加入用户评分偏置的推荐系统排名模型

针对现有推荐技术忽视了推荐结果总体多样性的问题,提出一种加入用户评分偏置的推荐系统排名模型.该模型通过交叉验证获取偏置调节参数,用以计算用户评分偏置,利用该偏置改进了传统模型中的用户阈值计算方法,从而保证总体多样性的提升效果可作用于全局用户.通过在阈值计算环节引入多样性调节因子,并结合多种排名算法,实现了总体多样性和精准度的精细控制.实验结果表明,相对于传统的基于经验取值的排名模型,所提模型在保证推荐精准度的同时,提高了推荐结果的总体多样性,可以方便地嵌入互动电视和电子商务等推荐系统,无需对原功能模块进行改动.

基于推荐系统时间敏感的因子模型算法研究

推荐系统的协同过滤算法[1]已经得到了人们的普遍关注并取得了很大的进展。协同过滤算法在Netflix推荐系统比赛中起到了核心作用,无疑又增加了它的知名度。矩阵因子分解技术已经成为实现协同过滤算法的首选。在矩阵因子分解技术中存在用户的爱好存时间变化。同时,由于用户的爱好是不断变化的,他们甚至重新选择他们的爱好。这就导致一个因子模型的产生,该模型考虑了时间效应信息用以更好地描述用户的行为。