文件名称：用于协同过滤的隐马尔可夫模型-研究论文
文件大小：570KB
文件格式：PDF
更新时间：2024-06-29 07:08:45
Recommender Systems Collaborative
当评级是由一组不断变化的用户偏好生成时，我们提出了一个隐藏的马尔科夫模型，用于隐式评级的协同过滤。 协同过滤和推荐系统文献中的大部分工作都是在用户偏好是静态模式的假设下开发的。 然而，我们通过分析员工博客阅读行为的数据集表明，用户的阅读行为确实会随着时间发生变化。 我们将未观察到的用户偏好建模为隐马尔可夫序列。 观察用户在每个时间段阅读不同数量的博客文章并选择不同类型的文章阅读，需要一种新颖的观察模型。 我们使用多项式的负二项式混合来对此类观察进行建模。 这使我们能够识别用户对数据集中项目的稳定全局偏好，并允许我们通过这些偏好跟踪用户。 我们将该算法与一些静态算法和最近提出的动态协同过滤算法进行比较，发现所提出的基于 HMM 的协同过滤器优于其他算法。