李旭军,殷 孜,吕 强
(常州工学院 经济与管理学院,江苏 常州 213032)
协同过滤(collaborative filtering)推荐算法已被广泛地应用于电子商务、移动互联网、知识管理、客户关系管理等众多实践场景[1-4]。挖掘用户行为的时间上下文信息精准刻画产品间的相似度应用于协同过滤算法的构建是提升推荐系统性能的关键。文献[5]考虑用户属性,从用户评价时间出发,线性逐步减少每项评分的重要性,即依据用户评价时间距离当前时间的差距,依次惩罚每项的评分值;文献[6]借鉴艾宾浩斯遗忘曲线跟踪用户的兴趣变化,提出基于时间窗口的权重函数,修正了项目相似度的计算公式。文献[7]基于人类记忆理论,构建负指数衰减函数模仿人类在长期记忆中对物品的使用方式,根据用户过去(基本激活)和当前语义上下文(关联组件)的使用频率和近似值来估计标签的重用概率。文献[8]通过在递归神经网络(RNN)模型中融合用户行为的时间上下文信息以提升推荐系统的性能。
现有成果虽有效地提升了推荐效果,但还存在一定的局限性:一是存在参数过拟合、系统的鲁棒性较差等问题;二是文献[9]指出运用负指数衰减函数刻画用户行为的变化规律不能客观反映真实情况。基于此,本文运用反事实思维,构建基于反事实推理的时间上下文协同过滤推荐算法。
融合用户行为的时间上下文信息,构建基于产品的协同过……