With the rapid development of Internet, the human race has entered the information society and the network era. Internet could provide people with more and more information and services; however, people have to face enormous data and useless information when they enjoy the convenience brought by Internet. Recommender system (RS) has emerged in response to this challenge, which can advise users when making decisions and help users discover items they might not find by themselves. Collaborative filtering (CF) approach is popularly used in RSs owing to its satisfactory performance. Generally speaking, user-based collaborative filtering (UBCF) and item-based collaborative filtering (IBCF) are two significant approaches in CF, they have been successfully applied to many commercial RSs. However, with various kinds of data and complicated application environment, CF approaches are facing many challenges. For instance, UBCF cannot provide recommendations for an active user with satisfactory accuracy and diversity simultaneously. Personalized recommendations cannot be provided by UBCF for a new user which often has insufficient information. In addition, items that make a more significant contribution cannot have high weighting in IBCF. In view of the above key issues, this dissertation launched a study of the following aspects: (1) Aiming to provide personalized recommendations for an active user, we apply covering-based rough sets to improve UBCF, and propose a new covering-based collaborative filtering (CBCF) approach. CBCF inserts a user reduction procedure into UBCF, covering reduction in covering-based rough sets is utilized to remove redundant users from all users. Then, k-nearest neighbors are selected from candidate neighbors comprised by the reduct-users. Our experiment results suggest that, for the sparse datasets that often occur in real RSs, CBCF outperforms than the UBCF, and can provide satisfactory accuracy and coverage for an active user at the same time. (2) In order to provide personalized recommendations for a new user, through a detailed analysis of the characteristic of new users, we reconstruct a decision class to improve the previous CBCF. Unlike the previous CBCF, the decision class in improved CBCF can be extracted easily from the user-item rating matrix. Furthermore, the improved CBCF could provide personalized recommendations without needing special additional information. Our experiment results suggest that the improved CBCF significantly outperforms those of existing work and can provide personalized recommendations for a new user with satisfactory accuracy and diversity simultaneously. (3) The traditional IBCF approach treats all items as the same weighting; however, because some items may have more important impact when computing the similarity and predictions, item-variance weighting should also be considered. In this paper, we present the time-based correlation degree and covering degree, and apply them to the traditional IBCF approach to rearrange the item weighting. Our experimental results suggest that, our proposed approach can produce recommendations superior to the traditional IBCF and other existing work.
インターネットの高速な発展に従って、人類は情報社会とネットワークの時代に入った。人々はインターネットから多くの情報と便利なサービスが得られる一方で、膨大なデータ及び無駄な情報にも接することになる。推薦システム（RS）はこの問題に呼応して出現した。RSはユーザーの決定と自身によって見つけられないアイテムの発見を助けることができる。協調フィルタリング（CF）は良好な性能のため、RSに広く応用されている。一般的に言えば、ユーザベース協調フィルタリング（UBCF）とアイテムベース協調フィルタリング（IBCF）の二つはCFにおいて重要なアプローチであり、多くの商業RSに適用されている。しかし、様々なデータ及び複雑なアプリケーション環境の影響で、CFは多くの問題に直面している。例えば、UBCFはアクティブユーザーに対する推薦で高い推薦精度と推薦の多様性を両立させることができない。また、UBCFは十分な情報を持っていない新しいユーザーに個人化した推薦を提供することができない。さらに、IBCFではアイテムの重要性によって、重みに差を付けることができない。上記の問題点を考慮して、この論文では以下の研究を行った：（１）アクティブユーザーに個人化した推薦を提供するために、被覆に基づくラフ集合を用いた新しいカバーベース協調フィルタリング（CBCF）を提案した。CBCFでは被覆に基づくラフ集合における被覆縮約をUBCFに導入し、すべてのユーザーから冗長なユーザーを削除する。そして、ｋ―最近傍ユーザーは縮約したユーザーから選択される。実験結果によって、現実の推薦システムでよく現れる疎なデータについて、CBCFはUBCFより性能が良く、アクティブユーザーに対する推薦で高い推薦精度と推薦の多様性を両立できることが示された。（２）新しいユーザーに個人化した推薦を提供するために、新しいユーザーの特徴の詳細な分析を通じて、決定クラスを再定義することで、CBCFを改良した。元のCBCFと異なり、改良されたCBCFの決定クラスはユーザーアイテム評価行列から容易に抽出される。さらに、改良されたCBCFは特別な追加の情報を必要とせずに、個人化した推薦を提供することができる。実験結果によって、改良されたCBCFは既存の関連研究より良く、新しいユーザーに対する推薦で高い推薦精度と推薦の多様性を両立できることが示された。（３）伝統的なIBCFはすべてのアイテムに同じ重みを与える。しかし、類似度と予測値を計算する時に、いくつかのアイテムがより重要な影響を持つ可能性がある。アイテムの分散重み付けもまた考慮されるべきである。この論文では、アイテムの重みを付け直すために、時間ベース協調度と被覆度を提案して、伝統的なIBCFに適用した。実験結果によって、提案したIBCFは伝統的なIBCFと他の関連研究に比べて、良い推薦結果を提供することが確認された。
A study on recommender systems based on covering-based rough sets
A407
(378.92KB)
