一个基于低通图滤波器的推荐模型

推荐系统已经成为大数据时代帮助用户挖掘其偏好的有力工具,也创造了大量的经济价值.在实际推荐场景下,尽管用户的偏好或者项目(也称“商品”)的特性都是相对稳定的,可以通过用户与商品的历史交互来捕获.但是,用户对商品存在误触的点击行为,这实际上是噪音信号.如何对用户-商品进行降噪并学习精确的用户偏好是推荐系统的基本需求.我们将用户-商品交互建模为二部图,并从图信号处理的角度设计了一种低通图滤波器,其可以抑制和过滤高频噪音并筛选出低频的用户偏好.最后,2个真实数据集上的大量实验验证了所设计算法的有效性.