孔功胜

协同显式和隐式主题回归的论文推荐算法

孔功胜

(河南科技大学图书馆，河南洛阳471023)

针对传统论文推荐模型存在冷启动和推荐解释困难的问题，在协同主题回归的基础上，建立了一种协同显式和隐式主题回归的论文推荐模型。模型中显式主题能够表示用户对论文内容中包含显式内容的偏好程度，隐式主题能够覆盖论文内容中没有显式包含的内容，该算法能够对推荐结果给出一定的解释。在CiteULike数据集上的实验结果表明:在不同推荐列表长度下，协同显式和隐式主题回归模型的推荐精度和召回率优于协同过滤和主题回归模型。

推荐系统;协同过滤;主题回归;概率模型;论文推荐

0 引言

在线论文数据库已成为科研人员获取论文信息的重要来源。目前，提供在线论文检索服务的方法和形式众多，但这些方法只适合对已有的研究方向进行跟踪，不能发现用户可能感兴趣的新方向。论文推荐是一种不同于论文检索的获取资源的方法，该方法使用用户的历史访问信息、用户协同信息、社交信息等建立用户的偏好模型，为用户推荐可能感兴趣的论文［1－2］。在论文推荐系统研究方面，协同过滤［3］和基于内容［4］是常用的两种推荐方法。但由于推荐数据的稀疏和内容表示的限制，单一采用协同过滤或基于内容的推荐方法的推荐精度都十分有限。融合相关信息，如特征信息［5］、社交信息［6］、情感信息［7］、协同主题信息［1］和深度学习信息［8］等建立推荐模型成为推荐系统研究的热点。……