基于用户评分习惯的无趣项识别及协同过滤方法

摘要

数据稀疏性和用户的选择偏差对协同过滤算法的推荐性能产生了负面影响，然而，现有的方法仅根据用户的评分信息进行加权矩阵分解，通过识别无趣项和使用统一的低值填充无趣项来缓解这些问题，而忽略了用户的评分习惯和项目质量差异.为了解决这一问题，提出一种基于用户评分习惯的方法，结合显式反馈和隐式反馈的优点，并采用多种低值填充的填充策略.该方法分为识别无趣项和填充无趣项两个阶段.首先，在识别无趣项阶段，利用显式反馈数据挖掘用户的评分习惯并结合隐式反馈数据来推测使用前偏好；其次，在无趣项填充阶段，引入项目质量的概念，并根据显式反馈数据将无趣项划分为低质量和高质量两部分，分别以不同的低值填充.在两个公开数据集上进行实验，结果表明，提出的方法在无趣项的识别和填充阶段都优于已有方法，显著改善了协同过滤算法在top-N推荐中的性能.

关键词

协同过滤 / 数据稀疏性 / 使用前偏好 / 推荐系统 / 选择偏差 / 无趣项

基金资助

国家自然科学基金（61902328）; 四川省自然科学基金（2025ZNSFSC0493）