文献类型：期刊文章

作　　者：王俊[1] 李石君[1] 杨莎[1,2] 金红[1] 余伟[1]

WANG Jun LI Shi-Jun YANG Sha JIN Hong YU Wei(State Key Laboratory of Software Engineering, School of Computer Science, Wuhan University, Wuhan 430072 School of Computer Science and Technology, Hankou University, Wuhan 430212)

机构地区：[1]软件工程国家重点实验室武汉大学计算机学院,武汉430072 [2]汉口学院计算机科学与技术学院,武汉430212

出　　处：《计算机学报》

基　　金：国家自然科学基金项目(61272109);中央高校基本科研业务费专项资金项目(2042014KF0057);湖北省自然科学基金项目(2014CFB289)资助~~

年　　份：2017

卷　　号：40

期　　号：10

起止页码：2367-2380

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：协同过滤是一种简单常用的推荐方法,但是当目标数据非常稀疏时,其性能会严重退化,借助与目标数据跨域关联的辅助数据进行跨领域推荐是解决此问题的一种有效途径.已有的跨领域推荐模型大多假设不同领域完全共享一个评分模式,忽略了领域特有评分模式,可能导致推荐性能退化.此外,许多模型基于单一桥梁迁移跨领域信息,正迁移不足.特别是在考虑领域特有被评分模式的前提下,据作者所知目前还没有模型利用项目的共享被评分模式进行跨领域推荐.因此,该文提出一种新的三元桥迁移学习模型,用于跨领域推荐.首先通过评分矩阵的集合分解提取用户的潜在因子和共享评分模式,以及项目的潜在因子和共享被评分模式,在此过程中考虑了领域特有模式,并对潜在因子施加相似性约束;然后利用潜在因子中的聚类信息构造邻接图;最后通过用户端和项目端的基于共享模式、潜在因子和邻接图的三元桥迁移学习联合预测缺失评分.在三个公开的真实数据集上进行的大量实验表明,该模型的推荐精度优于一些目前最先进的推荐模型.

关 键 词：迁移学习  推荐  协同过滤 跨领域  稀疏  矩阵分解

分 类 号：TP311]