科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】提出一种基于时序漂移的潜在因子分解模型，捕捉用户兴趣趋势特征以提升推荐准确度。【方法】结合用户偏好的时序动态演化以及用户过去行为对当前行为的影响关系进行建模，通过构建辅助矩阵捕捉用户两个时期之间演变关系，引入时间影响因子平衡当前和过去行为的影响。【结果】在三个实验数据集中和基线方法对比测试，精确度最大提高40.02个百分点，最少提高3.75个百分点，平均提高19.81个百分点，证明了本算法的有效性。【局限】由于兴趣漂移演变分析依赖用户历史数据，当历史数据量过于稀疏时需采用用户其他信息进行冷启动。【结论】本文模型对兴趣波动特征的泛化能力更强、用户兴趣演变趋势分析和推荐更准确，能够有效提升企业推荐性能。
- 单位
