基于隐式反馈和加权用户偏好的推荐算法 |
| |
引用本文: | 夏翔,刘姜,倪枫,陆劲宇.基于隐式反馈和加权用户偏好的推荐算法[J].计算机技术与发展,2024(3):140-146. |
| |
作者姓名: | 夏翔 刘姜 倪枫 陆劲宇 |
| |
作者单位: | 上海理工大学管理学院 |
| |
基金项目: | 国家自然科学基金资助项目(11701370); |
| |
摘 要: | 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。
|
关 键 词: | 推荐算法 隐式反馈 操作频次 用户偏好 音乐推荐 |
|
|