，教授，博士生导师，博士，主要研究方向：人工智能、数据库、机器学习
张佳强（1999—），男，河南南阳人，主要研究方向：推荐系统、数据挖掘。
基金资助:
2020年广东省大学生科技创新培育专项资金资助项目(pdjh2020b1363);2020年广东省教育厅“创新强校工程”特色创新类项目(2020KTSCX367);2020年广东省普通高校创新团队项目（自然科学）(2020KCXTD051)

Social collaborative ranking recommendation algorithm by exploiting both explicit and implicit feedback

Gai LI¹^,²(), Lei LI², Jiaqiang ZHANG¹

^1.School of Intelligent Manufacturing，Shunde Polytechnic，Foshan Guangdong 528300，China
^2.School of Computer Science and Technology，Sun Yat-sen University，Guangzhou Guangdong 510006，China

Received:2021-05-12 Revised:2021-07-29 Accepted:2021-08-09 Online:2021-12-28 Published:2021-12-10
Contact: Gai LI
About author:LI Lei， born in 1951， Ph. D.， professor. His research interests include artificial intelligence， database， machine learning.
ZHANG Jiaqiang， born in 1999. His research interests include recommendation system， data mining.
Supported by:
the Special Fund for Scientific and Technological Innovation Cultivation of College Students in Guangdong Province in 2020(pdjh2020b1363);the “Innovation and Strengthening University” Special Innovation Project of the Department of Education of Guangdong Province in 2020(2020KTSCX367);the Guangdong University Innovation Team Project in 2020 （Natural Science）(2020KCXTD051)

摘要/Abstract

摘要：

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷，而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而，现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据，要么仅仅关注隐式反馈数据，没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息，同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷，在xCLiMF模型和TrustSVD模型基础上，提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息，并优化排序学习的评价指标预期倒数排名（ERR）。在真实数据集上的实验结果表明，采用归一化折损累计增益（NDCG）和ERR作为评价指标，SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强，在互联网信息推荐领域有很好的应用前景。

Abstract:

The traditional social collaborative filtering algorithms based on rating prediction have the inherent deficiency in which the prediction value does not match the real sort， and social collaborative ranking algorithms based on ranking prediction are more suitable to practical application scenarios. However， most existing social collaborative ranking algorithms focus on explicit feedback data only or implicit feedback data only， and not make full use of the information in the dataset. In order to fully exploit both the explicit and implicit scoring information of users’ social networks and recommendation objects， and to overcome the inherent deficiency of traditional social collaborative filtering algorithms based on rating prediction， a new social collaborative ranking model based on the newest xCLiMF model and TrustSVD model， namely SPR_SVD++， was proposed. In the algorithm， both the explicit and implicit information of user scoring matrix and social network matrix were exploited simultaneously and the learning to rank’s evaluation metric Expected Reciprocal Rank （ERR） was optimized. Experimental results on real datasets show that SPR_SVD++ algorithm outperforms the existing state-of-the-art algorithms TrustSVD， MERR_SVD++ and SVD++ over two different evaluation metrics Normalized Discounted Cumulative Gain （NDCG） and ERR. Due to its good performance and high expansibility， SPR_SVD++ algorithm has a good application prospect in the Internet information recommendation field.

Key words: recommendation system, collaborative filtering, social collaborative ranking, implicit feedback, explicit feedback

中图分类号:

TP301.6

李改, 李磊, 张佳强. 融合显/隐式反馈的社会化协同排序推荐算法[J]. 计算机应用, 2021, 41(12): 3515-3520.

Gai LI, Lei LI, Jiaqiang ZHANG. Social collaborative ranking recommendation algorithm by exploiting both explicit and implicit feedback[J]. Journal of Computer Applications, 2021, 41(12): 3515-3520.

图/表 3

图1 λT对SPR_SVD++算法性能的影响

Fig. 1 Influence of λT on performance of SPR_SVD++ algorithm

图2 α对SPR_SVD++算法性能的影响

Fig. 2 Influence of α on performance of SPR_SVD++ algorithm

图3 SPR_SVD++算法与其他经典协同过滤推荐算法的性能比较

Fig. 3 Performance comparison of SPR_SVD++ algorithm and other classic collaborative filtering algorithms

