论文阅读 HOSLIM: Higher-Order Sparse LInear Method for Top-N Recommender Systems

HOSLIM在Sparse LInear Method(SLIM)的基础上,考虑了物品之间的高层关系(higher-order)。

HOSLIM

预测模型

用户u对物品i的预测分数$\tilde r_{ui}​$
$$
\tilde r_{ui} = \mathbf{r}_u^T \mathbf{s}_i + \mathbf{r^\prime}_u^T \mathbf{s}_i^\prime \tag{1}
$$
因此,HOSLIM的预测模型可以表示为:
$$
\tilde R = RS + R^\prime S^\prime
$$
其中,$R \in \mathbb{R}^{n \times m}​$是用户-物品隐式反馈矩阵,$R^\prime \in \mathbb{R}^{n \times p}​$是用户-物品集合隐式反馈矩阵;

$S \in \mathbb{R}^{m \times m}$是物品-物品相似度矩阵,$S^\prime\in \mathbb{R}^{p \times m} ​$是物品集合-物品相似度矩阵。

目标函数

$$
\mathcal{L} =\min_{\mathbf{s}_i,\mathbf{s}^\prime_i} =\frac{1}{2} \left \Vert \mathbf{r}_i - R \mathbf{s}_i - R^\prime \mathbf{s}^\prime_i \right \Vert_2^2 + \frac{\beta}{2} \left \Vert \mathbf{s}_i \right \Vert_2^2 + \frac{\beta}{2} \left \Vert \mathbf{s}^\prime_i \right \Vert_2^2 + \lambda \left \Vert \mathbf{s}_i \right \Vert_1 + \lambda \left \Vert \mathbf{s}^\prime_i \right \Vert_1 \tag{2} \\
\begin{align}
\mathrm{subject\ to}\
&\mathbf{s}_i \geq 0 \\
&\mathbf{s}^\prime_i \geq 0 \\
&s_{ii} = 0 \\
&s^\prime_{ji} = 0,\ i \in \mathcal{I}_j
\end{align}
$$

其中,约束条件$s_{ii} = 0​$确保:当计算$\tilde r_{ui}​$时,$r_{ui}​$不会被使用。

$\mathbf{s}^\prime_{ji} = 0$确保:当计算$\tilde r_{ui}$时,物品集合j ($i \in \mathcal{I}_j​$)不会被使用。

参考文献

Evangelia Christakopoulou and George Karypis. 2014. Hoslim: Higher-order sparse linear method for top-n recommender systems. In Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer, 38–49.


----------本文结束感谢您的阅读----------
坚持原创技术分享,您的支持将鼓励我继续创作!