论文 | 翻译 ——Improving performances of Top-N recommendations with co-clustering method（2020：协同过滤RS）

缺乏、安全感 2023-07-13 15:24 20阅读 0赞

# 0.专有词汇 #

> ***interation data***：交互数据（评分）***bipartite network***：二部网络（二部图）
> 
> ***demograhic information***：人口统计信息
> 
> ***probabilistic matrix factorization***：概率矩阵分解
> 
> ***unipartite form***：单部形式             ***transaction data***：交易数据（1：买了，0：没买）
> 
> ***absolute coordinate distance***：绝对坐标距离
> 
> ***Bayesian personalized ranking(BPR)***：贝叶斯个性化排序（矩阵分解的变种）
> 
> ***adjacent matrix***：邻接矩阵            ***benchmark methods***:基准方法
> 
>

# 0.摘要 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70][]

# 1.Introduction #

> ***【论述过程】***
> 
> ①信息冗余宏观背景 → ②推荐算法的数据分类 → ③推荐算法分类 → ④落脚到CF（***人口统计信息+商品内容信息难获取，易失真***） → ⑤CF问题：忽略了用户仅仅对特定的商品表示出兴趣 → ⑥聚类-CF问题：需额外信息+考虑不全面 → ⑦提出了一种新的基于用户-商品检测的推荐方法 → ⑧剩余文章的内容安排
> 
> ***【一种新的基于用户-商品社区检测的推荐方法（UICDR）：流程】***
> 
> ①用户和商品的共同聚类
> 
> ②借助传统近邻协同过滤推荐算法进行推荐
> 
> ***【创新点】***
> 
> ①使用加权二部图来表示用户-项目交互行为，并修改了文章先前的研究工作
> 
> ②提出了一种二部模块化的单部形式和一种新的优化方法
> 
> ③提供了一种缓解冷启动问题的新思路

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1][]

# 2.Related works #

> ***【论述过程】***
> 
> ①交互数据说明（评分矩阵/购买行为矩阵） → ②协同过滤 → ③基于聚类的协同过滤和冷启动问题

## 2.1. Collaborative filtering ##

> ***【论述过程】***
> 
> ①基于商品的协同过滤推荐算法介绍（基于近邻的算法中任选的一种）
> 
> ②矩阵分解方法介绍（基于模型的算法中任选的一种）

### 2.1.1.Item-based collaborative filtering ###

> ***【论述过程】***
> 
> ①相似度计算公式分类 → ②排除“距离相似度”（愿意：维度影响精度） → ③分别给出基于“评分矩阵”和“交易矩阵”的***评分预测公式***
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2][]

### 2.1.2.Matrix factorization ###

> ***【论述过程】***
> 
> ①矩阵分解的基本形式 → ②矩阵分解变种算法：***BPR***、Slim、autoencoder和EigenRec
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 3][]

## 2.2. Cluster-based collaborative filtering and cold start problem ##

> ***【论述过程】***
> 
> ①***聚类-推荐算法问题***：（1）仅采用单一视角聚类（用户聚类或商品聚类），忽略了另一个聚类视角的信息；（2）最佳聚类数需要人为给定
> 
> ②冷启动解决办法：（1）使用外部信息；（2）使用联合聚类结果替代缺失信息；（3）深度学习方法：基于内容
> 
> ③本文使用一种“***共同聚类的新方法***”

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 4][]

# 3.A new method to co-cluster users and items #

> ***【论述过程】***:提出了一种用户和项的协同聚类方法
> 
> 1.  二部图（二分图）介绍
> 2.  “二部模块”和“Bi-Louvain社区发现算法”介绍
> 3.  优化二部模块的新方法
> 
> ***【注明】***
> 
> 过程过于繁琐，非个人专业领域，简单来说就是对图聚类算法进行改进，对二部图进行聚类

# 4.User-item community detection based recommendation #

> ***【论述过程】***
> 
> 1.  指出：文章提出的UICDR推荐算法是（Section 3中提出的新联合聚类算法+协同过滤算法：混合算法）
> 2.  混合方法细节描述
> 3.  混合方法的复杂度分析

## 4.1.Details of hybrid method ##

> ***【方法流程】***
> 
> 1.  输入用户商品评分矩阵
> 2.  对数据进行预处理并划分为：训练数据+测试数据
> 3.  基于训练数据构造用户-商品二部图，并基于Section 3中改进算法进行联合聚类
> 4.  针对每一个聚类簇构建推荐模型
> 5.  确定目标用户近邻，并对测试集中的每个用户进行Top-N推荐

### 4.1.1.Preprocess data ###

> ***【数据预处理流程】***
> 
> 1.  数据过滤：设定阙值，对评分较少的用户或商品进行过滤
> 2.  数据分割：每个用户80%的评分作为训练集，20%评分作为测试集

### 4.1.2.Co-cluster users and items ###

> ***【联合聚类流程】***
> 
> 1.  构建用户-商品二部图（***基于python中的NetworkX库***）
> 2.  基于原始的Louvain社区发现算法提出新的联合聚类算法
> 3.  对商品和用户进行社区分割

### 4.1.3.Train model in each cluster ###

> ***【聚类簇中模型构建流程】***
> 
> 1.  在每个聚类簇中构建传统近邻协同过滤推荐算法模型
> 2.  比较“基于用户的协同过滤推荐算法”和“基于商品的协同过滤推荐算法”模型的性能

### 4.1.4.Make recommendations ###

> ***【产生推荐流程】***
> 
> 1.  确定待推荐用户u所在聚类簇Cu
> 2.  基于4.1.3中模型确定Cu中用户u的邻域
> 3.  基于商品预测评分生成推荐列表

## 4.2.Complexity analysis ##

> ***【论述过程】***
> 
> 1.  指明分析范围：训练阶段
> 2.  时间复杂度来源：二部社区划分+协同过滤推荐模型

# 5.Experiments and evaluations #

> 本部分中文章对数据集、对照实验和实验结果对比参数进行了相关说明。
> 
>  *  ***数据集***：文章实验数据集共包括4部分（Movielen-100k、Movielen-10m、CE-Data和E-Data）。CE-Data是作者采集自我国大型电商平台且经过过滤的真实数据（猜测是淘宝），E-Data则是在CE-Data基础之上进一步抽取的流行商品类目对应的数据集。
>  *  ***基准方法(对照算法)***：文章共选择了8中对照算法，其中包括文章所提算法，即UICDR、I-Cosine、I-Pearson、U-Cosine、U-Pearson、POP、SVD和BPR。
>  *  ***性能评估方法***：准确性(precision)、归一化折现累积增益(NDCG)、

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70]: /images/20230529/34a109daa4ff48e6b17d19e6358475cb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1]: /images/20230529/462bbf2285924414bab05d9a788c44ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2]: /images/20230529/9f5ed490ee3140c88e03a1fc898621e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 3]: /images/20230529/4052fd79aa2e468bbd9b4edfb507d64e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 4]: /images/20230529/a419e46af89c48de9fd318877695cabd.png