基于隐式反馈和加权用户偏好的推荐算法

针对现有隐式反馈算法中正负样本划分不合理、忽略用户操作频次、无法准确建模用户偏好等问题，提出一种基于隐式反馈和加权用户偏好的推荐算法(IFW-LFM)。该算法考虑了用户操作频次与正负样本划分间的关系，学习并改进wALS算法，根据用户操作频次从缺失值中重新挖掘潜在正负样本，将用户操作频次大于1时的样本设置为正样本，用户操作频次为1或0时的样本为正样本或负样本，不再需要人为引入负样本；根据用户操作频次对用户偏好程度的影响，定义了置信度，明确用户偏好，并将其应用在隐因子模型的框架中；利用用户收听歌曲起止时间、收听时长等隐式反馈数据，提高隐式反馈样本利用度。在两个音乐数据集上的对比实验结果说明，该算法在准确率、召回率与NDCG值上与5个经典隐式反馈算法(UserCF、ItemCF、LFM、BPR、SVD)相比最大平均提升了45.81%,83.83%和60.33%,具有更优的推荐效果。