一种基于个性化成对损失加权的新颖推荐

推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在训练基本模型时,通用的BRP损失函数以相同的方式对待所有对,始终抑制应该建议的有趣负项.针对BPR损失函数的局限性,在此提出了一种个性化的成对新颖性加权方法,该方法能够对1阶段的新推荐进行端到端的训练.该方法解决了损失函数中所有负项的一致抑制问题,并在损失函数中明确引入了用户个人偏好信息.充分利用了用户和项目的新颖性信息,并将其显式地集成到损失函数中,使模型能够区分感兴趣的未知项目和不喜欢的项目.有效地提高了具有边缘损失的新颖性.基础模型将在损失权重的指导下学习用户偏好,并在1阶段生成新的建议列表.综合实验表明,该方法在几乎不降低准确性的情况下有效地提高了新颖性.

基于用户邻域和主题的新颖性Web社区推荐方法

社区推荐从海量社区中为用户过滤出有价值的社区,变得越来越重要.新颖性推荐逐渐得到关注,因为单纯追求准确度的推荐结果存在局限性.已有新颖性推荐方法不适用于社区推荐,因其无法处理Web社区特性,包括社区成员用户通过交互形成的关系网络以及社区主题.提出了一种新颖性社区推荐方法 Novel Rec,向用户推荐其有潜在兴趣但不知道的社区,旨在拓展用户视野和推动社区发展.Novel Rec基于用户交互网络中的邻域关系,利用用户之间在主题上的关联,计算候选社区对用户的准确度;根据用户与社区在邻域和主题上的关联,提出一种用户社区距离度量方式,并利用该距离计算候选社区的新颖度.在此基础上,Novel Rec最终进行新颖性社区推荐,并兼顾推荐结果的准确性.真实数据集上的对比实验结果表明,Novel Rec方法在新颖性上优于现有方法,同时能够保证推荐结果的准确性.

基于用户推荐影响度的并行协同过滤算法

基于共同评分与项目全集的相似度未甄别近邻的推荐影响力,导致推荐质量低,可扩展性差。为此,提出了一种基于推荐影响度的并行协同过滤算法。该算法通过非共同评分项目、共同评分项类以及用户访问次数来计算用户推荐新颖度与兴趣重合度以度量用户推荐能力,并融入相似性计算来抑制相似度高但推荐力不强的用户,避免在项目全集上计算相似度,从而提高推荐质量;通过MapReduce并行化,使其具备良好的实时性和可扩展性。实验结果表明,该算法在海量数据集上的推荐质量更高,可扩展性更强。

基于项目流行度的个性化重排序模型

现有推荐模型经常优先考虑推荐准确度而忽略推荐多样性和新颖性,导致推荐结果类型单一且不可避免地被流行项目占据。鉴于此,提出一种重排序模型,该模型在原有推荐模型基础上加入项目流行度和用户偏好,通过调节补偿分数的大小以控制用户最终TOP-K推荐列表新颖项目的比例,达到提高用户个性化推荐列表多样性的效果。通过在公开数据集的实验结果表明,该模型的ILS指标与传统方法相比分别降低了79.96%和7%,Novelty指标分别降低了0.73%和2.11%,有助于降低用户的列表内相似度,增加推荐新颖性。