科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统推荐算法过度关注推荐的准确率，会导致热门项目推荐率居高不下，而冷门项目长期不被人们关注，这就是经典的长尾问题。针对该问题，本文提出一种基于欧氏距离构建二维加权相似度和融入自适应群组重排的多目标优化推荐模型AGRS,AGRS可解决在稀疏样本和长尾样本上难以选择有效相似用户的困难，从而改进长尾推荐问题。AGRS通过设定简明有效的目标函数、根据个体行为历史偏好自适应调节替换比例解决复杂目标函数和结构带来高时间复杂度和训练速度慢的问题，并兼顾推荐的准确率和覆盖率。在Movielens和Yahoo数据集上进行实验，结果表明AGRS模型的覆盖率在两个数据集上的表现都优于其他算法，其中与基于用户的协同过滤算法（UserCF）、基于物品的协同过滤算法（ItemCF）相比，AGRS的覆盖率提升10个百分点；与用于Top-N推荐的具有浅并行路径的深度变分自动编码器（VASP）相比，提升了20个百分点。AGRS的推荐平均流行度在Yahoo数据集中比其他算法更低，在Movielens 1M也处于中上水平，与UserCF、ItemCF相比，AGRS的流行度都提升了1个百分点。
- 单位
