一种电影推荐模型：解决冷启动问题

doi:10.3969/j.issn.1006-2475.2018.11.016

计算机与现代化

一种电影推荐模型：解决冷启动问题

（广西师范学院计算机与信息工程学院，广西南宁530299）

收稿日期:2018-04-24 出版日期:2018-11-22 发布日期:2018-11-23
作者简介:刘春霞（1994-），女，广西防城港人，广西师范学院计算机与信息工程学院硕士研究生，研究方向：推荐系统，智能计算；陆建波（1977-），男，广西灵山人，副教授，硕士，研究方向：智能计算，软件设计；武玲梅（1990-），女，山西长治人，硕士研究生，研究方向：机器学习，推荐系统。
基金资助:
国家自然科学基金资助项目（61672177）

A Movie Recommendation Model: Solving Cold Start Problem

(College of Computer ＆ Information Engineering， Guangxi Teachers Education University， Nanning 530299, China）

Received:2018-04-24 Online:2018-11-22 Published:2018-11-23

摘要/Abstract

摘要： 推荐系统数据库的评分数据稀少，对电影推荐的质量有所限制。为解决这个问题，提出一种同时将用户和电影元数据纳入改进的隐语义模型的模型。构造用户元数据-分类矩阵与电影元数据-分类矩阵，将分类域与隐因子空间进行映射，以此获取新用户与新电影的隐因子，进行推荐。实验结果表明，这种模型在提高预测准确率的同时，有效地解决了冷启动问题。

关键词: 推荐系统, 冷启动, 元数据, 隐语义模型, 电影推荐

Abstract: The rating data of the recommended system database is scarce, and the quality of the movie recommendation is limited. To solve this problem, a model that simultaneously incorporates user and movie metadata into an improved implicit semantic model is proposed. The user metadata-classification matrix and movie metadata-classification matrix are constructed, and the classification domain and the implicit factor space are mapped to obtain the hidden factors of the new user and the new movie, and a recommendation is made. The experimental results show that this model can effectively solve the cold start problem while improving the accuracy of prediction.

Key words: recommender system, cold start, metadata, latent semantic model, movie recommendation

中图分类号:

TP391

刘春霞，陆建波，武玲梅. 一种电影推荐模型：解决冷启动问题[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.11.016.

LIU Chun-xia， LU Jian-bo， WU Ling-mei. A Movie Recommendation Model: Solving Cold Start Problem[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.11.016.

