基于消极相似性的自适应社会化推荐 |
| |
作者姓名: | 周寅莹 周允升 余敦辉 孙军 |
| |
作者单位: | 1. 湖北大学计算机与信息工程学院;2. 湖北省教育信息化工程技术研究中心(湖北大学) |
| |
基金项目: | 国家自然科学基金资助项目(61977021)~~; |
| |
摘 要: | 社会化推荐旨在融合社会关系改善传统推荐算法的推荐效果。当前基于网络嵌入(NE)的社会化推荐算法面临两个问题:一是在构建网络时未考虑对象间的不一致性,并且倾向于利用获取难度大、约束条件多的积极对象来约束算法;二是这些算法未能依据评分数量消除算法训练中的过拟合。因此,提出一种基于消极相似性的自适应社会化推荐(ASRNS)算法。首先通过一致性分析构建具有正向相关性的同构网络;接着联合加权随机游走与Skip-Gram算法得到嵌入向量;然后计算相似度,并从消极相似性的角度来约束矩阵分解(MF)算法;最后基于自适应机制将评分数量映射到理想评分数量区间,并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上实验结果表明,与协同用户网络嵌入(CUNE)算法、一致性邻居聚合的推荐(ConsisRec)算法等算法相比,ASRNS的均方根误差(RMSE)分别至少降低了2.60%和5.53%,平均绝对误差(MAE)分别至少降低了1.47%和2.46%。可见,ASRNS不仅可以有效降低评分预测误差,还能显著改善算法训练过程中的过拟合问题,对不同评分数量的对象都具有较好的健壮性。
|
关 键 词: | 社会化推荐 网络嵌入 消极相似性 自适应机制 矩阵分解 |
|