带有均匀性约束和重要性均衡的基于原型的推荐方法

摘要

基于原型的推荐算法可以通过学习一组代表典型偏好或共性特点的用户原型(或物品原型)表示，以及用户(或物品)与原型之间的关联强度，实现可解释的推荐。然而，现有算法忽视了原型表示之间的差异性以及不同原型之间的负载均衡，不能充分释放模型的表达能力。因此，以ProtoMF为基础，提出一种带有均匀性约束和重要性均衡的基于原型的推荐方法ProtoMF++。该方法在用户原型(或物品原型)之间添加均匀性约束，通过最小化原型表示之间的平均成对高斯势的对数，提升原型表示之间的差异性；另外，将每个原型与所有用户(或物品)的累计关联强度视作其负载重要性，通过最小化各个原型的负载重要性的变异系数，实现不同原型之间的重要性均衡。在3个基准数据集上进行实验，结果表明ProtoMF++的推荐效果优于现有基于原型的推荐方法，在Baby数据集上，HitRatio@10和NDCG@10指标值分别提升4.74%和10.64%。

关键词

推荐系统 / 原型表示 / 均匀性约束 / 重要性均衡