BPRS：基于信念传播的迭代推荐系统
机器学习
2012-09-25 v1
摘要
本文介绍了信念传播 (BP) 算法在推荐系统设计中的首次应用。我们将推荐问题表述为推断问题，旨在计算代表待预测评分的变量的边缘概率分布。然而，对于大规模系统而言，计算这些边缘概率函数在计算上是禁止的。因此，我们利用 BP 算法来高效计算这些函数。随后，通过概率消息传递迭代计算每个活跃用户的推荐。与之前的推荐算法不同，如果 BPRS 希望仅更新单个活跃用户的推荐，则无需为所有用户解决推荐问题。此外，BPRS 以线性复杂度计算每个用户的推荐，且不需要训练期。通过计算机模拟（使用 100K MovieLens 数据集），我们验证了 BPRS 能迭代降低用户预测评分中的误差直至收敛。最后，我们确认 BPRS 在评分和精度准确性方面与基于关联的邻域模型 (CorNgbr) 和奇异值分解 (SVD) 等最先进方法相当。因此，我们认为基于 BP 的推荐算法是一种新的有前景的方法，它在为推荐系统提供具有竞争力的准确性的同时，在可扩展性方面提供了显著优势。
引用
@article{arxiv.1209.5335,
title = {BPRS: Belief Propagation Based Iterative Recommender System},
author = {Erman Ayday and Arash Einolghozati and Faramarz Fekri},
journal= {arXiv preprint arXiv:1209.5335},
year = {2012}
}