混合服务推荐原型用于UCWW:智能城方向

文摘

随着普适计算的发展,推荐系统已经成为必不可少的工具帮助用户发现他们会发现有趣的服务。这个过程与越来越多的服务是高度动态的,分布在网络中,将服务推荐的冷启动和稀疏的问题提高到一个新的水平。缓解这些问题,本文提出一种混合服务推荐原型利用用户和项目信息,这自然构成异构信息网络(HIN)用于新兴消费者无处不在的无线世界(UCWW)无线通信环境,提供了一个以消费者为中心的成就和网络服务操作模型和允许范围广泛的智能城场景,旨在为消费者提供“最佳”服务实例匹配他们的动态的语境化和个性化的需求和期望。提出的分层架构原型。两个定义在全球及个性化推荐模型提出了水平,基于贝叶斯模型学习个性化排名(BPR)。Yelp数据集的一个子集是用来模拟UCWW数据和评估拟议的模型。实证研究表明,该推荐模型优于几个广泛部署的建议方法。

1。介绍

无处不在的计算的快速发展,今天的人们能够随时随地访问任何服务。许多研究已经完成利用无线通信模型用于无所不在的网络,例如,NGMN(下一代移动网络)1和缪斯(移动无处不在服务环境)2]。其中,无处不在的消费者无线世界(UCWW) [3,4)带来一种不同的方法当前全球无线环境,制定一个通用的网络和以消费者为中心的techno-business模型(CBM)未来无线通信的基础。UCWW带来的主要变化是,用户成为消费者,而不是用户,因此可能能够使用任何服务的移动服务提供商(SP)通过“最好”的可用访问网络的任何访问网络提供商(ANP)。图1描绘了一个UCWW[的高级视图3]。

UCWW的关键特性之一是提供个性化和定制相关的优先列表移动服务消费者,考虑他们的偏好以及当前网络和服务上下文(5]。下面是一些可能的场景,利用智能城中的UCWW范式(6]:(我)智能停车服务:当消费者在她/他的车进入校园大学/医院或类似的设备,他/她会自动得到的建议“最好”的停车场,分配和预订选择服从她/他的形象和校园停车政策偏好。建议将增强功能和信息选项,如果消费者所需的概要文件,例如,预订费用支付计划和详细的方向,在一个标准停车位导航应用程序或其他专有应用。选项提供全部或部分服务,例如,关键停车位预定,可以在其他情况下,例如,作为一个“是的”应对“储备停车在我工位”弹出在移动设备上早上的第一件事,之前离开家去上班。(2)个人健康位置提醒:此服务的目标是为消费者提供最新的通知关于最低定价consumer-prescribed药品在药店/药店在消费者的地理位置。会有匹配服务描述(SDs)应用程序收集和整理信息,例如,作为一个基于云计算的服务推荐系统的一部分,从药店合作。SD的这样一个应用,警告或提醒设置手动通过配置文件政策,当消费者很容易拿到药店价格最低的药物。有很多这样的服务的面向消费者的变化,导致很多方面个人健康位置提示可能为不同的人工作。同时,这个服务可以支持其他智能城健康生活的应用,例如,针对profile-based实时警报高低的花粉量、污染、空气质量指数(AQI),等等,或者更具体的警告对消费者绕着城市。

为了支持消费需求场景如前所述,推荐技术成为重要的工具帮助消费者在寻求最好的可用的服务。UCWW中的服务分为两大类:网络通信服务的访问(小区)和电信业务(TSs) [7]。小区由消费者使用查找和使用最好的访问网络中可用的当前位置,而TSs更复杂,包含所有non-access-network服务,从学习到在线网上购物,电子邮件和多媒体服务(4]。在这项工作中,我们只关注TSs推荐的问题。术语“服务”和“项目”是指TSs,“用户”是指消费者剩余的纸。

