融合用户属性偏好相似性的协同过滤推荐算法研究

传统协同过滤推荐算法的用户相似性计算模型中只分析了用户的评分相似性,却没有考虑用户的属性偏好对用户评分的影响。针对此问题,本文根据用户评分与项目属性信息分析用户对不同属性的偏好度,通过加权的方式将用户属性偏好引入原有的相似性计算模型中。实验表明,在相同K值下,与传统协同过滤算法相比,本文提出算法的准确性平均提升了0.42。

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC)。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。

基于用户项目属性偏好的协同过滤推荐算法

协同过滤推荐系统是广泛应用的推荐技术之一,但是其面临着推荐精度低和托攻击问题。为了提高传统协同过滤推荐系统的推荐精度和抗攻击能力,提出了一种基于用户项目属性偏好的鲁棒协同过滤推荐算法。该算法在用户相似性计算过程中引入用户项目属性偏好相似性,并通过动态加权因子与传统的用户评分相似性进行组合,获得用户的综合相似性,在用户共同评分项匮乏的情况下也可以根据相同的项目属性偏好度量用户相似性,缓解评分数据稀疏性。在预测评分阶段,根据用户项目属性偏好类型条件过滤最近邻集合中的攻击概貌,消除攻击概貌对评分预测的不良影响,提高系统的抗攻击能力。实验结果表明,该算法可以有效提高推荐系统的推荐精度和抗攻击能力。

利用用户不偏好项目属性提高项目协同过滤算法效率和精度

针对传统项目协同过滤算法选择最近邻时需要计算待评分项目与所有其它项目之间的相似度而导致算法效率和推荐精度低的缺点,提出一种基于用户不偏好项目属性的项目协同过滤算法.该算法通过对用户评分偏低的项目属性进行归一化计数并设定阈值,从而将其分为用户不偏好项目属性和非用户不偏好项目属性.只有在其它项目与待评分项目同时具有用户不偏好项目属性或同时都不具有用户不偏好项目属性时,该项目才作为待评分项目最近邻的备选项,才需要计算两项目之间的相似度.该算法通过减少备选最近邻项目集大小和需要计算项目相似度的个数,提高了算法效率;与此同时,由于不合理项目已提前从备选最近邻项目集中排除,选取作为评分预测的最近邻会更为合理,推荐精度也会提高.在数据极度稀疏的Movie Lens-100K数据集上的五折交叉验证结果表明,相较于传统的项目协同过滤算法、基于项目偏好相似的项目协同过滤算法,该算法有更高的效率、精度和覆盖率.

基于智能多agent的推荐系统

针对传统推荐系统存在的用户评分稀疏性和系统扩展性问题,提出了一种基于智能多agent的推荐系统MASRS。首先采用余弦公式处理用户-项评分矩阵得到用户初始邻居集;然后将用户评分映射到相应项的属性值上,生成用户-属性值偏好矩阵UPm,并基于此矩阵进行用户相似性度量,得到用户产品推荐集,该方法有效缓解用户评分稀疏性问题;通过智能多agent架构推荐系统,使大量复杂计算在线下进行,从而改善系统存在的扩展性问题。同时实验表明新系统在推荐精度上收敛性更好。