如何使用评分可靠性进行跨域个性化推荐方法的介绍.pdf

在跨域推荐系统中，存在某些用户对所购买的物品进行随意评分的情况。由于对物品进行随意评分的用户的数量较少，当该物品的评分数量较多时随意评分对推荐效果的影响较小，但是当该物品的评分数量较少时，随意评分会对推荐效果产生较大的影响。针对这个问题，提出一种基于评分可靠性的跨域个性化推荐方法。该方法针对不同的评分可靠性，为用户设置不同的阈值。当将辅助域的数据向目标域迁移时，如果用户进行评分的某物品的评分数量低于该用户的阈值，则不将该用户对该物品的评分数据迁移到目标域，否则进行迁移，以此减少随意评分对推荐效果的影响。实验结果表明，整体上，与为所有用户设置统一的阈值和不为用户设置阈值的跨域推荐相比，所提方法具有更高的预测评分的准确度。   近几十年来，随着互联网的快速发展，人们能够获取的信息越来越多，但是用户在面对数量庞大、内容丰富的信息的同时，对如何获取自己真正想要的信息存在着困惑，因此，大量以个性化推荐为代表的过滤网络工具应运而生。目前个性化推荐领域大多数研究人员主要研究单领域推荐，如Netflix和Last．fm。单领域推荐往往存在数据稀疏和冷启动两大主要问题，使得用户的个性化推荐效果不理想。如何整合多个不同域中的数据来实现用户精准推荐已成为近来个性化推荐的研究热点。   推荐系统如何根据用户对一类信息（或物品）的喜好，向其推荐其他类型的信息（或物品），被称为跨域推荐。在跨域推荐中存在随意评分的用户，例如，有的用户即使对购物过程不满意，但因为好评返红包等原因仍对物品给出较高的评分；而有的用户即使对购物过程满意，因为心情不好等原因对物品给出较低的评分。当该物品的评分数量较少时，随意评分使得该物品的评分并不能准确表现出用户的偏爱，从而对推荐结果的准确性产生较大的影响。