协同过滤是目前解决信息过载问题的主要方法之一,然而其推荐的多样性不足,且在冷启动场景下推荐效果较差.提出了基于用户偏好和动态兴趣的多样性推荐方法 DRMUD(A Diversified Recommendation Method Based on User Preference and Dyna...协同过滤是目前解决信息过载问题的主要方法之一,然而其推荐的多样性不足,且在冷启动场景下推荐效果较差.提出了基于用户偏好和动态兴趣的多样性推荐方法 DRMUD(A Diversified Recommendation Method Based on User Preference and Dynamic Interest).首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样倾向度;然后引入时间衰减函数,动态调整用户的历史评分数据;最后将矩阵分解和项目疲劳函数相结合,并加入多样倾向度调节两者所占比重.当新用户加入系统时,通过网格索引为其产生最信任邻居,新用户缺失的反馈信息由最信任邻居代替.实验结果表明,DRMUD算法有效缓解了用户冷启动问题,并能在保证准确率的前提下提高推荐结果的多样性.展开更多
为了解决推荐列表偏向于热门项目,多样性差的问题,提出了ARIFDP算法(aggregation recommendation algorithm for embedding item fatigue and diversity preference)。首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样...为了解决推荐列表偏向于热门项目,多样性差的问题,提出了ARIFDP算法(aggregation recommendation algorithm for embedding item fatigue and diversity preference)。首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样倾向度,进而构造了与评价次数负相关的项目疲劳函数,最终将矩阵分解与项目疲劳函数相聚合,并加入多样倾向度调节项目疲劳函数所占权重,增加了冷门项目被推荐的概率。实验结果表明,ARIFDP算法能在保证准确率的前提下有效提高推荐结果的多样性。展开更多
文摘协同过滤是目前解决信息过载问题的主要方法之一,然而其推荐的多样性不足,且在冷启动场景下推荐效果较差.提出了基于用户偏好和动态兴趣的多样性推荐方法 DRMUD(A Diversified Recommendation Method Based on User Preference and Dynamic Interest).首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样倾向度;然后引入时间衰减函数,动态调整用户的历史评分数据;最后将矩阵分解和项目疲劳函数相结合,并加入多样倾向度调节两者所占比重.当新用户加入系统时,通过网格索引为其产生最信任邻居,新用户缺失的反馈信息由最信任邻居代替.实验结果表明,DRMUD算法有效缓解了用户冷启动问题,并能在保证准确率的前提下提高推荐结果的多样性.
文摘为了解决推荐列表偏向于热门项目,多样性差的问题,提出了ARIFDP算法(aggregation recommendation algorithm for embedding item fatigue and diversity preference)。首先通过对用户历史反馈数据分析用户的多样性偏好,得出用户的多样倾向度,进而构造了与评价次数负相关的项目疲劳函数,最终将矩阵分解与项目疲劳函数相聚合,并加入多样倾向度调节项目疲劳函数所占权重,增加了冷门项目被推荐的概率。实验结果表明,ARIFDP算法能在保证准确率的前提下有效提高推荐结果的多样性。