推荐系统的准确度经常受到各类偏差的影响,流行度偏差是影响推荐准确度的重要因素之一。传统的纠偏方法主要基于项目属性,通过引入惩罚因子来抑制热门项目的推荐,未考虑用户兴趣和时间的影响。针对此问题,提出了基于项目流行度和用户动...推荐系统的准确度经常受到各类偏差的影响,流行度偏差是影响推荐准确度的重要因素之一。传统的纠偏方法主要基于项目属性,通过引入惩罚因子来抑制热门项目的推荐,未考虑用户兴趣和时间的影响。针对此问题,提出了基于项目流行度和用户动态兴趣的自适应纠偏方法(Adaptive Popularity and Dynamic Interest,APDI)。结合因果图从项目流行度和用户个性化两个方面综合分析影响流行度偏差的主要因素,根据项目质量、从众效应、用户兴趣对时间的敏感度不同,计算相应时间间隔内项目流行度与用户动态兴趣的综合评分,更加有效地降低流行度偏差;通过指数加权移动平均的方法,根据时间衰减程度对用户当前兴趣的影响来计算用户兴趣评分,以捕捉用户的短期兴趣偏好。在3个真实数据集上验证了所提方法的有效性,实验结果表明,APDI有效提高了推荐的准确度、召回率和归一化折损累计增益。展开更多
传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth ...传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth first search,CRPFP-BFS)和(correlation and recency periodic frequent pattern-depth first search,CRPFP-DFS)。将给定的数据库压缩到一个列式结构的列表CRPFP-List中,CRPFP-BFS和CRPFP-DFS分别采用广度优先和深度优先搜索方式递归地进行挖掘,同时利用支持度、周期、时效性以及相关性剪枝策略减少搜索空间,以有效地发现相关时效周期模式。与当前最先进算法在密集数据集和稀疏数据集上进行对比实验,结果表明CRPFP-BFS和CRPFP-DFS具有较低的内存占用和更高的运行效率,并且具有良好的可扩展性,其中CRPFP-DFS适合于内存要求严格的情况,CRPFP-BFS在长事务稀疏数据集下的运行效率更高。展开更多
文摘推荐系统的准确度经常受到各类偏差的影响,流行度偏差是影响推荐准确度的重要因素之一。传统的纠偏方法主要基于项目属性,通过引入惩罚因子来抑制热门项目的推荐,未考虑用户兴趣和时间的影响。针对此问题,提出了基于项目流行度和用户动态兴趣的自适应纠偏方法(Adaptive Popularity and Dynamic Interest,APDI)。结合因果图从项目流行度和用户个性化两个方面综合分析影响流行度偏差的主要因素,根据项目质量、从众效应、用户兴趣对时间的敏感度不同,计算相应时间间隔内项目流行度与用户动态兴趣的综合评分,更加有效地降低流行度偏差;通过指数加权移动平均的方法,根据时间衰减程度对用户当前兴趣的影响来计算用户兴趣评分,以捕捉用户的短期兴趣偏好。在3个真实数据集上验证了所提方法的有效性,实验结果表明,APDI有效提高了推荐的准确度、召回率和归一化折损累计增益。
文摘传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth first search,CRPFP-BFS)和(correlation and recency periodic frequent pattern-depth first search,CRPFP-DFS)。将给定的数据库压缩到一个列式结构的列表CRPFP-List中,CRPFP-BFS和CRPFP-DFS分别采用广度优先和深度优先搜索方式递归地进行挖掘,同时利用支持度、周期、时效性以及相关性剪枝策略减少搜索空间,以有效地发现相关时效周期模式。与当前最先进算法在密集数据集和稀疏数据集上进行对比实验,结果表明CRPFP-BFS和CRPFP-DFS具有较低的内存占用和更高的运行效率,并且具有良好的可扩展性,其中CRPFP-DFS适合于内存要求严格的情况,CRPFP-BFS在长事务稀疏数据集下的运行效率更高。
