融合模糊聚类和自适应去噪的推荐遗忘学习算法

作     者：王建芳 柴广文 陈艺卿 梁梦豪 罗军伟 

作者机构：河南理工大学软件学院 河南理工大学计算机科学与技术学院 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 081203[工学-计算机应用技术] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目（61972134） 河南理工大学创新型科研团队（T2021-3） 

主　　题：隐私保护 推荐 遗忘学习 模糊聚类 自适应去噪 

摘      要：隐私保护在推荐系统中具有至关重要的地位，因为它有助于保护用户的敏感信息免受泄露风险。近年来，推荐遗忘学习作为一种有效的隐私保护手段引起了越来越多的关注。现有方法为了提高模型的训练效率，通常将数据划分为子分区进行训练。然而，简单划分子分区会破坏用户-项目间的完整性，降低数据的可用性。此外，子分区中隐式反馈的假阳性噪声会干扰模型的训练，使其无法准确地捕捉用户的真实偏好。为解决上述问题，提出了融合模糊聚类和自适应去噪的推荐遗忘学习算法(FDRU)。首先，该算法使用模糊聚类来划分数据集，通过计算交互样本到各个聚类中心的余弦距离来确定隶属度，进而将训练集划分为若干个子分区。然后，FDRU设计了一种自适应去噪方法能够根据阈值动态地剔除子分区中的假阳性噪声。最后通过动态权重聚合子模型进行预测和Top-N推荐。为了验证提出算法的性能，在三个公开数据集上进行实验验证，实验结果表明，提出的算法在召回率和归一化折损累计增益上优于其他基准算法。