本文提出了一种混合推荐原型TSs广告,工作作为一个平台来帮助服务提供商达到有价值的目标用户,同时提供每个用户排名服务实例的列表,他们可能会感兴趣。为了缓解冷启动和稀疏的问题,我们提出利用丰富的用户和服务相关信息,构造异构信息网络(HIN),模型的构建提出建议。提出的模型也可能利用其他推荐系统。本文的贡献总结如下:(我)首先,我们设计一个分层UCWW推荐使用框架,包括离线建模部分和一个在线推荐部分。(2)第二,我们建议利用欣模型与用户相关的信息和服务,可以生成丰富的实体关系。丰富的关系结合隐式的用户反馈的协同过滤方法缓解冷启动和稀疏问题。推荐模型是本文在全球及个性化的级别上定义和贝叶斯估计的个性化排序(BPR)优化技术8]。(3)第三,我们选择Yelp数据集的一个子集构建互补的欣UCWW服务推荐的场景。这个数据集的基础上,进行了广泛的实验调查表明了模型的有效性。

本文的其余部分组织如下。部分2在这一领域提出了一些相关的工作。部分3介绍了本研究的背景和预赛。部分4介绍了分层推荐原型结构的配置。提出了全球和个性化推荐模型提出了部分5,参数估计的部分6。部分7提出并分析了实验结果。最后,部分8总结了论文,并建议未来的研究方向。

2。相关工作

2.1。协同过滤与附加信息

协同过滤(CF)是最成功的和广泛使用的推荐方法构建推荐系统。它关注学习用户首选项通过发现使用模式从user-item关系9]。CF通常喜欢在基于内容的过滤推荐算法(CBF)算法由于其整体更好的性能在预测普遍行为模式(10]。在过去的几十年里,大量的工作是利用user-item评级矩阵生成的建议(11- - - - - -14]。

近年来,有一个增加的趋势在利用各种各样的附加信息来解决冷启动和CF稀疏问题以及提高推荐质量的CF模型。社交网络和社交媒体的流行,流行的资源利用,以提高推荐性能。马等。15]介绍了一种新型社会推荐框架融合user-item矩阵与用户的社会信任网络使用概率矩阵分解。郭et al。16]提出一种基于信任的矩阵分解方法,TrustSVD,它既需要隐式评级和信任的影响考虑到为了提高推荐的性能,同时降低数据稀疏和冷启动问题的影响。用户和项目信息也是一个受欢迎的信息源并入CF模型的形式标记(17,18),用户评论(19,20.),等等。

为了进一步提高推荐的性能,张敬轩被用来与用户相关的模型信息,项目,实体的各种类型和链接代表各种类型的关系21]。Yu et al。22]介绍与实体相似正则化矩阵分解方法,相似在哪里来自metapaths欣。罗等。23)提出了一个社会协同过滤方法,HeteCF,基于异构社会网络。郑et al。24)提出一种新的双相似正规化来强制约束相似和不同的对象基于欣。大多数作品张敬轩是基于显式反馈相关数据;一些作品已经完成利用隐式反馈数据。Yu et al。25)提出利用隐式反馈数据分散用户首选项沿着不同metapaths张敬轩的推荐的一代。然而,这项工作有一些局限性。首先,作者学习扩散评级矩阵的低秩表示每个metapath下,使得模型的计算复杂度相对较高的训练阶段。其次,作者根据一组用户进行个性化推荐通过集群。然而,找到一个合适的数量的集群数据集是一个具有挑战性的问题,推荐性能严重依赖于集群的质量。

在这项研究中,我们建议直接使用项目相似性以及不同metapaths欣丰富基于项目CF。推荐模型定义在全球及个性化的层面,在不同metapath重量为每个用户学会避免用户的使用集群。

2.2。头n个与隐含的反馈建议

每个推荐算法依赖于过去的用户反馈,比如,用户分析在CF CBF和用户相似性分析。要么是显式的反馈(评级、评论、等)或隐式(点击、浏览历史等)。26]。虽然它似乎更可靠提出建议使用由用户显式地提供自己的信息,用户通常不愿意花费额外的时间或精力提供此类信息,有时他们提供的信息不一致或不正确的27]。显式反馈相比,隐含的反馈可以更容易和更快地收集在规模更大,因为它可以自动追踪用户没有任何努力。由于这个原因,越来越多的研究关注的任务提出建议利用隐式反馈,相反显式反馈数据28]。

随着推荐,基于隐式反馈,在过去的几年里,伟大的关注——顶部推荐的问题。许多作品已经出版解决两项任务(29日,30.]。而评级预测试图预测未分级的值为每个用户尽可能准确,,建议旨在发现排名项目列表为用户是最有趣的。

