融合用户偏好和多交互网络的协同过滤算法①

刘锦涛,谢颖华

(东华大学 信息科学与技术学院,上海 201620)

随着信息和互联网技术的迅速发展,海量的网络信息资源使得用户难以在短时间内找到自己感兴趣的信息资源,这造成了信息过载问题[1],这种现象的出现严重影响了互联网的发展.推荐系统通过分析用户的历史行为来获得用户的兴趣偏好,从而进行定向的信息资源推荐[2,3],减少用户因筛选信息而消耗的时间,使得用户能够快速获取到于自己有用的信息资源的推荐.但随着用户数和项目数的激增,传统推荐算法面临着严重的数据稀疏问题.这一问题使得传统推荐算法计算出的用户相似度不够准确,推荐精度不高.因此,改进相似度计算方法、缓解数据稀疏性一直以来是推荐算法研究的重点[4-6].

王岩等将用户评分分值差异度和用户评分倾向相似性融入到传统的协同过滤算法中,并用项目评分的标准差改进皮尔逊相似性,综合用户兴趣和改进后的皮尔逊相似性得到更准确的用户相似度[7].Chen 等在余弦相似度和皮尔逊相似度的计算方法中引入平衡参数,利用平衡参数解决不同用户间评级尺度不同的问题,从而对这两种方法进行优化[8].随着深度学习的发展,使用深度学习缓解推荐系统的数据稀疏性问题得到了广泛地研究[9].目前基于深度学习的推荐模型主要是结合神经网络和矩阵分解思想,将用户和项目的独热编码(one-hot)作为模型的输入,通过嵌入层将稀……