参考文献

［1］杨一翁. 消费者视角下的推荐系统［M］. 北京:知识产权出版社， 2016:3-4.
［2］ VERBERT K, MANOUSELIS N, OCHOA X, et al. Context-aware recommender systems for learning: A survey and future challenges［J］. IEEE Transactions on Learning Technologies, 2012,5(4）:318-335.
［3］ MOONEY R J, ROY L. Content-based book recommending using learning for text categorization［C］］// Proceedings of the 5th ACM Conference on Digital Libraries. ACM, 2000:195-204.
［4］ KOREN Y. Factorization meets the neighborhood: A multifaceted collaborative filtering model［C］］// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2008:426-434.
［5］ BREESE J S, HECKERMAN D, KADIE C. Empirical analysis of predictive algorithms for collaborative filtering［C］// Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence. 1998:43-52.
［6］ BALABANOVI〖XCC.TIF〗 M, SHOHOM Y. Fab: Content-based, callaborative recommendation［J］. Communications of the ACM, 1997,40(3):66-72.
［7］黄立威,江碧涛,吕守业,等. 基于深度学习的推荐系统研究综述［J］. 计算机学报, 2018(8):1619-1647.
［8］ SAVESKI M, MANTRACH A. Item cold-start recommendations: Learning local collective embeddings［C］// ACM Conference on Recommender Systems. 2014:89-96.
［9］ AHN H J. A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem［J］. Information Sciences, 2008,178(1):37-51.
［10］李莉,唐晓嘉. 基于判断聚合模型的推荐系统冷启动问题研究［J］. 湖北大学学报（哲学社会科学版）, 2016,43(2):40-44
［11］MASSA P, AVESANI P. Trust-aware recommender systems［C］// ACM Conference on Recommender Systems. 2007:17-24.
［12］PEREIRA A L V, HRUSCHKA E R. Simultaneous co-clustering and learning to address the cold start problem in recommender systems［J］. Knowledge-based Systems, 2015,82(C):11-19.
［13］巫可,战荫伟,李鹰. 融合用户属性的隐语义模型推荐算法［J］. 计算机工程, 2016,42(12):171-175.
［14］杨秀梅,孙咏,王美吉,等. 新闻推荐系统中用户冷启动问题的研究［J］. 小型微型计算机系统, 2016,37(3)：479-482.
［15］于洪，李俊华. 一种解决新项目冷启动问题的推荐算法［J］. 软件学报, 2015,26(6):1395-1408.
［16］项亮. 推荐系统实践［M］. 北京:人民邮电出版社, 2017:79-85.
［17］RICCI F, ROKACH L, SHAPIRA B, et al. 推荐系统技术、评估及高效算法［M］. 李艳民,胡聪,吴宾译. 北京:机械工业出版社, 2015:176-199.
［18］刘攀,陈敏刚. 个性化推荐系统评估［J］. 南昌大学学报(理科版), 2016,40(2):143-150.
［19］孙鲁平,张丽君,汪平. 网上个性化推荐研究述评与展望［J］. 外国经济与管理, 2016,38(6):82-99.
［20］朱郁筱,吕琳媛. 推荐系统评价指标综述［J］. 电子科技大学学报, 2012,41(2):163-175.〖HJ0.5mm〗
［21］GEORGIEV K, NAKOV P. A non-IID framework for collaborative filtering with restricted Boltzmann machines［C］// ICML. 2013:1148-1156.
［22］SEDHAIN S, MENON A K, SANNER S, et al. Autorec: Autoencoders meet collaborative filtering［C］// Proceedings of the 24th International Conference on World Wide Web. ACM, 2015:111-112.

[1]	王扬, 陈梅, 李晖. FOCoR:一种基于特征选择优化的课程推荐技术[J]. 计算机与现代化, 2022, 0(10): 1-7.
[2]	张宗海, 於跃成, 冯申. 融合三重注意力和评论评分的深度推荐算法[J]. 计算机与现代化, 2022, 0(05): 1-9.
[3]	刘亦欣, 王家伟, 李自力. 融合注意力与深度因子分解机的时间上下文推荐模型[J]. 计算机与现代化, 2021, 0(11): 22-27.
[4]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[5]	王钰蓥, 王勇. 基于知识图谱和Bi-LSTM的推荐算法[J]. 计算机与现代化, 2021, 0(09): 90-98.
[6]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[7]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[8]	张尚田，陈光，邱天. 基于融合特征的LSTM评分预测[J]. 计算机与现代化, 2020, 0(03): 49-.
[9]	张子晔1,刘玉龙1,呼北2. 基于数据虚拟化技术的多来源数据集成方法[J]. 计算机与现代化, 2019, 0(11): 18-.
[10]	欧阳宏基１，杨铎2. 基于微服务架构的学位论文写作辅助平台[J]. 计算机与现代化, 2019, 0(10): 34-.
[11]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.
[12]	黎丹雨. 基于多特征融合的电影推荐系统[J]. 计算机与现代化, 2019, 0(08): 121-.
[13]	黎丹雨,陈怡华. 一种多层多维的关联规则挖掘算法在推荐系统中的应用[J]. 计算机与现代化, 2019, 0(06): 44-.
[14]	饶钰，陈光，邱天. 一种改进的均方差协同过滤算法[J]. 计算机与现代化, 2019, 0(04): 6-.
[15]	焦利1，孙松周2，刘天须2，张雪扬2，王振基1，王亚1 . 元数据驱动的分布式数据资源管理技术[J]. 计算机与现代化, 2019, 0(03): 78-.

一种电影推荐模型：解决冷启动问题

A Movie Recommendation Model: Solving Cold Start Problem

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价