在UCWW推荐场景中,与消费者的反馈,提出的混合推荐方法应该能够提供最高的列表为每一个活跃的消费者服务。

3所示。背景和预赛

3.1。异构信息网络

大多数现实世界中的实体是相互关联的,可以用信息网络表示,例如,社会网络和研究网络。实体推荐问题也存在于一个信息网络环境,推荐的采矿项目不同类型的关系与资源相关的用户和项目。

在实际推荐场景,多种类型对象和multiple-typed链接。因此,推荐问题可以建模与异构信息网络(张敬轩)[21]。采用下列定义的信息网络从[21]。

定义1(信息网络)。一个信息网络被定义为一个有向图 对象类型映射函数 和一个类型映射函数有关 。每个对象 属于一个特定的对象类型 ,每个链接 属于一个特定的关系 (21]。

当对象类型的数量大于1的数量关系类型大于1,网络被称为异构信息网络(HIN);否则,这是一个均匀的信息网络。

欣,一个抽象的图是用来表示实体和关系类型限制按以下定义。

定义2(网络模式)。一个网络模式 的在对象类型定义的有向图吗的边缘 ,表示为 ,(21]。

网络模式设置规则的定义什么类型的实体存在,它们是如何连接的信息网络。网络架构设计用于在UCWW服务推荐如图2。消费者和服务之间的链接表示他们的交互作用;一个服务和一个标签之间的联系,或者一个服务和一个类别,表示相应的属性的服务;和一个消费者和一群之间的联系,或者消费者,另一个消费者,表示他们的社会关系。

欣,两个实体类型可以通过不同类型的连接关系网络模式后,从而生成一个metapath。

定义3 (metapath)。一个metapath 是一个路径上定义一个网络模式吗 (21]。

每个metapath可以被视为一种路径在一个信息网络,代表一个实体之间的关系对欣。一个个人健康服务推荐的位置提醒场景中提到的部分1是描述的例子1。

例1。药品销售提醒服务,宣传医疗产品,将属于“个人健康”的类别,有标签“出售”“医疗”等等应该是定义的服务提供者。对于消费者 ,如果推荐系统发现,一些消费者的朋友使用相同的服务在过去的两周里,这个服务会在排名列表中建议消费者在一个consumer-consumer-servicemetapath。

3.2。基于Metapath相似

欣,丰富不同metapaths后可以生成实体之间的相似之处。不同的metapaths代表不同的语义含义;例如,user-user表示两个用户之间的社会关系user-service-user意味着两个用户是相似的,因为他们有类似的服务使用记录。网络挖掘方法用于同类信息网络,如个性化网页排名(使用的随机游走31日)和使用的成对随机漫步SimRank [32),不适合张敬轩,因为他们是有偏见的高度可见或高度集中的对象(33]。在这项研究中,PathSim方法利用定量措施相同类型对象的相似性在HIN对称metapath [33]。给定两个实体 欣,属于同一个类型PathSim是定义如下33]: 在哪里表示类型和路径 表示之间的路径实例的数量和沿着metapath 。

4所示。UCWW推荐服务架构

在UCWW[服务推荐系统34,35)是一个服务提供者与消费者联系的平台。推荐服务架构由三层(图3)。数据层和计算层属于离线建模部分的服务之间的相似之处以及不同metapaths及其对应的权值是预先计算的。在网上推荐的部分,顶部-服务的活跃用户在推荐层计算,根据提供的离线建模结果的部分。

4.1。数据层

用户和服务相关的信息收集和提取层构建一个欣,这是服务存储库和知识库。大多数基于语义的推荐方法相比,利用现有的知识基础或本体(36),建议使用一个欣知识库更灵活,因为它能够定义自己的规则(网络模式在欣)不同的推荐需求。

如图3UCWW,收集消费者信息和服务从三个不同的来源:(我)中央注册中心,服务描述(SDs)存储,包括属性,如分类、服务质量(QoS),投标价格和消费者包(37](2)第三方监控平台,它提供了信息点击/请求的数量由消费者服务(3)用户交互与服务在过去,或者从其他社会资源,提取的用户之间的社会关系等等(细节数据收集和数据管理平台可以在找到34,35])。

4.2。计算层

欣,物品可以通过不同类型的相似关系,代表不同的相似性的原因。因此,在欣项目之间的相似度可以从不同的组合关系计算而不是只从评级分布在传统的基于项目的CF。这一层的主要任务是计算服务相似以及不同metapaths欣和学习权重为每个metapath全球和个性化推荐模型。

