基于两阶段聚类与渐进式去噪的推荐遗忘学习算法

摘要

针对现有推荐遗忘学习方法采用数据子分区策略破坏了用户-项目交互完整性，且受隐式反馈中假阴性噪声干扰，导致推荐精度下降的问题，提出一种结合两阶段聚类与渐进式去噪的推荐遗忘学习算法。该算法利用K-means粗分形成初始簇结构，再通过谱聚类优化实现分区均衡与协作信息保留，基于课程学习逐步去除假阴性噪声降低训练干扰，并采用注意力机制自适应聚合子模型预测结果，实现高效且精确的推荐与遗忘。在公开数据集上的实验表明，与全量重训练、数据分片遗忘等方法相比，该方法在保证高效遗忘的同时，显著提升了推荐精度，且在Recall和归一化折损累计增益(NDCG)指标上也优于多种推荐基线模型。

关键词

模型遗忘 / 推荐系统 / 隐私保护 / 渐进式去噪