Mô hình tư vấn lọc cộng tác tích hợp dựa trên ma trận tương đồng sản phẩm

Bài viết Mô hình tư vấn lọc cộng tác tích hợp dựa trên ma trận tương đồng sản phẩm đề xuất một phương pháp để cải thiện độ chính xác của mô hình tư vấn lọc cộng tác dựa trên sản phẩm (IBCF) bằng cách tích hợp ma trận tương đồng dựa trên các thuộc tính sản phẩm vào quá trình xây dựng mô hình.
Nội dung trích xuất từ tài liệu:
Mô hình tư vấn lọc cộng tác tích hợp dựa trên ma trận tương đồng sản phẩm ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 1(110).2017 55 MÔ HÌNH TƯ VẤN LỌC CỘNG TÁC TÍCH HỢP DỰA TRÊN MA TRẬN TƯƠNG ĐỒNG SẢN PHẨM ITEM-BASED COLLABORATIVE FILTERING RECOMMENDATION MODEL BASED ON SIMILARITY MATRIX OF ITEMS Phan Quốc Nghĩa1, Đặng Hoài Phương2, Huỳnh Xuân Hiệp3 1 Trường Đại học Trà Vinh; nghiatvnt@tvu.edu.vn 2 Trường Đại học Bách khoa, Đại học Đà Nẵng; dhphuong@dut.udn.vn 3 Trường Đại học Cần Thơ; hxhiep@ctu.edu.vn Tóm tắt - Bài báo đề xuất một phương pháp để cải thiện độ chính Abstract - In this paper, we propose a method to improve the xác của mô hình tư vấn lọc cộng tác dựa trên sản phẩm (IBCF) accuracy of item-based collaborative filtering recommendation model bằng cách tích hợp ma trận tương đồng dựa trên các thuộc tính (IBCF) by integrating the similarity matrix based on the information of sản phẩm vào quá trình xây dựng mô hình. Trong mô hình tư vấn item attributes into the process of building recommendation model. It is lọc cộng tác dựa trên sản phẩm truyền thống, kết quả tư vấn được called integrated recommendation model. In the traditional item-based xây dựng chỉ dựa trên ma trận xếp hạng của người dùng cho các collaborative filtering recommendation model, the recommendation sản phẩm. Kết quả tư vấn của mô hình đề xuất được xây dựng results are built based only on the rating matrix of users for the items. dựa trên hai ma trận tương đồng: (1) ma trận tương đồng dựa trên In this integrated recommendation model, the recommendation results giá trị hạng của người dùng cho các sản phẩm; (2) ma trận tương are based on two similarity matrices: the similarity matrix based on the đồng dựa trên thông tin mô tả các sản phẩm. Thông qua thực rating value of users for items and the similarity matrix based on the nghiệm trên tập dữ liệu MSWeb cho thấy rằng mô hình đề xuất cho information of item attributes. Through experiments on MSWeb kết quả chính xác hơn mô hình tư vấn lọc cộng tác truyền thống. dataset, it shows that the results of our recommendation model are more accurate than the results of traditional item-based collaborative filtering recommendation model. Từ khóa - độ đo tương đồng; tư vấn lọc cộng tác; ma trận xếp Key words - similarity measures; item-based collaborative filtering hạng; ma trận tương đồng; ma trận tích hợp. recommendation system; rating matrix; similarity matrix; integrated similarity matrix. 1. Đặt vấn đề tạo nên một bước cải tiến đáng kể về không gian lưu trữ và Hệ tư vấn lọc cộng tác dựa trên sản phẩm là một mô hình thời gian chi phí cho các tính toán phức tạp của hệ thống này hệ tư vấn được phát triển dựa trên hệ tư vấn lọc cộng tác [7], [1], [15]. [14], [19]. Nó được giới thiệu lần đầu tiên trên tạp chí ACM Trong bài viết này, chúng tôi đề xuất một phương pháp vào năm 2001 [1]. Không lâu sau đó, hệ thống này được để cải thiện độ chính xác của mô hình tư vấn lọc cộng tác Amazon.com ứng dụng để giới thiệu các sản phẩm của họ dựa trên sản phẩm bằng cách tích hợp ma trận tương đồng đến người dùng [6]. Khác với hệ tư vấn lọc cộng tác dựa trên dựa trên các thuộc tính sản phẩm vào quá trình xây dựng người dùng (User-based) sử dụng sự tương đồng giữa các mô hình tư vấn. Trong đó, mô hình tư vấn được xây dựng người dùng để dự đoán sở thích của người dùng, hệ tư vấn dựa trên hai ma trận tương đồng: ma trận tương đồng được lọc cộng tác dựa trên sản phẩm tìm ra các sản phẩm để giới xây dựng dựa trên dữ liệu xếp hạng của người dùng cho thiệu đến người dùng bằng cách tìm ra sự tương đồng giữa các sản phẩm và ma trận tương đồng được xây dựng dựa các sản phẩm từ ma trận xếp hạng (Rating matrix) [15]. Việc trên các thuộc tính sản phẩm. Sau khi xây dựng mô hình, xác định sự tương đồng giữa hai sản phẩm được suy luận từ chúng tôi triển khai chạy thực nghiệm mô hình trên tập dữ kết quả xếp hạng của người dùng, chứ không dựa trên đặc liệu MSWeb [12], đồng thời so sánh kết quả với mô hình tính của sản phẩm như trong mô hình tư vấn dựa trên nội tư vấn lọc cộng tác dựa trên sản phẩm truyền thống. dung (content-based) [2]. Nếu hai sản phẩm được xếp hạng cao cùng một người dùng thì hai sản phẩm này được xem là 2. Ma trận tương đồng của các sản phẩm dựa trên các tương đồng và người dùng được hy vọng sẽ có cùng sở thích thuộc tính trên các sản phẩm tương đồng. Hệ tư vấn lọc cộng tác dựa 2.1. Khoảng cách giữa hai sản phẩm trên sản phẩm là giải pháp hiệu quả cho các hệ thống tư vấn Hiện tại, có nhiều cách tính khoảng cách giữa hai sản online [18], [13]. Bởi vì trong các hệ thống này, số lượng phẩm trong không gian vector n chiều. Để tính khoảng cách người dùng thường tăng rất nhanh so với số lượng sản phẩm. giữa 2 sản phẩm, chúng tôi áp dụng phương pháp tính Do đó, việc tìm ra kết quả tư vấn dựa trên các người dùng sẽ khoảng cách Euclidean [17]. Đây là phương pháp tính phức tạp và mất nhiều thời gian hơn so với việc tìm ra kết khoảng cách được sử dụng nhiều trong các bài toán phân quả tư vấn dựa trên các sản phẩm. Ngoài ra, mô hình này còn lớp dữ ...