面向兴趣点推荐系统的自然噪声过滤算法

作者：朱俊^*; 韩立新; 宗平; 徐逸卿; 夏吉安; 唐铭

来源：计算机科学, 2023, 50(11): 132-142.

• 推荐系统
• 兴趣点推荐
• 自然噪声
• 不确定性
• 离散度
• 聚类

推荐系统源数据中存在着固有的自然噪声，给推荐算法带来了误差与干扰。现有研究更加关注以各类安全攻击为代表的恶意噪声，仅有少数文献针对更为隐蔽、更难处理的自然噪声进行研究，且这些研究几乎都集中在传统推荐领域。在兴趣点推荐场景中，无论是源数据特征，还是自然噪声的产生原因和表现方式，均与传统推荐领域有较大差别。针对兴趣点推荐系统中的自然噪声，提出了基于离散特征量化与聚类距离分析的自然噪声过滤算法NFDC。该算法定义并计算用户签到数据的离散度，量化数据驱动的不确定性，利用推荐算法的准确度(F1值)量化预测驱动的不确定性，深入挖掘两者之间的相关性，构建经验模型，推导潜在自然噪声比例；采用模糊C均值聚类方法分析用户行为模式的相似性，在聚类距离分析的基础上筛选可疑噪声，并自定义噪声验证规则，删除真正的自然噪声。在两个真实的位置社交网络数据集(Brightkite和Gowalla)中，分别采用NFDC算法和其他4种基准方法对源数据进行预处理，将处理后的数据集分别输入到5类代表性的兴趣点推荐算法中，对比不同的降噪技术对提升各类兴趣点推荐算法准确性的影响程度。实验结果表明，NFDC算法能够有效降低系统源数据中的自然噪声，为后续的推荐算法提供可靠的输入。与其他降噪数据集中的最高推荐精度相比，各类推荐算法在NFDC处理后的Brightkite和Gowalla数据集中的准确度分别平均提高了15.95%和5.00%。