Online Learning of Parameters for Modeling User Preference Based on Bayesian Network
Online Learning of Parameters for Modeling User Preference Based on Bayesian Network
复制标题
基于贝叶斯网络的用户偏好建模参数在线学习
DOI：
10.1142/s021848852250012x
复制
发表时间：
2022-04
期刊：
影响因子：
--
通讯作者：
Sun Zhengbao
中科院分区：
文献类型：
--
作者：
Kan Yirong;Yue Kun;Wu Hao;Fu Xiaodong;Sun Zhengbao
通过分析个性化服务的用户行为数据，大多数最先进的用户偏好建模方法通常基于批处理模式机器学习算法，其中假设所有评级数据在整个训练过程中可用。然而，现实世界中的数据通常是按顺序到达的，并且用户偏好可能会动态变化。评级数据的实时特性使得偏好建模算法难以适应现实世界的在线应用。通过基于带有潜在变量的贝叶斯网络（BNLV）的用户偏好模型（UPM），可以表示用户、对象和评分的相关属性之间的不确定关系，其中用户偏好由潜在变量来表示。在本文中，我们提出了一种 UPM 参数学习的在线方法。具体来说，我们首先根据潜在变量的情况使用贝叶斯估计来扩展经典的 Voting EM 算法。因此，我们提出了从少量且连续变化的评级数据中学习 UPM 参数的算法，以反映逐渐变化的偏好。最后，我们通过在各种数据集上进行实验来测试我们提出的算法的有效性。实验结果证明了我们的方法在各种测量中的优越性。
By analyzing users’ behavior data for personalized services, most state-of-the-art methods for user preference modeling are often based on batch-mode machine learning algorithms, where all rating data are assumed to be available throughout the training process. However, data in the real world often arrives sequentially and user preference may change dynamically. The real-time characteristics of rating data make the algorithms for preference modeling challenging to suit real-world online applications. By the user preference model (UPM) based on Bayesian network with a latent variable (BNLV), uncertain relationships among relevant attributes of users, objects and ratings could be represented, in which user preference is represented by the latent variable. In this paper, we propose an online approach for parameter learning of UPM. Specifically, we first extend the classic Voting EM algorithm by using Bayesian estimation in terms of the situation with latent variables. Consequently, we propose the algorithm for learning parameters of UPM from few and sequentially-changing rating data to reflect the gradually changing preferences. Finally, we test the effectiveness of our proposed algorithm by conducting experiments on various datasets. Experimental results demonstrate the superiority of our method in various measurements.
登录
查看更多内容
DOI：
10.1145/2493259
发表时间：
2014-04
期刊：
ACM Trans. Intell. Syst. Technol.
影响因子：
--
作者：
Jiang Bian;Bo Long;Lihong Li;Taesup Moon;Anlei Dong;Yi Chang
通讯作者：
Jiang Bian;Bo Long;Lihong Li;Taesup Moon;Anlei Dong;Yi Chang
DOI：
10.1007/s11280-018-0568-z
发表时间：
2018
期刊：
World Wide Web
影响因子：
--
作者：
Miao Jiang;Yi Fang;Huangming Xie;J. Chong;Meng Meng-Meng
通讯作者：
Miao Jiang;Yi Fang;Huangming Xie;J. Chong;Meng Meng-Meng
影响因子：
8.1
作者：
Li, Kangkang;Zhou, Xiuze;Alterovitz, Gil
通讯作者：
Alterovitz, Gil
影响因子：
8.8
作者：
Tao, Longquan;Cao, Jinli;Liu, Fei
通讯作者：
Liu, Fei
DOI：
10.1016/j.ijepes.2018.05.029
发表时间：
2018-12
影响因子：
5.2
作者：
Jiandong Wang;Zijiang Yang;Su Jianjun;Yan Zhao;Song Gao;X. Pang;Donghua Zhou
通讯作者：
Jiandong Wang;Zijiang Yang;Su Jianjun;Yan Zhao;Song Gao;X. Pang;Donghua Zhou