基于用户时点可见性的无趣项挖掘及协同过滤推荐方法

【目的】解决基于显式反馈信息的协同过滤算法无法处理数据稀疏性和用户选择偏差影响的问题。【方法】根据看见但未交互的项目表现用户的负面偏好,结合用户活跃度、项目流行度和时间因素综合衡量用户对项目的可见性。引入使用前偏好的概念,构建基于用户时点可见性的加权矩阵分解模型以识别缺失数据中用户不感兴趣的项目,并将其填充为低值。【结果】通过在MovieLens两个数据集的实验表明,经过基于无趣项挖掘与低值填充的数据填充算法(UIMLF)填充后,ItemCF和BiasSVD的推荐精度平均提升2~2.5倍。【局限】仅依据“看见未交互”的项目表现用户负面偏好的经验对使用前偏好建模,可能存在经验偏差。【结论】所提方法能有效缓解数据稀疏性和用户选择偏差的影响,使推荐结果更准确。

融合选择数据偏差消除和条件生成对抗网络的显式评分填充策略

【目的】为缓解推荐系统中显式评分数据广泛存在的数据稀疏性和用户选择偏差问题,提出一种基于无趣项注入的评分数据填充模型。【方法】基于条件生成对抗网络框架构建通用的评分数据填充模型,使用去噪自编码器作为生成器以捕捉交互背后的非线性潜在因素并提高模型的鲁棒性。针对选择偏差问题,基于用户时点可见性挖掘无趣项,并通过修改掩膜机制注入模型中生成符合用户真实评分分布的数据。【结果】在MovieLens和Amazon CD数据集上的实验结果表明,经过数据填充后,ItemCF、BiasSVD和AutoRec算法的推荐精度平均提升了3倍以上。【局限】数据生成依赖于评分数据,无法有效应用于评分数据极度稀疏的冷启动场景。【结论】所提模型能够有效缓解数据稀疏性并消除选择偏差,显著提高现有协同过滤方法在推荐任务中的性能。