参考文献 15

1	李改，徐清振，李磊，等. TLRank：一种新的社会化协同排序推荐算法［J］. 华南师范大学学报（自然科学版）， 2019， 51（5）： 121-128.
	LI G， XU Q Z， LI L， et al. TLRank： a new social collaborative ranking recommendation algorithm［J］. Journal of South China Normal University （Natural Science Edition）， 2019， 51（5）： 121-128.
2	李改，陈强，李磊. 基于评分预测与排序预测的协同过滤推荐算法［J］. 电子学报， 2017， 45（12）： 3070-3075. 10.3969/j.issn.0372-2112.2017.12.033
	LI G， CHEN Q， LI L. Collaborative filtering recommendation algorithm based on rating prediction and ranking prediction［J］. Acta Electronica Sinica， 2017， 45（12）： 3070-3075. 10.3969/j.issn.0372-2112.2017.12.033
3	李改. 融合显/隐式反馈的协同排序算法［J］. 计算机应用， 2015， 35（5）： 1328-1332， 1341. 10.11772/j.issn.1001-9081.2015.05.1328
	LI G. Collaborative ranking algorithm by explicit and implicit feedback fusion［J］. Journal of Computer Applications， 2015， 35（5）： 1328-1332， 1341. 10.11772/j.issn.1001-9081.2015.05.1328
4	黄震华，张佳雯，田春岐，等. 基于排序学习的推荐算法研究综述［J］.软件学报， 2016， 27（3）： 691-713. 10.13328/j.cnki.jos.004948
	HUANG Z H， ZHANG J W， TIAN C Q， et al. Survey on learning-to-rank based recommendation algorithms［J］. Journal of Software， 2016， 27（3）： 691-713. 10.13328/j.cnki.jos.004948
5	YAO W L， HE J， HUANG G Y， et al. SoRank： incorporating social information into learning to rank models for recommendation［C］// Proceedings of the 23rd International Conference on World Wide Web. New York： ACM， 2014： 409-410. 10.1145/2567948.2577333
6	HUANG C， XU H C， XU Y， et al. Knowledge-aware coupled graph neural network for social recommendation［C］// Proceedings of the 35th AAAI International Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2021： 4115-4122. 10.1609/aaai.v33i01.33015573
7	LIU C H， WANG X， LU T， et al. Discrete social recommendation［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019： 208-215. 10.1609/aaai.v33i01.3301208
8	DU L， LI X， SHEN Y D. User graph regularized pairwise matrix factorization for item recommendation［C］// Proceedings of the 7th International Conference on Advanced Data Mining and Applications， LNCS7121. Berlin： Springer， 2011： 372-385.
9	KROHN-GRIMBERGHE A， DRUMOND L， FREUDENTHALER C， et al. Multi-relational matrix factorization using Bayesian personalized ranking for social network data［C］// Proceedings of the 5th ACM International Conference on Web Search and Data Mining. New York： ACM， 2012： 173-182. 10.1145/2124295.2124317
10	ZHAO T， McAULEY J， KING I. Leveraging social connections to improve personalized ranking for collaborative filtering［C］// Proceedings of the 23rd ACM International Conference on Information and Knowledge Management. New York： ACM， 2014： 261-270. 10.1145/2661829.2661998
11	GUO L， MA J， JIANG H R， et al. Social trust aware item recommendation for implicit feedback［J］. Journal of Computer Science and Technology， 2015， 30（5）： 1039-1053. 10.1007/s11390-015-1580-8
12	GUO G B， ZHANG J， YORKE-SMITH N. A novel recommendation model regularized with user trust and item ratings［J］. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（7）： 1607-1620. 10.1109/tkde.2016.2528249
13	SHI Y， KARATZOGLOU A， BALTRUNAS L， et al. xCLiMF： optimizing expected reciprocal rank for data with multiple levels of relevance［C］// Proceedings of the 7th ACM Conference on Recommender Systems. New York： ACM， 2013： 431-434. 10.1145/2507157.2507227
14	KOREN Y. Factor in the neighbors： scalable and accurate collaborative filtering［J］. ACM Transactions on Knowledge Discovery from Data， 2010， 4（1）： No.1. 10.1145/1644873.1644874
15	YANG B， LEI Y， LIU D Y， et al. Social collaborative filtering by trust［C］// Proceedings of the 23rd International Joint Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2013： 2747-2753. 10.2172/1749853

[1]	包玄, 陈红梅, 肖清. 融入时间的兴趣点协同推荐算法[J]. 计算机应用, 2021, 41(8): 2406-2411.
[2]	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.
[3]	林怿星, 唐华. 基于异构信息网络的混合推荐模型[J]. 计算机应用, 2021, 41(5): 1348-1355.
[4]	陈宪聪, 潘微科, 明仲. 面向异构单类协同过滤的阶段式变分自编码器[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3499-3507.
[5]	骆锦潍, 刘杜钢, 潘微科, 明仲. 基于改进的倾向得分估计的无偏推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3508-3514.
[6]	高铭蔚, 桑楠, 杨茂林. 基于胶囊网络的交互式网络电视视频点播推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3171-3177.
[7]	任柯舟, 彭甫镕, 郭鑫, 王喆, 张晓静. 动态融合社交信息的社会化推荐[J]. 计算机应用, 2021, 41(10): 2806-2812.
[8]	李翔锟, 贾彩燕. 融合重叠社区正则化及隐式反馈的协同过滤方法[J]. 计算机应用, 2021, 41(1): 53-59.
[9]	李春英, 汤庸, 肖政宏, 李天送. 学术社交网络中的权威学者推荐模型[J]. 计算机应用, 2020, 40(9): 2594-2599.
[10]	田保军, 刘爽, 房建东. 融合主题信息和卷积神经网络的混合推荐算法[J]. 计算机应用, 2020, 40(7): 1901-1907.
[11]	陈曦, 梅广, 张金金, 许维胜. 融合知识图谱和协同过滤的学生成绩预测方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 595-601.
[12]	秦婧, 张青博, 王斌. 关注长尾物品的推荐方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 454-458.
[13]	张文龙, 钱付兰, 陈洁, 赵姝, 张燕平. 基于双重最相关注意力网络的协同过滤推荐算法[J]. 计算机应用, 2020, 40(12): 3445-3450.
[14]	樊玮, 谢聪, 肖春景, 曹淑燕. 基于组合类别空间的随机游走推荐算法[J]. 计算机应用, 2019, 39(4): 984-988.
[15]	雷曼, 龚琴, 王纪超, 王保群. 基于标签权重的协同过滤推荐算法[J]. 计算机应用, 2019, 39(3): 634-638.

融合显/隐式反馈的社会化协同排序推荐算法

Social collaborative ranking recommendation algorithm by exploiting both explicit and implicit feedback

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 15

相关文章 15

编辑推荐

Metrics