基于二分网络的长期推荐

目前在基于二分网络的推荐算法研究中,关注更多的是推荐的短期性能,而在现实生活中,对每一个用户的推荐是一个长期的过程,在线网络会随着时间的推移而发展,并且用户在购物时往往有求新的消费心理,因此长期推荐的多样性也需要更多的关注。针对这些问题,将短期推荐中表现良好的经典算法应用到长期推荐中,发现长期的推荐多样性和准确性逐渐变差;为了改善长期推荐的表现,设计了一个融合时间因子的推荐算法,并将其应用到长期推荐中;实验结果表明,提出的算法在不损失推荐准确性的前提下,显著提高了长期推荐的多样性。

基于扩散的推荐算法的可预测性

推荐系统能够帮助解决信息过载问题,并可以根据用户的历史记录预测其兴趣进行推荐.推荐系统的核心是推荐算法,而提高最大推荐精度对进一步提升推荐算法精度至关重要.针对这一问题,提出了一个添加虚拟边的方法,通过增加推荐算法资源扩散的宽度使更多的商品可以获得资源,提高测试集内商品出现在推荐列表中的可能性,从而提高基于扩散的推荐算法的最大推荐精度.实验结果表明,本文方法提升了基于扩散的推荐算法的可预测性,同时也提升了推荐的准确性.