基于知识聚合和迁移的跨领域推荐算法

传统的推荐算法受限于单领域中用户和项目的稀疏关系,也存在用户冷启动等问题.跨领域推荐能够通过学习辅助领域的知识去丰富目标领域的稀疏数据以提高推荐准确率.本文提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF.与已有算法不同,在对共性知识和个性知识的表示学习中,ATCF均充分融合了辅助域和目标域的知识,通过基于矩阵分解的两级矩阵拼接和两次矩阵填充,得到在群集矩阵及评分矩阵上的共性知识表示;通过知识迁移,构建了重叠用户和非重叠用户的个性知识表示,有效避免了负迁移.在两个跨领域数据集上开展的实验表明,ATCF算法与已有单领域和跨领域推荐算法相比RMSE降低了3%~7%,准确率召回率增加了8%~15%.

加入标签迁移的跨领域项目推荐算法

大多数推荐算法常采用基于迁移学习的跨领域推荐技术,借助辅助领域的丰富数据信息来解决传统单域推荐中普遍存在的数据稀疏等问题。但若迁移的知识比较单一,没有结合用户行为,则往往会在目标领域导致负迁移、推荐结果不佳等问题。因此,考虑结合其他知识来辅助完成目标领域的学习任务。利用用户异构行为改善推荐结果,正是近年来的新兴研究热点之一。在用户数据中,标签与用户的真实偏好相关,通常能够反映用户或项目的部分隐式特征。通过结合迁移学习及用户标签数据,文中提出了基于标签迁移的跨领域项目推荐算法ITTCF(Item-based Tag Transfer Collaborative Filtering)。该算法摒弃了在跨领域迁移推荐中仅对评分模式进行挖掘迁移的单一辅助方式,将用户行为反馈与数字评分相结合,融合了评分模式和标签这两种异构用户行为。在多个数据集中的实验结果均表明,ITTCF具有更好的RMSE和MAE值,较传统算法分别提升了1.61%~6.67%和1.97%~8.83%。