我的 Proposal 核心

Tagging 的部份 :
由於CF的運算是要採取 co-rated items 的方式去做similarity比較
如果單純以 paper 作為 item,則使用者彼此之間的co-rated的item
set 一定不會很大,甚至很可能為空集合,而無法計算similarity。
而我希望能藉由Tagging的方式,把一篇paper擴增成讓許多Tags
來描述這篇paper的特性,利用這種方式,即使是兩篇不同的paper
,但是他們屬於同一類型,很可能就會被使用者們歸類為同一個Tag。
因此比起傳統用SVD來降低Rating Table的維度(維度是要用tune的),
來增進co-rated的機會,在這邊我是利用Tag的方式來增進 co-rated
的機會(維度是由使用者的Tagging情況決定)。當然很可能Tagging
Space不一定會小於Item Space,但是我的目的只是要增進使用者間
有意義的co-rated的機會。(在此co-rated意思為兩個使用者擁有同一個tag)
而利用Tag的方式是否會改善傳統以paper(item)方式的co-rated機率
就是我要做實驗來驗證的。

Social Recommendation 的部份 :
傳統的CF運算是針對一個使用者(Target User)的行為,來找出系統中行
為跟他相似的 ” 朋友 “,進而分析他朋友喜歡的東西,來推薦給我們的Target
User。因此CF定義朋友的方式,是採取行為間的相似度高的那群人來當作
我們的 Target User 的朋友(儘管Target User實際上不認識他們),所以有
些學者也把CF歸類為Social Recommendation的一種方式。而在我的Proposal
中所提及的Social Recommendation除了會利用到CF的運算,此外還會考
慮使用者”自行加入”的朋友,在此的”朋友”就是使用者認識的朋友(很可能是現實
世界認識,或是網路世界認識)。而在CiteULike資料庫中,有提供組Group的
功能,同一個Group的人們(也許興趣相似或是不相似),彼此之間都可以當作
是朋友關係。我希望結合CF的運算與使用者自行定義的Friends的方式來增進
Recommendation List的diversity(多樣化),因為使用者自行定義的Friends很可
能在CF的運算中並不會被納入為”朋友”的考量。而我所提的Social Recommendation
的方法是否可以增進傳統用CF的方式之diversity,也是需要做實驗來驗證。

Personalized Recommendation推薦的東西比較傾向於使用者原本就喜歡的東西,
因此推薦的重點在於強調是否能準確抓住使用者的興趣,進而推薦一些他有興趣閱讀的東西。

Social Recommendation推薦的東西比較傾向於使用者 “可能” 會喜歡的東西,可能
他還沒接觸過這類型的東西,但他很有可能會喜歡,強調的是準確抓住使用者的興趣外
並且利用mining social relationship提供多樣化(diversity)的推薦列表。

在我的work中,並沒有傳統的Rating table使用者明確給予的評分來讓我跑推薦演算法。
在此,我推算的preference數值實際上只能當作baseline參考而已。因此重點就會在於
如何利用使用者的feedback來改善我們推薦系統的效能。

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s