杨晓菡，郝国生，张谢华，杨子豪

基于协同训练与Boosting的协同过滤算法

杨晓菡，郝国生，张谢华*，杨子豪

（江苏师范大学 计算机科学与技术学院，江苏 徐州 221116）（ ∗ 通信作者电子邮箱6019980030@jsnu.edu.cn）

协同过滤（CF）算法基于物品之间或用户之间的相似度能实现个性化推荐，然而CF算法普遍存在数据稀疏性的问题。针对用户‒物品评分稀疏问题，为使预测更加准确，提出一种基于协同训练与Boosting的协同过滤算法（CFCTB）。首先，利用协同训练将两种CF集成于一个框架，两种CF互相添加置信度高的伪标记样本到对方的训练集中，并利用Boosting加权训练数据辅助协同训练；其次，采用加权集成预测最终的用户评分，有效避免伪标记样本所产生的噪声累加，进一步提高推荐性能。实验结果表明，在4个公开数据集上，所提算法的准确率优于单模型；在稀疏度最高的CiaoDVD数据集上，与面向推荐系统的全局和局部核（GLocal-K）相比，所提算法的平均绝对误差（MAE）降低了4.737%；与ECoRec（Ensemble of Co-trained Recommenders）算法相比，所提算法的均方根误差（RMSE）降低了7.421%。以上结果验证了所提算法的有效性。

推荐算法；协同过滤；数据稀疏；协同训练；Boosting

0 引言

面对网络中的海量信息，推荐系统能够帮助用户过滤信息，实现个性化推荐。协同过滤（Collaborative Filtering， CF）是构建个性化推荐系统的关键技术，它基于用户与物品的历史交互信息（包括显式的和隐式的）向用户推荐偏好物品。

在实际应用中，用户与物品的交互信息矩阵数据稀疏，改善数据稀疏性问题是推荐系统的一个重要内容。改善数据稀疏的方法主要有3种方法：偏好数据填补、基于多源信息的偏好预测和基于分歧的半监督学习。……