4.3。建议层

这是最外部面向用户层,展示系统外观到消费者。通过这一层执行所有的查询。当一个用户请求寻找“最好”的特定服务的实例,排名列表(根据一定的建议计算模型)提供作为响应回他/她。

5。语义推荐模型

在UCWW推荐的场景中,服务和消费者的数量相对较高,这可能会导致更为严重的冷启动和稀疏问题服务的建议。在本节中,我们提出利用边信息相关服务和消费者来缓解这个问题。信息首先构造成一个欣,丰富的服务在不同的语义相似性的计算。提出的模型将这些相似之处为基于项目CF,提高预测精度。对于每个用户,推荐系统将首先计算每个未分级服务的预测评分,然后推荐——顶部服务与用户的最高分数。

5.1。全球推荐模型

基于项目CF方法试图找到类似项目标项目,根据他们的评级模式。然而,与项目有关的额外的数据源和用户,项目可能是相似的,因为不同的原因,根据不同项目的特点。UCWW上下文,欣的范围内,服务可以通过不同metapaths类似由于不同的原因。例如,service-consumer-service代表的关系中使用传统的基于CF,表示这两个服务使用的是相似的,因为他们是一群消费者,service-category-service意味着两个服务类似,因为它们共享相同的类别。如果一个人可以理解底层语义关系服务和发现服务基于丰富的关系,然后可能更准确的建议可以提供给消费者。在此基础上观察和部分中给出的背景知识3,全球推荐模型38提出,利用metapaths使用以下格式:服务- - - - - - 服务类型。

给定一个metapath 与 和 消费者的预测价值为服务可以定义如下: 在哪里 是PathSim价值之间的服务和服务沿着th metapath,metapaths认为的数量不同,的重量吗th metapath在所有metapaths(因为不同类型的metapaths代表不同的语义关系和自然有不同的推荐模型)的重要性,和表示过去的服务与用户交互。

5.2。个性化推荐模型

随着全球推荐模型提出了在前面的小节中,消费者提供潜在的有趣的(为他们)服务,根据不同类型的服务与丰富的语义含义和运行功率的关系模式从消费者反馈。然而,在现实世界UCWW场景,尤其是消费者的利益特征可能不同于对方。例如,网上购物的情况为例,照片相机的价格通常比颜色更重要的标准购买,可以从全球推荐模型。然而,它可能会发生某种颜色的一个消费者只是想要一个相机无论价格,这意味着metapath,包括相应的标签(某种颜色),应该有更高的重要性。在这种情况下,全球推荐模型的准确性可能是不够的,因为它只考虑功能的整体重量也没有考虑消费者的个人偏好。为了更好地捕捉到消费者的偏好和利益,细粒度个性化推荐模型也阐述了这项工作,考虑每个消费者的利益。它允许更高程度的个性化与全球推荐模型。个性化推荐模型应用于消费者和服务定义如下: 在哪里代表消费者的利益的重量在p(metapath)和th特性是代表消费者的偏好向量所有功能(metapaths)。

相比全球推荐模型参数学习,需要学习的个性化推荐模型 参数,是客户的设置。

为全球和个性化推荐模型,给定一个消费者,你可以计算所有服务利用的建议成绩(2)或(3),然后,顶部服务可以作为推荐结果返回给消费者。两种模型参数估计方法在下一节介绍。

6。推荐模型优化

推荐的目标任务是预测得分最高的未分级的项目推荐给每一个用户。大量的先前的研究专注于为每个用户尽可能准确地预测未分级的值。然而,项目的排名更重要(39]。考虑一个典型的UCWW推荐的情况下,只有一个二进制消费者反馈,rank-based方法,贝叶斯个性化排名(BPR) [8),可以用来估计模型参数提出了建议。BPR背后的假设是用户喜欢的消费项目未耗尽的项目,旨在最大化后验概率如下: 在哪里是评级矩阵,代表的可能性为所有用户根据所需的偏好结构 ,和是一个任意的参数向量模型。因此,BPR是基于成对比较少量的积极的项目和一套非常大的消极的项目从用户的历史。BPR估计参数通过最小化损失函数定义如下(8]: 在哪里 乙状结肠的函数吗 , 是一组可用的消费者,和消费者的预测成绩吗的物品和j,是物品无需用户评级的集合。参数估计通过最小化。

