|
|||||
|
|
| 基于隐式偏好的多目标推荐算法研究 | |
| 作者姓名： | 陈宏 王丽萍 翁杭立 祝俊毅 郭海东 |
| 作者单位： | 1. 浙江工业大学教育科学与技术学院;2. 浙江工业大学管理学院;3. 浙江工业大学计算机科学与技术学院 |
| 摘 要： | 推荐的准确性(accuracy)和多样性(diversity)是推荐算法研究的二个重要指标，能够最大程度地满足用户的喜好.然而，基于准确性的推荐将导致推荐结果过于聚焦集中在某类特征上，使得多样性降低，导致用户选择的广度不足而整体效果不佳.针对推荐算法的两个指标之间的平衡以满足用户的需求，本文采用最大预测评分和最大内部相似度差异的两目标模型，选取极值点和膝点为隐式偏好，利用隐式偏好改进推荐方案搜索优化策略，提出了一种基于隐式偏好的多目标推荐算法.该算法利用切比雪夫距离在迭代过程中对偏好点动态标定，以引导个体收敛于隐式偏好区域，得到具有不同偏好的推荐方案.在Movielens和Netflix数据集上实验结果表明，与Item-based协同过滤推荐算法相比，该算法的推荐结果在确保准确率性能情况下多样性平均提升了38%和33.4%,新颖度平均提升了58.6%和125.4%,降低了多目标推荐算法的复杂度，有效解决了实际应用问题. |
| 关 键 词： | 推荐算法 准确性 多样性 多目标优化 隐式偏好 切比雪夫距离 |