densifying a behavioral recommender system by social networks
Post on 16-Jul-2015
418 Views
Preview:
TRANSCRIPT
Densifying a behavioral recommender system by social
networks link prediction methods
Ilham Esslimani Armelle Brun Anne Boyer
Abstract
• 傳統CF系統– 只使用共同評分的項目預測使用者之間的關係
– 資料稀疏度高及無法處理使用者間無共同評分項目
• D-BNCF• Densified behavioral network based CF
• 利用社群網路技巧,預測行為網路中新的連結
• 實驗結果– 證明使用這個方法預測項目有較高的精準度
Densifying the behavioral network(1/2)
• Preferential attachment
– 使用者的鄰居數目 相乘
• Common neighbors
– 共同的鄰居數目
• Jaccard coefficient
– 從共同鄰居衍伸:共同的鄰居數/總共鄰居數
– 平衡那些有許多鄰居的使用者
Densifying the behavioral network(2/2)
• Adamic/Adar measure
– 共同鄰居頻率倒數相加
– 強調少數共同鄰居的重要性
• Graph Distance
– Node之間的距離
Prediction generation
• User b:最近的鄰居
• 預測User a對項目k的值
– 權重為User a與User b的相似度
– 以User a的平均評分+User b 對 item k的評分
Experimentation - Data
• Dataset: Credit Agricole Banking Group
• Content: user-ids ,item-ids , session idsstart/end session time
• Related to 748 users ,3856 resources
• Sparsity : 96%
Experimentation - Evaluation
• MAE(Mean absolute Error)
– MAE 值越低,結果越好
• HMAE
– 與MAE相似,但只考慮預測分數高的物品(4-5)
top related