基于自适应群组重排的长尾推荐模型

作     者：金苍宏 邵育华 何琴芳 JIN Canghong;SHAO Yuhua;HE Qinfang

作者机构：浙大城市学院城市大脑研究院杭州310015 浙大城市学院计算机与计算科学学院杭州310015 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第4期

页      面：1122-1128页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：浙江省重点研发计划项目(2021C02060,2021C01164) 浙江省自然科学基金资助项目(LY21F020003) 浙大城市学院科研培育基金资助课题(X-202206) 

主　　题：长尾推荐 自适应重排 多目标优化 有效用户群组 行为决策模型 

摘      要：针对传统推荐算法过度关注推荐的精度而导致的长尾问题,即热门项目拥有过高的推荐量的同时非热门项目长时间不被关注,提出一种基于欧氏距离构建二维加权相似度并融入自适应群组重排的多目标优化推荐模型(MDOM)——自适应群组重排的推荐模型(AGRM)。首先,利用欧氏距离构建二维加权相似度度量,根据个体历史行为记录动态设定替换比例,并利用融入群组的多目标优化算法解决长尾推荐问题;其次,设计两个简明的目标函数,并同时考虑流行度和长尾关注度,以降低目标函数的复杂性;然后,基于二维加权相似度度量,选择用户子集作为“最佳推荐用户组,并计算帕累托最优解。在MovieLens 1M和Yahoo数据集上的实验结果表明,AGRM的覆盖率表现最优,与基于物品相似的协同过滤(ItemCF)算法相比,分别平均提升了4.11、25.38个百分点;与用于Top-N推荐的具有浅并行路径的深度变分自动编码器(VASP)模型相比,分别平均提升了8.38、33.19个百分点。在Yahoo数据集上,AGRM的推荐的平均流行度最低,表明AGRM能够推荐更多长尾项目。