6.1。全球学习推荐模型

在全球推荐模型,估计的参数 代表全球所有metapaths权重考虑。

梯度下降法(GD)方法(40可以用来估计该参数。梯度有关可以计算如下: 在哪里 。为每一个在 的梯度,是 学习的过程,全球推荐模型提出了算法1。

6.2。个性化推荐模型的学习

个性化推荐模型中的学习过程,需要学习 参数的加权向量metapaths为每个消费者。考虑到大量的消费者和服务UCWW和相应的学习大量的参数,我们采用随机梯度下降法(SGD) [41)个性化推荐模型的参数估计方法。

类似于(6),为每一个三重 对,更新步骤是基于BPR和为每一个三重计算如下: 为每一个 ,的梯度估计是

个性化推荐模型的学习算法提出了算法2。

7所示。实验

7.1。实验设置

为了模拟一个典型的UCWW推荐的场景中,我们定义的网络模式提出建议原型如图2。我们选择Yelp数据集的一个子集(https://www.yelp.ie/dataset_challenge),其中包含用户评级本地业务和属性信息与用户和企业。预处理后,新的数据集包括五个矩阵,代表不同的关系。数据集的详细信息如表所示1。在这个数据集,消费者服务矩阵包含了5000年与8757年2000消费者服务二元交互服务,导致一个极其稀疏矩阵稀疏的99.91%。

我们随机采取70%的消费者服务交互数据集作为训练集,使用剩下的30%作为测试集。六个不同类型的metapaths利用了两种模型在信息网络,在的格式服务- - - - - -- - - - - -服务如表所示2。BPR参数估计,50个三元组 随机生成的每个消费者在训练集。

7.2。评价指标和比较方法

在提出服务推荐原型,排名最高的服务推荐得分是提供给消费者。精度、召回和测量用于测量预测质量(42]。UCWW服务推荐原型,精度表明实际上有多少服务相关的所有选择/推荐服务,而回忆给选中的数量/推荐服务在所有相关服务。

在采用最高的评价推荐模型,精度通常是成反比的回忆。当增加,回忆也增加,而精度降低。因此,测量,精度和召回的调和平均数43),也是使用按以下定义:

所有这三个评价指标,更高的分数表示相应的方法更好的性能。

验证了该模型的有效性,我们进行计算和比较广泛部署的推荐方法如下:(我)基于项目CF (IB-CF):这是传统的和广泛使用的基于项目的协同过滤推荐项目根据项目的最近的邻居(11]。(2)BPR-SVD:这种方法学习用户的反馈矩阵的低秩近似基础上的等级物品,模型学习通过BPR优化技术(8]。

我们使用Hybrid-g Hybrid-p表示该全球和个性化推荐模型,分别。

7.3。实验结果

检查的有效性提出建议模型,我们通过实验计算最高最高的列表,包含项目推荐得分为每个消费者在测试集。评价和比较结果如图4(精度),图5(回忆),表3(测量),几个观察可以得出。(我)首先,IB-CF优于BPR-SVD小的值精度和召回,但当BPR-SVD达到更好的效果增加 。(2)第二,建议提出的两个模型(Hybrid-g和Hybrid-p)足够优于其他两种方法在一个广泛的价值 。(3)第三,全局模型Hybrid-g显示总体推荐精度比Hybrid-p个性化模型,这可能是由于评级的稀疏矩阵作为一个相对较少的评分项目不能真正反映真正的消费者的利益。

类似于IB-CF,富人相似性产生的欣在提出模型也可以预先计算的和定期更新离线,以及学习模型的权重。鉴于消费者和服务、积极消费的上限最高的计算复杂度本文建议在所有算法解决如表所示4在哪里表示服务活动消费者已经使用的数量,t学习参数和迭代的数量吗是潜在的数量特征矩阵分解方法,然后呢metapaths的数量被认为是在拟议的模型。

作为和远小于米全球推荐,我们可以假定该模型具有相似的计算复杂度传统IB-CF和BPR-SVD方法在网上推荐阶段,但计算复杂度较高离线建模阶段实现更好的效果。个性化推荐模型的计算复杂度是高于全球推荐模型的离线和在线阶段,与一组不同的重量为每个用户学习和结合。拟议的模型之间,全球推荐模型提供了更好的结果比个性化模型和实现这种较低的计算复杂性的离线建模阶段和在线推荐阶段。

