基于协同训练与Boosting的协同过滤算法

来源：计算机应用杂志2023年第10期北京时间：

作者：杨晓菡, 郝国生, 张谢华, 杨子豪

单位：江苏师范大学 计算机科学与技术学院，江苏 徐州 221116

摘要：协同过滤（CF）算法基于物品之间或用户之间的相似度能实现个性化推荐，然而CF算法普遍存在数据稀疏性的问题。针对用户?物品评分稀疏问题，为使预测更加准确，提出一种基于协同训练与Boosting的协同过滤算法（CFCTB）。首先，利用协同训练将两种CF集成于一个框架，两种CF互相添加置信度高的伪标记样本到对方的训练集中，并利用Boosting加权训练数据辅助协同训练；其次，采用加权集成预测最终的用户评分，有效避免伪标记样本所产生的噪声累加，进一步提高推荐性能。实验结果表明，在4个公开数据集上，所提算法的准确率优于单模型；在稀疏度最高的CiaoDVD数据集上，与面向推荐系统的全局和局部核（GLocal-K）相比，所提算法的平均绝对误差（MAE）降低了4.737%；与ECoRec（Ensemble of Co-trained Recommenders）算法相比，所提算法的均方根误差（RMSE）降低了7.421%。以上结果验证了所提算法的有效性。

关键词：推荐算法,协同过滤,数据稀疏,协同训练,Boosting

基金资助：国家自然科学基金资助项目(62277030);江苏师范大学研究生科研与实践创新计划项目(2022XKT1536)