多通路主題模型和雙矩陣分解推薦算法.pdf

1、隨著互聯網技術的快速發(fā)展，信息的結構也變得多樣化。文本數據不但包含內容信息，也包含了共同作者關系（coauthors），相互引用關系（citations），地理位置和時間等附加信息，這樣就構成了多通路文本網絡，即文本和文本間存在多種鏈接結構。深入挖掘多通路文本網絡，不但可以發(fā)現有意義的主題，還能建立可靠的預測模型，根據已知鏈接預測未知的鏈接。但實際上，不同的鏈接關系對主題形成的影響不同，比如經常有合作關系的兩個作者對某些主題感興趣，但是

2、引用的文章可能來自交叉學科的完全不同的主題，兩個博客的有很強的內容相似性，但是沒有引用關系。因此如何平衡各種不同鏈接關系并且定量的刻畫他們對主題分布的影響是一個非常有挑戰(zhàn)的工作。
　　本文提出了多通路主題模型（mutiplex topic models），利用因子圖（factor graph）將各種不同的鏈接通路融入到主題模型中，并提出了多通路置信傳播算法（multiplex belief propagation）進行進行推理和參

3、數估計，各種通路的權重可以通過傳遞的消息的一致性自動計算出來。實驗結果表明，通過平衡各種通路的權重，模型在文本聚類和預測鏈接關系的方面有顯著提高。
　　協同過濾推薦算法是推薦系統中運用最成功的一種推薦技術。矩陣分解模型是協同過濾系統中廣泛使用的推薦算法之一，大量研究表明，其在推薦速度和推薦精度方面均顯著優(yōu)于其他協同過濾算法。而基于矩陣分解的協同過濾推薦依靠的是學習用戶和推薦項目的特征矩陣才能給出推薦。如果一個新的項目在評分矩陣中沒

4、有任何用戶對它給出評價，或者是一個新用戶在評分矩陣中沒有對任何項目進行過評價，則無法學習該新用戶和新項目的特征矩陣，那么該新用戶和新項目就沒有辦法為其運用矩陣分解模型產生推薦。這就是協同過濾系統中廣泛存在的冷啟動問題。
　　為了克服協同過濾算法的冷啟動問題，本文在傳統的概率矩陣分解算法上提出了基于雙矩陣分解的推薦算法（dual matrix factorization，DMF）。該算法將概率矩陣分解（probabilistic m