科研之友
微信
新浪微博
Facebook
分享链接
摘要
个性化推荐是解决信息过载的有力工具,其根据用户在推荐系统中的历史行为,向用户推荐可能感兴趣的信息和商品。用户的行为记录可以分为显式反馈和隐式反馈。针对隐式反馈数据不能很好地反映用户偏好的问题,在BPR算法的基础上进行扩展,提出一种基于多种隐式反馈数据的商品推荐算法,采用更细粒度的偏序关系建立用户偏好。根据用户购买商品的次数和时间建立用户对已购买商品偏好的置信度;根据置信度建立用户对已购买商品之间的偏序关系。同时利用已购买商品间的偏序对和已购买商品与未购买商品间的偏序对训练目标模型,提高推荐算法的性能。在真实数据集上进行了仿真实验,将该算法和相关算法进行对比实验。实验表明,该算法具有更好的性能。
-
单位南京师范大学泰州学院
