为了解决推荐系统中新用户评级预测冷启动和数据稀疏等问题,提出了一种融合一致性社交关系的协同相似嵌入推荐模型(collaborative similarity embedding recommendation model incorporating consistent social relationships,CSECSR)...为了解决推荐系统中新用户评级预测冷启动和数据稀疏等问题,提出了一种融合一致性社交关系的协同相似嵌入推荐模型(collaborative similarity embedding recommendation model incorporating consistent social relationships,CSECSR)。首先,模型通过预热层对图形嵌入进行等权重传播和聚合;其次,采样具有一致性的社交关系邻居,并利用关系注意力机制对这些关系进行聚合;最后,利用用户和项目最终嵌入值的内积进行评分预测,设计具有自适应裕度的BPR损失和相似性损失的损失函数对模型进行优化。在Ciao、Epinions和FilmTrust数据集上与其他代表性的推荐模型进行了对比,实验结果表明所提推荐模型预测误差明显优于其他模型,证明了所提推荐模型的有效性。展开更多
文摘为了解决推荐系统中新用户评级预测冷启动和数据稀疏等问题,提出了一种融合一致性社交关系的协同相似嵌入推荐模型(collaborative similarity embedding recommendation model incorporating consistent social relationships,CSECSR)。首先,模型通过预热层对图形嵌入进行等权重传播和聚合;其次,采样具有一致性的社交关系邻居,并利用关系注意力机制对这些关系进行聚合;最后,利用用户和项目最终嵌入值的内积进行评分预测,设计具有自适应裕度的BPR损失和相似性损失的损失函数对模型进行优化。在Ciao、Epinions和FilmTrust数据集上与其他代表性的推荐模型进行了对比,实验结果表明所提推荐模型预测误差明显优于其他模型,证明了所提推荐模型的有效性。