传统协同过滤推荐系统在数据变化剧烈的情况下需要重新训练全部数据集,在大数据场景下产生巨大的计算开销。因此,提出一种考虑社交上下文和神经网络的增量协同过滤推荐算法。在预处理阶段将用户的个人社交档案、显式反馈信息和隐式反馈信息建模为序列格式的上下文,设计基于序列的相似性度量方法;将词嵌入模型和协同过滤系统结合,利用上下文预测用户偏爱的项目列表。实验结果表明,该算法的推荐结果实现了较好的排列满意度、新颖性和多样性,支持增量的系统更新处理。
科研之友
微信
新浪微博
Facebook
分享链接