8。结论

手机是目前最受欢迎的个人通信设备。他们成立了一个新媒体平台,商家与他们随时随地访问功能。然而,商人最重要的问题是如何提供服务向右移动用户的上下文的运作效率。提出服务推荐原型可能会提供一个平台,帮助服务提供商达到有价值的目标消费者。

提出的集成服务推荐系统原型到无处不在的消费者无线世界(UCWW)有可能创建一个基础设施中,消费者将获得移动服务,包括那些支持智能城市操作,从根本上改善了语境化。因此,这种环境将从根本上使个人消费者在他们的决策,从而积极影响整个社会。它还将促进,使消费者和服务提供者之间的直接关系。这种直接的关系是有吸引力的有效发展的智能城服务,因为它允许更多的动态适应性进化,并有可能为用户驱动服务。除了使消费者受益,UCWW开辟了更强的服务提供商之间的竞争的机会,因此创建一个更自由、更开放,更公平的市场现有的和新的服务提供者。在这样一个市场,服务提供商可以提供一个新的水平的服务更专业和达到一个更大的移动用户的数量。

建议提出了原型可能会用于发现可用的“最好”的服务实例使用通过“最好”的消费者访问网络(提供者),实现以消费者为中心的总是最好的连接和UCWW最好(ABC&S)经验。符合推荐服务的分层体系结构原型,两种混合的推荐模型,利用异构信息网络(HIN)在全球和个性化的层面,提出了分别利用稀疏的隐式数据。实证研究表明该方法的有效性和效率,而两种广泛使用的方法。提出的建议模型也有可能有效地在其他推荐场景下工作。

然而,UCWW服务推荐的,我们只提供了基本的推荐模型,不考虑实时上下文信息。此外,相似矩阵计算不同metapaths仍然稀疏,这可能会导致一些不准确的评级预测。作为一个未来的工作,我们打算进行进一步研究上下文意识到与大数据与实际的应用程序操作的建议。我们也打算探索矩阵分解方法的研究相似矩阵metapaths来自不同。

信息披露

本文扩展从篇名为“混合推荐评级矩阵稀疏:异构信息网络的方法,“2017 IAEAC。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这份出版物一直支持中国奖学金委员会(CSC),电信研究中心(曾经),爱尔兰,利默里克大学和大学的NPD普罗夫迪夫,保加利亚,在批准号ΦΠ17 -ΦmИ- 008。

