摘要
针对贝叶斯个性化排序算法未能充分应用用户的行为信息,导致算法在数据稀疏情况下推荐性能以及鲁棒性均大幅度降低的问题,提出了均值贝叶斯个性化排序(MBPR)算法,来进一步挖掘用户对隐式反馈信息的偏好关系.考虑到用户兴趣随时间变化的特征,又将遗忘函数引入MBPR算法中.该算法首先对用户的历史评分记录进行预处理;然后根据用户的评分信息对项目进行正负反馈的划分,对每名用户进行个性化建模,挖掘用户对未参与项目的喜好程度,生成推荐列表.为验证提出算法的推荐性能,在公开数据集MovieLens及Yahoo上进行分析和对比实验.实验结果表明该算法的推荐性能及鲁棒性较对比算法均有显著提高.
国家科技期刊平台
NSTL
维普
万方数据