基于内容的加权粒度序列推荐算法

计算机工程与科学

• 论文 • 上一篇

基于内容的加权粒度序列推荐算法

王光，张杰民，董帅含，夏帅

（辽宁工程技术大学软件学院,辽宁葫芦岛 125105）

收稿日期:2016-07-01 修回日期:2016-10-25 出版日期:2018-03-25 发布日期:2018-03-25
基金资助:
国家自然科学基金(61401185)

WANG Guang，ZHANG Jiemin，DONG Shuaihan，XIA Shuai

（School of Software,Liaoning Technical University，Huludao 125105，China）

Received:2016-07-01 Revised:2016-10-25 Online:2018-03-25 Published:2018-03-25

摘要/Abstract

摘要：

为了提高个性化推荐系统的准确率，提出了一种基于内容的加权粒度序列推荐算法。通过分析项目属性关系将项目粒度化，计算每个粒度的贡献度得到项目特征矩阵。再根据用户行为信息生成用户粒度序列并进行粒度映射，利用Apriori算法提取出用户偏好矩阵。最后将项目特征矩阵和用户偏好矩阵做乘积运算，其结果代入改进的sigmoid函数中进行喜好概率预测，从而完成TopN项目推荐。实验选取MovieLens数据集，结果表明基于内容的加权粒度序列的推荐算法准确率达到72.27%，高于当前流行的推荐算法;在效率方面,推荐时间少于相同用户数量下的协同过滤推荐算法；综合测度评分为0.393，充分验证了算法的整体性能优于其他推荐算法。

关键词: 推荐系统, 加权粒度序列, 贡献度, 粒度映射, 偏好矩阵

Abstract:

In order to improve the accuracy of personalized recommendation system, a contentbased weighted granularity sequence recommendation algorithm is proposed. The item is turned to be granularities by analyzing the relationship between the item properties. The item characteristic matrix is obtained by calculating the contribution degree of each granularity. Then, according to the information of user behaviors, the user granularity sequence is generated and the granularity mapping is performed. The user preference matrix is extracted by using Apriori algorithm. Finally, the item characteristic matrix is multiplied by the user preference matrix, and the result is introduced into the improved sigmoid function to predict the preference probability, thus completing the TopN item recommendation. Experiments on MovieLens dataset show that the contentbased of weighted granularity sequence recommendation algorithm achieves an accuracy rate of 72.27%, which is higher than the accuracy rate of the current popular recommendation algorithms. In terms of efficiency, its recommended time is less than that of the collaborative filtering recommendation algorithm with the same number of users. The F1score is 0.393, fully verifying that the overall performance of the proposal is better than that of other recommendation algorithms.

Key words: recommendation system, sequence of weighted granularity, degree of contribution, granularity mapping, preference matrix

王光，张杰民，董帅含，夏帅. 基于内容的加权粒度序列推荐算法[J]. 计算机工程与科学.

WANG Guang，ZHANG Jiemin，DONG Shuaihan，XIA Shuai. null[J]. Computer Engineering & Science.

[1]	高玮蔚, 刘杨, 马慧芳, 唐月晨. 基于增强偏好影响力的图注意力网络推荐算法[J]. 计算机工程与科学, 2023, 45(07): 1300-1307.
[2]	王玫申, 张鹏, 薛乐洋, . 基于二分网络的长期推荐[J]. 计算机工程与科学, 2023, 45(04): 691-700.
[3]	罗可劲, 刘广聪, 杨文浩. 基于多任务学习的图神经网络推荐模型研究[J]. 计算机工程与科学, 2023, 45(04): 726-733.
[4]	张若一, 金柳, 马慧芳, 王亦可, 李清风. 融合相似用户影响效应的知识图谱推荐模型[J]. 计算机工程与科学, 2023, 45(03): 520-527.
[5]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[6]	贾俊杰, 姚叶旺, 陈旺虎. 基于非负矩阵分解的群组推荐算法[J]. 计算机工程与科学, 2022, 44(05): 933-943.
[7]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[8]	顾军华, 佘士耀, 樊帅, 张素琪. 基于用户长短期兴趣与知识图卷积网络的推荐[J]. 计算机工程与科学, 2021, 43(03): 511-517.
[9]	陈海涵, 吴国栋, 李景霞, 王静雅, 陶鸿. 基于注意力机制的深度学习推荐研究进展[J]. 计算机工程与科学, 2021, 43(02): 370-380.
[10]	杨丰瑞, 李前洋, 罗思烦, . 一种基于降噪自编码器的隐式反馈推荐算法[J]. 计算机工程与科学, 2020, 42(08): 1500-1505.
[11]	杨丰瑞, 李前洋, 罗思烦, . 基于降噪自编码器的社会化推荐算法[J]. 计算机工程与科学, 2020, 42(05): 944-950.
[12]	陈鑫1，王斌1，曾范清2. 商品搭配大数据推荐方法研究综述[J]. 计算机工程与科学, 2020, 42(01): 36-45.
[13]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[14]	杨丰瑞1,2,3，吴晓浩1,2，万程峰1,2. 结合信任度和项目关联的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2048-2054.
[15]	吴国栋1,2，宋福根1，涂立静2，史明哲2. 基于改进CNN的局部相似性预测推荐模型[J]. 计算机工程与科学, 2019, 41(06): 1071-1077.

基于内容的加权粒度序列推荐算法

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价