科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前，对于推荐系统的研究主要集中在如何使用不同的辅助数据进行混合推荐，来缓解数据稀疏和冷启动问题，以提高推荐的准确性，而对于自然噪声的研究相对较少。针对自然噪声中项目的曝光偏差问题，提出一种基于知识感知的负采样策略。该方法利用用户对项目的隐式反馈和项目的知识信息来构建知识图谱，然后根据知识图谱中正例与负例之间共同的知识实体来对负例进行采样。通过设计一个奖励函数来衡量采样负例的质量，然后通过最大化累积奖励函数期望来优化采样器。采样以后，将用户正例和最佳负例一起输入到推荐器中，用于训练推荐模型。随后，将该采样方法与神经协同过滤结合起来，得到一种基于知识感知采样的神经协同过滤。此外，为了能够灵活地控制采样比，用逐点损失代替原来的成对损失来优化推荐器。在真实数据集上进行了广泛实验，验证了所提方法的有效性。
-
单位昆明理工大学; 自动化学院
