基于邻域的模型

基于邻域的模型的优点：

（1）提供了推荐背后的直观解释，这种解释不仅提高了准确性，同时增强了用户体验。
（2）基于邻域的模型能够根据一个新进入系统的用户反馈立即提供推荐

1.相似性度量

基于物品的方法的核心是物品之间的相似性度量。一般情况下相似度的度量是基于皮尔逊相关系数${\rho }_{ij}$,该相关系数度量了用户对物品i和物品j进行评分的相似性趋势。由于许多评分未知，一些物品或许只有几个公共的评分用户。经验相关系数${\hat{\rho }}_{ij}$仅仅是基于共同的用户支持。我们建议用基准预测器的残差$b_{ui}$来补偿特定用户和特定物品的偏差。因此，近似的相关系数如下所示：

集合$U（i，j）$包含了同时对物品i和j评分的用户。
由于基于更大的用户支持的相关系数估计值更加可靠，所以我们可以使用一种近似的相似性度量，记为$s_{ij}$，这是一个相关系数的收收缩值，其形式如下：

变量$n_{ij}=|U(i,j)|$记为同时对物品i和j评分的用户的数量。

2.基于相似度的差值

这里描述基于邻域建模的最流行方法，显然该方法对一般意义上的CF也适用。我们的目标是预测$r_{ui}$——尚未观察到的用户u对物品i的评分。使用这种相似性度量，可以找到用户评分的、与物品i最相似的k个物品。这个由k个近邻物品组成的集合记为$S^k(i;u)$。$r_{ui}$的预测值取用户对这些紧邻物品评分的加权平均，同时用户和物品在基准预测器的影响下做调整，得到的预测规则如下：

注意相似度的双重用途：一是识别出最近的近邻物品；二是作为上式中的插值权重。
有时，除了直接把相似度权重作为插值系数，也可以转换这些权重来得到更好的结果。例如，在Netflix数据集中发现取基于关联的相似度的平方值很有用。这样得到的规则：

3.联合派生插值权重

这部分描述一个更加准确的邻域模型。给定一个近邻集合$S^k(i;u)$，我们需要计算插值权重{${\theta }_{ij}^u|j\in S^k(i;u)$}，过这些权重可以得到下面形式的最好预测规则：

k（近邻的个数）的典型取值范围为20~50。在此，我们为残差引入一个符号，$z_{ui}\stackrel{def}{=}{r}_{ui}-b_{ui}$。为了使符号方便使用，我们假设集合$S^k(i;u)$中物品的索引为1,…,k。
推导所有插值权重时同时考虑近邻物品之间的相互依赖是很重要的。下面通过定义一个相应的最优化问题来达到这些目的。

形式化模型

首先，考虑一种假设密集的情形，在这种情形里，除了u的所有用户都同时对物品i和它的集合$S^k(i;u)$中的所有近邻物品进行评分。这种情形下，我们可以通过对物品i和它的近邻物品之间的关联进行建模来学习这些插值权重，建模是通过解决下面最下二乘法问题完成的：

注意，这里唯一的未知量是${\theta }_{ij}^u$。该最小二乘法问题通过转化为求解一个线性方程组而得到的。从统计学角度看，这等价于在$z_{vi}(j)$上对$z_{vi}$进行无截距回归的结果。特别的，最优权重由下面的等式给出：$\mathbf{A}\omega =\mathbf{b}$这里，$\omega \in {\mathbf{R}}^k$是一个未知向量，其中${\omega }_j$代表要寻找的系数${\theta }_{ij}^u$。$\mathbf{A}$是一个$k\ast k$矩阵，其中：

相类似，向量$\mathbf{b}\in {\mathbf{R}}^k$定义如下：

对于一个稀疏的评分矩阵，有可能同时对物品i和其邻域内的物品进行评分的用户很少。因此，用上面的两个式子对$\mathbf{A}$和$\mathbf{b}$仅仅基于那些有完整数据的用户的数据去计算是不明智的。即使有足够多的包含完整数据的用户来保证矩阵$\mathbf{A}$是非奇异的，那样的估计也会忽略同 一个用户评分之间的成对关系的大部分信息。然而，通过在给定的成对关系的支持上求平均，我们仍然能够估计$\mathbf{A}$和$\mathbf{b}$，与上面相似的常量。这样得到下面的改进公式:

这仍然不能克服数据稀疏的问题。${\bar{\mathbf{A}}}_{jl}$或${\bar{\mathbf{b}}}_j$的元素可能会因为被用于计算的平均值的用户组的排序而改变。正如之前讨论的那样，基于相对低的支持度（|$U(i,j)$|的值较小）的均值可以通过收缩到一个共同值来改进。尤其是，我们计算一个基准值，这个基准值是通过所有可能的${\bar{\mathbf{A}}}_{jl}$的值的平均值来定义的。定义这个基准值为avg。于是定义相应的$k\ast k$矩阵$\hat{\mathbf{A}}$和$\hat{\mathbf{b}}\in {\mathbf{R}}^k$:

参数$\beta$控制了收缩的程度。

参考文献

[1]《推荐系统技术、评估及高效算法》