针对贝叶斯个性化排序(Bayesian Personalized Ranking, BPR)模型只考虑到用户单类反馈和用户偏好反映程度过低的问题，提出一种基于用户偏好置信度的增强贝叶斯个性化排序算法。通过量化获取各种反馈行为的权重，根据用户反馈行为的类型和时间计算用户偏好置信度，根据置信度建立用户对互动过的商品的偏序对。将该偏序对与用户对互动过的商品和未互动过的商品的偏序对结合，一起训练模型。在数据集中进行仿真实验，并与相关算法进行对比。实验结果表明该推荐算法具有较好的性能。
科研之友
微信
新浪微博
Facebook
分享链接
