基于隐式反馈和加权用户偏好的推荐算法

来源：计算机技术与发展杂志2024年第03期北京时间：

作者：夏翔;刘姜*;倪枫;陆劲宇

摘要：针对现有隐式反馈算法中正负样本划分不合理、忽略用户操作频次、无法准确建模用户偏好等问题,提出一种基于隐式反馈和加权用户偏好的推荐算法( IFW-LFM) 。 该算法考虑了用户操作频次与正负样本划分间的关系,学习并改进wALS 算法,根据用户操作频次从缺失值中重新挖掘潜在正负样本,将用户操作频次大于 1 时的样本设置为正样本,用户操作频次为 1 或 0 时的样本为正样本或负样本,不再需要人为引入负样本;根据用户操作频次对用户偏好程度的影响,定义了置信度,明确用户偏好,并将其应用在隐因子模型的框架中;利用用户收听歌曲起止时间、收听时长等隐式反馈数据,提高隐式反馈样本利用度。 在两个音乐数据集上的对比实验结果说明,该算法在准确率、召回率与 NDCG 值上与 5 个经典隐式反馈算法( UserCF、ItemCF、LFM 、BPR、SVD) 相比最大平均提升了 45. 81% ,83. 83% 和 60. 33% ,具有更优的推荐效果。

关键词：推荐算法;隐式反馈;操作频次;用户偏好;音乐推荐