《推系统 第2版》 课件 Lec8 基于排序学习的推、Lec9 基于情境感知的推

基于排序学习的推荐A=3.6B=2.6A=2.5B=2.6RMSE(S1)>RMSE(S2)A点级排序模型(Pointwise)

对级排序模型(Pairwise)

列表级排序模型(Listwise)

Pointwisevs.Pairwisevs.Listwise

点级排序学习对级排序学习列表级排序学习信息完全度不完全部分完全完全输入输出样本复杂度性能表现差中好对级排序学习模型基本思想排序模型:f(x)原始用户-项目相关度（评分）空间用户对项目对的相对偏好空间对级排序学习：基本框架

对级排序学习：基本框架

RankingSVM

RankBoost

RankNet

贝叶斯个性化排序

BayesianPersonalizedRanking

(BPR)隐反馈矩阵&用户相对偏好矩阵目标函数

目标函数

目标函数

参数学习

算法伪代码

协同对级排序学习CPLR

CollaborativePairwiseLearningtoRank动机与假设动机：BPR算法的不足对于给定用户u，所有未观测到反馈的项目都是负样本（即用户u不喜欢）且用户u对它们的偏好相同对于给定用户u，所有观测到反馈的项目都是正样本（即用户u喜欢）且用户u对它们的偏好相同用户之间相互独立，互不影响基本假设：借鉴协同过滤CF的思想用户将会偏好于与他有相同或相似兴趣的其他用户喜好的项目用户过去喜好过某项目，在将来也会喜欢相同或类似的项目基本思想

目标函数

目标函数

性能评估当β=0时，即不考虑协同集和剩余集之间的偏好关系时，CPLR退化为BPR列表级排序学习模型算法分类基本思想：直接对项目的排序列表进行优化有两种主要优化方式：排序指标优化vs排序损失优化直接对基于排序的评价指标进行优化例如CLiMF算法、P-Push算法、CofiRank算法等通过代理损失函数或是函数不等式放缩将其转化为连续函数构造针对排序的目标（损失）函数进行优化RankCosine算法使用正确排序与预测排序之间余弦相似度作为目标函数ListNet算法使用正确排序与预测排序之间的KL距离作为损失函数P-PushCR算法

指标平滑化

基于情境感知的推荐推荐系统的目标在恰当的时间、恰当的地点、恰当的场合，通过恰当的媒介，给用户推荐能满足用户偏好、需求和意图的信息情境信息能对某些事情产生影响的条件和环境没有形成统一的定义，刻画情感和环境的因素统称为情境信息除“用户-项目”评分信息外，影响推荐系统且能辅助预测的所有因素常用情境信息：物理：时间、地点（位置）、天气、温度、

用户行为等社交：和什么人在一起（同伴）交互媒体：访问设备

(PC、Pad)、正浏览的媒体类型(文本、图片、视频)情绪：用户当前的心情、用户意图（购买意图）、用户体验、认知情境=(内在)情感+(外部)环境情境信息获取与表示情境信息：获取显式获取通过直接问问题或引导性的方式显式获得这些信息例如，音乐推荐中通过提供带标签的音乐集引导用户自己选择当前的心情：轻松、伤感、安静、兴奋等，和当前的场景：散步、学习、驾驶、睡前等隐式获取隐式地从数据或环境中获得例如：通过手机GPS获得用户位置信息；利用事务时间戳获得时间情境信息推理获取通过统计或机器学习方法推断出情境信息例如：根据用户当前所处地点类型（公司vs家庭）和当前时间（工作时间vs休息时间）可推理出用户当前意图：工作需要还是生活所需情境信息表示：数据立方体数据立方体的每个维都有一个关系表与之相关联每类情境信息对应于数据立方体的一个维情境信息可以看成维表所有属性笛卡尔积的子集情境信息表示：树状层次结构

融合情境信息的推荐系统问题定义

情境预过滤基本过程：利用情境信息过滤掉无关的“用户-项目”评分数据从而构建符合当前情境的数据集然后采用传统推荐算法以过滤后的数据集为输入产生结果例如：基于时间预过滤的推荐D[Time=t](User,Item,Rating)表示过滤后的评分数据集称为情境化分片(contextualsegment)情境可以泛化：周一晚上10:00→周一晚上→工作日晚上→晚上→任意时间女朋友→朋友→熟人→任意伙伴情境后过滤基本过程：在推荐生成阶段不考虑情境信息的影响基于传统推荐模型生成Top-N推荐列表对Top-N推荐列表进行调整以生成符合情境的最终推荐结果两种调整方式：(在给定的情境下)从Top-N推荐列表中过滤掉无关的项目(基于给定的情境)调整Top-N推荐列表的排序情境化建模将情境信息融入推荐生成过程直接在推荐函数中把情境信息作为预测用户评分的显式因素来考虑生成的是真正的多维推荐函数与情境预过滤和情境后过滤相比：需处理高维数据，最为复杂却最能有效挖掘用户、项目、情境三者之间的关联关系适用于情境信息与用户偏好耦合度紧密的情况两种形式：基于邻域的方法vs.基于模型的方法基于邻域的情境化建模

基于模型的情境化建模一些传统模型可以扩展到多维空间中矩阵分解

=>张量分解、因子分解机(FactorizationMachines)基于机器学习算法的模型=>Bayes模型、逻辑回归、SVM、…随着维度的增加待估计参数将呈指数级增长=>马尔可夫链-蒙特卡罗模型(MCMC)基于张量分解的推荐基本思想：将传统的用户-项目二维模型s:User×Item→Rating扩展为包含情境的多维模型s:User×Item×Context→Rating基于张量表示模型,通过张量分解算法,得到用户在不同情境对项目的偏好程度张量：一个几何量，由在某参考坐标系中一定数目的分量的集合所规定向量Vector：秩为1的张量（有大小和一个方向）Dyad：秩为2的张量（有大小和两个方向）Triad：秩为3的张量（有大小和三个方向）因子分解机FM