邢玉莹,,

(江南大学 数字媒体学院,江苏 无锡 214122)

0 概述

随着信息技术的快速发展,推荐系统成为解决信息过载问题的重要工具之一。其中,个性化推荐[1]作为现代推荐系统的主流,在实际中被广泛应用,其根据用户行为来为用户提供个性化服务,以满足各类用户的不同需求。

协同过滤推荐算法是应用最广泛的推荐算法之一,它使用用户对物品的评分矩阵来训练推荐模型,然后进行预测并向用户推荐其感兴趣的事物或产品[2]。随着推荐系统数据量的不断增多,矩阵分解方法[3]成为获取用户特征和物品特征的重要技术,其核心设计思想是将高维评分矩阵分解成低维用户特征矩阵与物品特征矩阵的乘积。在已有研究中,基于矩阵分解的协同过滤算法是面向用户评分[4]的,但用户评分的来源和可靠性存在局限性,在很多场景中无法获得准确的用户评分[5]。

多数推荐系统收集到的数据是用户正向选择行为的记录,如购买记录、浏览历史等隐式反馈信息。用户在信息系统中无意留下的大量隐式反馈信息很容易被获得。但与用户评分相比,隐式反馈信息存在2个主要缺陷:只包含用户正倾向信息而缺乏负倾向信息,这类问题称为单类问题[6];存在数据噪声,如用户购买某物品作为礼物但用户自己不一定喜欢该物品。此外,隐式数据是用户日常行为的记录,数据稀疏性导致其存在大量缺失数据,在训练时,矩阵分解方法无法充分提取用户和物品特征。……