科研之友
微信
新浪微博
Facebook
分享链接
摘要
贝叶斯个性化排序（BPR）算法是隐式反馈问题中最具代表性的算法之一，但BPR算法中提出的用户间独立性假设和个人对2个项目的成对偏好假设都过于严格。GBPR算法重新定义了用户的个人偏好，并使用由志趣相投的多个用户形成的组偏好来代替个人偏好，以放宽用户间独立性的假设。DPR算法把偏序对作为基本单元来优化偏好间的差值而不是偏好的差值，以放宽个人对2个项目的成对偏好的假设。结合上述研究，本文提出e-GDPR算法，进一步提高用户对物品的偏好预测能力。该算法可以充分利用数据集中的用户信息（如性别、消费水平）和商品信息（如商品种类），把组偏好引入DPR算法并根据消费水平与性别对用户进行分组后随机抽样，以创建更具代表性的用户组，本文对采样方式进行改进，不再使用随机采样，而是随机抽取由同一种类的2个商品构成的三元组样本，并认为它们比随机选择的商品所组成的三元组样本更可靠。然后，引入隐式反馈偏好量化模型来计算用户的个人偏好，并能充分考虑隐藏在各种隐式操作类型背后的用户偏好。最终，在京东电商数据集上进行仿真推荐实验，实验结果表明与基线算法相比e-GDPR算法可以取得更好的推荐效果。
-
单位通信与信息工程学院; 南京邮电大学
