统计推荐模型中的异构数据源资源配置

信息系统中的统计推荐模型需要获取、分析和汇总多个来源的数据。这些多源异构的数据集在特征和价值方面可能存在显著差异,因而影响模型性能。为了提升统计推荐模型的整体性能,该研究采用凸优化理论和方法,解决了统计推荐模型中异构数据源的最优资源配置问题。在不同的数据源资源配置下,该工作对比了同一推荐模型的性能变化。实验结果表明,该工作提出的资源分配算法在NDCG(normalized discounted cumulative gain)和召回率这两个推荐系统主要评价指标上有效地提升了模型性能。该工作的结论是:针对多个异构数据源,适当的资源划分和分配策略可以显著影响推荐模型的整体性能。