基于知识图谱用户偏好传播的实体推荐模型

将知识图谱作为辅助信息引入到推荐系统中,可以有效地增强推荐系统的学习能力,提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题,提出一种基于知识图谱用户偏好传播的实体推荐模型,目的是在传播偏好的同时兼顾传播强度,提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度,然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算,得到用户—项目对的偏好传播模型,最终通过排序学习进行top N推荐。最后,在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明,在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及F 1值,同时具有很强的灵活性和可解释性。

基于多维数据融合的影视推荐系统设计

为提升推荐系统对传统影视的准确率,结合传统推荐算法和电影海报数据的特点,提出通过CLR+Easy Ensemble+CNN对电影海报特征和用户特征等多维特征进行提取和融合,然后再进行电影推荐。结果表明,在MovieLens 1M数据集和Top_N准确率、Top_N召回率为指标下,提出的电影推荐算法取得较高的准确率,在Top_N=5时准确率可达64.7%,明显高于另外几种推荐算法。由此说明,构建的推荐方法可为用户提供更为准确的电影推荐。