一个新的针对新颖性和多样性推荐的矩阵分解模型（英文）

作者：赵鹏; 彭甫镕; 崔志华^*; 荆雪纯; 任珂舟

来源：山西大学学报(自然科学版), 2020, 43(04): 746-755.

DOI：10.13451/j.sxu.ns.2020061

• 推荐算法
• 新颖性
• 多样性
• 矩阵分解

为了吸引用户,最新的推荐算法注重于所推荐物品的新颖性和推荐列表的多样性。而传统的基于协同过滤的推荐算法只专注于提高准确性使得推荐的物品列表种类单一,因此在保持准确性的同时寻找新颖多样的物品列表成为研究热点。大多数现有研究提出的模型分为两阶段:先优化准确率后优化多样性。由于优化目标(多样性和准确性)的冲突,两阶段优化模型只能在牺牲准确性的情况下生成多样化的推荐列表。因此,文章提出了一个新的矩阵分解模型,该模型可以同时优化新颖性、多样性和准确性三个目标。此外,还设计了两个新的约束项:第一个约束项使目标用户的隐因子向量接近那些对长尾物品评过分的用户的平均隐因子向量,从而提高了推荐的新颖性;另一个约束项使每个物品的隐因子向量接近所有物品隐因子向量的均值,从而使推荐列表多样化。为了验证所提模型的有效性,我们在Movielens100K,Epinions和Rym数据集上进行了综合实验。实验结果表明,在准确性、系统多样性、个体多样性和新颖性方面,所提模型均具有卓越的性能。

• 单位
  山西大学; 太原科技大学