引用

1. 北方联盟”,5 g NGMN白皮书”,2015年,https://www.ngmn.org。视图:谷歌学术搜索
2. j·杨,z . Ping, h .郑w . Xu l . Yinong和t .生“移动无处不在的服务环境,”无线个人通信,38卷,不。1,第78 - 67页,2006。视图:出版商的网站|谷歌学术搜索
3. m . O 'Droma和Ganchev,“向消费者无线世界无处不在,”IEEE无线通信,14卷,不。1、52 - 63年,2007页。视图:出版商的网站|谷歌学术搜索
4. m . O 'Droma和i Ganchev”,建立一个无处不在的消费者通过战略ITU-T标准化、无线世界”IEEE通讯杂志,48卷,不。10日,158 - 165年,2010页。视图:出版商的网站|谷歌学术搜索
5. Ganchev, m . O 'Droma n s Nikolov和z,“ucww基于云的系统来提高服务情境化在未来的无线网络,”第二届国际会议上电信和遥感、两个2013年。视图:谷歌学术搜索
6. h·张,即Ganchev: s Nikolov和m . O 'Droma”服务无处不在的无线世界,消费者推荐模型”学报2016年IEEE第八届国际智能会议系统(是)索非亚,页290 - 294年,保加利亚,2016年9月。视图:出版商的网站|谷歌学术搜索
7. p·弗林、i Ganchev和m . O 'Droma“白细胞ada UCWW车辆和基础设施支持,”学报2006年IEEE 10国际研讨会上消费类电子产品2006年6月,页1 - 6,。视图:出版商的网站|谷歌学术搜索
8. s . Rendle c .州长戴夫z Gantner, l . Schmidt-Thieme“BPR:贝叶斯个性化的排名从隐式反馈,”学报25日会议上的不确定性人工智能461年,页452 - AUAI出版社,2009年。视图:谷歌学术搜索
9. 施y、m·拉尔森和a . Hanjalic”协同过滤超越user-item矩阵:调查艺术的状态和未来的挑战,”ACM计算调查卷,47号1、文章ID 2556270, 3:1-3:45, 2014页。视图:出版商的网站|谷歌学术搜索
10. r . Ronen: Koenigstein、大肠Ziklik和n .不错,“选择基于内容的协同过滤推荐系统特性,”第七届ACM会议程序推荐系统(RecSys 13)香港,页407 - 410年,2013年10月。视图:出版商的网站|谷歌学术搜索
11. g·林登、b·史密斯和j .纽约“Amazon.com建议:item-to-item协作过滤,”IEEE网络计算,7卷,不。1,第80 - 76页,2003。视图:出版商的网站|谷歌学术搜索
12. m·h·Aghdam m . Analoui p卡贝里,“使用非负矩阵factorisation协同过滤,”信息科学杂志》,43卷,不。4、567 - 579年,2017页。视图:谷歌学术搜索
13. y科伦、r·贝尔和c . Volinsky“推荐系统,矩阵分解技术”电脑,42卷,不。8日,30-37,2009页。视图:出版商的网站|谷歌学术搜索
14. y科伦,”分解符合社区:一个多方面的协同过滤模型,”第14届ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 08),页426 - 434,纽约,纽约,美国,2008年8月。视图:出版商的网站|谷歌学术搜索
15. h·马、h·杨和m . r .律”Sorec:社会推荐使用概率矩阵分解,”学报17 ACM会议信息和知识管理(CIKM 08年),页931 - 940,纳帕谷,加州,美国,2008年10月。视图:出版商的网站|谷歌学术搜索
16. g .郭j·张,n . Yorke-Smith”小说推荐与用户信任和项评级模型正规化,”IEEE工程知识和数据,28卷,不。7,1607 - 1620年,2016页。视图:出版商的网站|谷歌学术搜索
17. m·g . Manzato”定理+ +:支持隐式反馈推荐系统与元数据意识,”28届ACM学报》研讨会上应用计算Coimbra,页908 - 913年,葡萄牙,2013年3月。视图:出版商的网站|谷歌学术搜索
18. 即Fernandez-Tobas和i Cantador”,利用矩阵分解模型的社会标签跨域协同过滤,”《国际研讨会在基于内容的推荐系统的新趋势、41、2014页。视图:谷歌学术搜索
19. y包、h·方和j .张“Topicmf:同时利用评级和评论建议,”《28日AAAI会议上人工智能,14卷,2 - 8,2014页。视图:谷歌学术搜索
20. k·鲍曼,刘b和a . Tuzhilin”推荐项目有条件提高用户体验基于情感分析的评论,”《国际研讨会在基于内容的推荐系统的新趋势,19 - 22日,2016页。视图:谷歌学术搜索
21. 李y, c·史,j . Zhang y太阳,和p . s . Yu“异构信息网络的调查分析,IEEE工程知识和数据卷,29号1,17-37,2017页。视图:出版商的网站|谷歌学术搜索
22. 问:顾任x, x, y,和j·汉,“协同过滤在异构信息网络与实体相似正规化,”人工智能国际联合会议研讨会异构信息网络分析,27卷,2013年。视图:谷歌学术搜索
23. c罗、w·庞,z . Wang和c·林”类似的Hete-CF:协同过滤推荐使用异构关系”数据挖掘学报2014年IEEE国际会议(ICDM),页917 - 922,深圳,中国,2014年12月。视图:出版商的网站|谷歌学术搜索
