Kolmogorov-Arnold网络驱动的评分与评论融合的推荐算法研究

摘要

在个性化推荐系统中，仅使用评分数据难以全面捕捉用户偏好，且评分数据较为稀疏.针对这一问题，本文提出了一种Kolmogorov-Arnold网络驱动的评分与评论融合的推荐算法.一方面，利用该网络可以更加准确的从评分矩阵中学习到用户和物品的潜在关系，另一方面，使用该网络微调后的BERT预训练模型可以优化对评论文本的理解，通过融合用户和物品评分及评论特征，可以缓解数据稀疏性.除此之外，本文在评分预测部分提出了两种优化组合策略对回归和分类的双重预测结果进行组合，进一步降低了预测误差.实验在Yelp、Amazon和TripAdvisor 3个公开数据集上进行，结果表明，所提出的算法在均方根误差和平均绝对误差指标上均优于现有领先算法.本文的研究揭示了，Kolmogorov-Arnold网络驱动的评分和评论融合的推荐算法可以缓解数据稀疏性，有效挖掘用户潜在偏好特征，提升个性化推荐的性能.

关键词

Kolmogorov-Arnold网络 / 用户偏好 / BERT / 个性化推荐