加入標簽遷移的跨領域項目推薦算法
摘要：大多數推薦算法常采用基于遷移學習的跨領域推薦技術,借助輔助領域的豐富數據信息來解決傳統單域推薦中普遍存在的數據稀疏等問題。但若遷移的知識比較單一,沒有結合用戶行為,則往往會在目標領域導致負遷移、推薦結果不佳等問題。因此,考慮結合其他知識來輔助完成目標領域的學習任務。利用用戶異構行為改善推薦結果,正是近年來的新興研究熱點之一。在用戶數據中,標簽與用戶的真實偏好相關,通常能夠反映用戶或項目的部分隱式特征。通過結合遷移學習及用戶標簽數據,文中提出了基于標簽遷移的跨領域項目推薦算法ITTCF(Item-based Tag Transfer Collaborative Filtering)。該算法摒棄了在跨領域遷移推薦中僅對評分模式進行挖掘遷移的單一輔助方式,將用戶行為反饋與數字評分相結合,融合了評分模式和標簽這兩種異構用戶行為。在多個數據集中的實驗結果均表明,ITTCF具有更好的RMSE和MAE值,較傳統算法分別提升了1.61%~6.67%和1.97%~8.83%。
注: 保護知識產權,如需閱讀全文請聯系計算機科學雜志社
相關推薦
更多
