基于消极相似性的自适应社会化推荐

作者：周寅莹; 周允升; 余敦辉; 孙军

来源：计算机应用, 2022, 1-12.

• 社会化推荐
• 网络嵌入
• 消极相似性
• 自适应机制
• 矩阵分解

社会化推荐旨在融合社会关系来改善传统推荐算法的推荐效果。针对当前基于网络嵌入的社会化推荐算法面临的两个问题：一是在构建网络时未考虑对象间的不一致性，并且倾向于利用获取难度大、约束条件多的积极对象来约束算法；二是未能依据评分数量改善算法训练的过拟合。为此，提出一种基于消极相似性的自适应社会化推荐算法（ASRNS）。首先通过一致性分析构建具有正向相关性的同构网络；接着联合加权随机游走与Skip-Gram算法得到嵌入向量；然后计算相似度，从消极相似性的角度来约束矩阵分解算法；最后基于自适应机制将评分数量映射到理想评分数量区间，并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上进行实验，与协同用户网络嵌入算法（CUNE）、一致性邻居聚合推荐算法（ConsisRec）等相比，ASRNS的均方根误差至少分别降低了2.60%和5.53%，平均绝对误差至少分别降低了1.47%和2.46%。实验结果表明，ASRNS不仅可以有效降低评分预测误差，还能显著改善算法训练过程中的过拟合问题，对不同评分数量的对象都具有较好的健壮性。

• 单位
  湖北大学