主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第9期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
陈碧毅,黄玲,王昌栋,景丽萍.融合显式反馈与隐式反馈的协同过滤推荐算法.软件学报,2020,31(3):794-805
融合显式反馈与隐式反馈的协同过滤推荐算法
Explicit and Implicit Feedback Based Collaborative Filtering Algorithm
投稿时间:2019-05-30  修订日期:2019-11-25
DOI:10.13328/j.cnki.jos.005897
中文关键词:  推荐系统  协同过滤  矩阵分解  显式反馈  隐式反馈
英文关键词:recommendation system  collaborative filtering  matrix factorization  explicit feedback  implicit feedback
基金项目:国家自然科学基金(61876193,61822601,61773050,61632004);广东省自然科学基金-杰出青年基金(2016A030306014);广东特支计划"科技创新青年拔尖人才"(2016TQ03X542);北京市自然科学基金(Z180006);国家重点研发计划(2017YFC1703506);中央高校基本科研业务费专项资金(2019JBZ110)
作者单位E-mail
陈碧毅 中山大学 数据科学与计算机学院, 广东 广州 510006  
黄玲 中山大学 数据科学与计算机学院, 广东 广州 510006 huanglinghl@hotmail.com 
王昌栋 中山大学 数据科学与计算机学院, 广东 广州 510006  
景丽萍 北京交通大学 计算机与信息技术学院, 北京 100044  
摘要点击次数: 974
全文下载次数: 1072
中文摘要:
      显式反馈与隐式反馈相结合,可以有效提升推荐性能.但是现有的融合显式反馈与隐式反馈的推荐系统存在未能发挥隐式反馈数据缺失值反映用户隐藏偏好的能力,或者未能保留显式反馈数据反映用户偏好程度的能力的局限性.为了解决这个问题,提出了一种融合显式反馈与隐式反馈的协同过滤推荐算法.该算法分为两个阶段:第1阶段利用加权低秩近似处理隐式反馈数据,训练出隐式用户/物品向量;第2阶段引入了基线评估,同时将隐式用户/物品向量作为补充,通过显隐式用户/物品向量结合,训练得出用户对物品的预测偏好程度.该算法与多个典型算法在标准数据集上进行了实验比较,其可行性和有效性得到验证.
英文摘要:
      The combination of explicit and implicit feedback can effectively improve recommendation performance. However, the existing recommendation systems have some disadvantages in integrating explicit feedback and implicit feedback, i.e., the ability of implicit feedback to reflect hidden preferences from missing values is ignored or the ability of explicit feedback to reflect users' preferences is not fully utilized. To address this issue, this study proposes an explicit and implicit feedback based collaborative filtering algorithm. The algorithm is divided into two stages, where the first stage deals with implicit feedback data by weighted low rank approximation to train implicit user/item vectors, and the second stage introduces a baseline estimate and uses the implicit user/item vectors as supplementaries to the explicit user/item vectors. Through the combination of explicit and implicit user/item vectors, the predictions of users' preferences for items can be obtained by training. The proposed algorithm is compared with several typical algorithms on standard datasets, and the results confirm its feasibility and effectiveness.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利