24. c . j .郑j . Liu,壮族,j . Li和b . Wu”通过双重相似正规化,建议在异构信息网络”国际期刊数据的科学分析,3卷,不。1,35-48,2017页。视图:出版商的网站|谷歌学术搜索
25. 任x, x, y太阳et al .,“个性化实体推荐:异构信息网络的方法,”第七届ACM国际会议程序网络搜索和数据挖掘,页283 - 292,纽约,纽约,美国,2014年2月。视图:出版商的网站|谷歌学术搜索
26. m·r·Ghorab d, a·奥康纳和诉韦德,“个性化信息检索:调查和分类,用户建模和User-Adapted交互,23卷,不。4、381 - 443年,2013页。视图:出版商的网站|谷歌学术搜索
27. a . Demiriz”提高产品推荐系统在稀疏二进制数据,”数据挖掘和知识发现,9卷,不。2、147 - 170年,2004页。视图:出版商的网站|谷歌学术搜索
28. y y胡、c . Volinsky和科伦,“为隐式反馈数据,协同过滤”学报》第八届IEEE国际会议数据挖掘(ICDM ' 08)IEEE,页263 - 272年,比萨,意大利,2008年12月。视图:出版商的网站|谷歌学术搜索
29. p . Cremonesi y科伦,r . Turrin”头n个推荐任务,推荐算法的性能”第四届ACM推荐系统研讨会论文集(RecSys 10),页39-46,纽约,纽约,美国,2010年9月。视图:出版商的网站|谷歌学术搜索
30. v . c . Ostuni t . Di厌烦,e Di Sciascio和r . Mirizzi”头n个隐式反馈的推荐利用相关公开数据,”学报》第七届ACM关于推荐系统的会议ACM,页85 - 92年,纽约,纽约,美国,2013年。视图:谷歌学术搜索|MathSciNet
31. l .页面,美国布林、r . Motwani和t . Winograd“PageRank引文排序:将以网络,”斯坦福InfoLab, 1999。视图:谷歌学术搜索
32. Jeh和j . Widom教授“Simrank:衡量structural-context相似,”第八届ACM SIGKDD学报》国际会议上知识发现和数据挖掘埃德蒙顿,页538 - 543年,阿尔伯塔,加拿大,2002年7月。视图:谷歌学术搜索
33. 严x y太阳,j·汉,和吴t, p . s . Yu”Pathsim:元基于路径top-k相似性搜索在异构信息网络,”美国养老4卷,第1003 - 992页,2011年。视图:谷歌学术搜索
34. Ganchev, z霁,m . O 'Droma“分布式云计算服务推荐系统”《2015年国际会议上计算和网络通信(CoCoNet)特里凡得琅,页212 - 215年,2015年12月。视图:出版商的网站|谷歌学术搜索
35. Ganchev, z霁,m . O 'Droma”数据管理平台向消费者推荐服务UCWW,”学报2016年IEEE国际会议消费电子产品(ICCE)拉斯维加斯,页405 - 406年,NV, 2016年1月。视图:出版商的网站|谷歌学术搜索
36. s e·米德尔顿,d . De Roure和n . r .走,沙德博尔特“基于本体的推荐系统,”手册上的本体施普林格,页779 - 796年,柏林,海德堡,2009年。视图:谷歌学术搜索
37. z霁,i Ganchev和m . O 'Droma”广告在白细胞数据管理和应用程序设计,“软件学报》第六卷,没有。6,1001 - 1008年,2011页。视图:出版商的网站|谷歌学术搜索
38. h·张,即Ganchev:美国Nikolov, z,和m . ODroma”评级矩阵稀疏的混合推荐:异构信息网络的方法,”《2017年IEEE先进的信息技术,电子和自动化控制会议(IAEAC),2017年。视图:谷歌学术搜索
39. j . Pessiot t . Truong n . Usunier m . Amini p·加里纳利,“学习为协同过滤等级,”学报》第九届国际会议在企业信息系统Citeseer,页145 - 151年,丰沙尔马德拉,葡萄牙,2007。视图:出版商的网站|谷歌学术搜索
40. c . Burges t .震动,大肠Renshaw et al .,“学习使用梯度下降,排名”学报》第二十二届国际会议上机器学习(ICML ' 05)ACM,页89 - 96年,纽约,纽约,美国,2005年。视图:出版商的网站|谷歌学术搜索
41. m . Zinkevich m . Weimer l·李,a . j . Smola”并行随机梯度下降法”先进的神经信息处理系统,第2603 - 2595页,2010年。视图:谷歌学术搜索
42. d . m . w .权力”评价:从精度、回忆和f-measure中华民国。、informedness显著相关。”机器学习技术杂志》上,卷2,不。1,37 - 63年,2011页。视图:谷歌学术搜索
43. j·l·Herlocker j . a . Konstan l . g . Terveen和j·t·雷德尔“评估协同过滤推荐系统,”ACM交易信息系统,22卷,不。1,5-53,2004页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017海阳Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。