Densifying a behavioral recommender system by social

networks link prediction methods

Ilham Esslimani Armelle Brun Anne Boyer

Abstract

• 傳統CF系統– 只使用共同評分的項目預測使用者之間的關係

– 資料稀疏度高及無法處理使用者間無共同評分項目

• D-BNCF• Densified behavioral network based CF

• 利用社群網路技巧，預測行為網路中新的連結

• 實驗結果– 證明使用這個方法預測項目有較高的精準度

Problem

• 根據使用者的使用行為，要如何估計使用

者之間的相似度，以及建立行為網路。

• 如何利用預測連結這個方法使得行為網路

更加緊密，才可以解決資料稀疏性的問題

以及增加準確度

Contribution

• 設計新的CF模型，且利用使用者瀏覽資訊

找出使用者連結

• 利用在社群網路使用的連結預測法找出潛

在的連結且產生推薦

Construct behavioral network

• 取得使用者的瀏覽物件序列

• 根據公式

– 使用者之間的LCS長度/使用者的session長度

• Example：

Densifying the behavioral network(1/2)

• Preferential attachment

– 使用者的鄰居數目 相乘

• Common neighbors

– 共同的鄰居數目

• Jaccard coefficient

– 從共同鄰居衍伸：共同的鄰居數/總共鄰居數

– 平衡那些有許多鄰居的使用者

Densifying the behavioral network(2/2)

• Adamic/Adar measure

– 共同鄰居頻率倒數相加

– 強調少數共同鄰居的重要性

• Graph Distance

– Node之間的距離

Prediction generation

• User b：最近的鄰居

• 預測User a對項目k的值

– 權重為User a與User b的相似度

– 以User a的平均評分+User b 對 item k的評分

Experimentation - Data

• Dataset: Credit Agricole Banking Group

• Content: user-ids ,item-ids , session idsstart/end session time

• Related to 748 users ,3856 resources

• Sparsity : 96%

Experimentation - Evaluation

• MAE(Mean absolute Error)

– MAE 值越低,結果越好

• HMAE

– 與MAE相似，但只考慮預測分數高的物品(4-5)

Results

• Similarity value threshold : 0.2

• Min number of co-rated item :20

Conclusion

• 實驗根據Jaccard,Adamic/Adar,Graph distance等方法發現行為網路上的新鄰居。

• D-BNCF的精準度有大幅度的提高(HMAE)

• 在此篇論文中，作者了提出一個新的CF模型D-BNCF，利用使用者在網站上的瀏覽序列以及連結預測等社交網路的方法找出使用者間的關係