增量斜率一推荐

基于协作筛选（CF）的推荐器的工作原理是，通过参考其他用户的观察到的偏好来估计用户对未观察到的商品的潜在偏好。 斜率一，作为著名的CF推荐器，由于其a。可以针对用户的潜在偏好提供具有竞争力的预测精度，b）高计算效率，以及c）易于实现，因此在工业应用中被广泛采用。 但是，当前基于斜率一的算法都是为静态数据集设计的，这与动态数据集主要涉及的实际情况相矛盾。 本文着重于设计能够解决动态数据集的增量斜率一推荐器，从而在不重新训练整个模型的情况下立即反映出它们的变化。 为此，我们仔细分析了基于.slope-one的推荐器的参数训练过程，以设计用于反映动态环境中数据增量的相关参数的增量更新规则。 提出了三种增量斜率一推荐器，包括增量斜率一，增量加权斜率一和增量双极性斜率一。 在两个大的真实数据集上的实验结果表明，所提出的增量斜率一。推荐值可以正确地反映动态数据集的增量，并且具有较高的计算效率。