基于知识感知采样的神经协同过滤

目前,对于推荐系统的研究主要集中在如何使用不同的辅助数据进行混合推荐,来缓解数据稀疏和冷启动问题,以提高推荐的准确性,而对于自然噪声的研究相对较少。针对自然噪声中项目的曝光偏差问题,提出一种基于知识感知的负采样策略。该方法利用用户对项目的隐式反馈和项目的知识信息来构建知识图谱,然后根据知识图谱中正例与负例之间共同的知识实体来对负例进行采样。通过设计一个奖励函数来衡量采样负例的质量,然后通过最大化累积奖励函数期望来优化采样器。采样以后,将用户正例和最佳负例一起输入到推荐器中,用于训练推荐模型。随后,将该采样方法与神经协同过滤结合起来,得到一种基于知识感知采样的神经协同过滤。此外,为了能够灵活地控制采样比,用逐点损失代替原来的成对损失来优化推荐器。在真实数据集上进行了广泛实验,验证了所提方法的有效性。

融合用户评分和项目特征的相似推荐算法

为了满足推荐系统的实时性需求,提出了一种融合用户评分和项目特征的相似推荐算法。该算法利用用户对项目的点击行为即时获取用户的偏好,然后根据用户的偏好为目标用户推荐偏好项目的相似项目。该算法同时考虑了用户和项目两个维度:利用用户对项目的评分数据计算用户评分相似度,利用用户生成的社会化标签计算项目特征相似度。然后将用户评分相似度和项目特征相似度进行加权融合,得到最终相似度,根据最终相似度生成推荐列表。为了面向大规模数据处理,同时提高算法运行的效率,对算法做了并行化扩展。实验结果表明:在分布式并行计算模式下,所提算法具有可观的加速比,能够满足推荐的实时性需求;在面对增量数据时,所提算法具有良好的可扩展性。

基于栈式降噪自编码器的深度推荐

针对推荐系统的自然噪声问题,提出一种基于栈式降噪自编码器的深度推荐算法(Deep Recommendation Algorithm Based on Stacked Denoising Auto-encoder,SDAE-DR)。该推荐算法包含采样、重构及推荐3个模块。采样模块利用交互矩阵中的隐式反馈和项目的属性信息构建知识图谱,利用知识图谱中项目之间共同的知识实体来执行负采样。重构模块利用采样模块初步筛选的数据获得用户和项目评分向量,利用栈式自编码器对数据进行重构,从而获得用户和项目的隐表示。推荐模块利用用户信息和项目信息分别获取用户和项目特征向量,再与重构模块获得的隐表示结合,通过多层感知机来获得预测评分。实验表明,该算法与基准线相比,具有更高的推荐准确性和算法运行效率。