改进的热传导和物质扩散混合推荐算法

doi:10.3969/j.issn.1000-3428.2017.03.041

计算机工程

改进的热传导和物质扩散混合推荐算法

杨卫芳¹,李学明 ¹,乔保学²

(1.重庆大学计算机学院,重庆 400044; 2.哈尔滨工业大学计算机科学与技术学院,哈尔滨 150001)

收稿日期:2016-02-04 出版日期:2017-03-15 发布日期:2017-03-15
作者简介:杨卫芳(1989—),女,硕士研究生,主研方向为数据挖掘、自然语言处理;李学明,教授、博士;乔保学,硕士研究生。
基金资助:
国家自然科学基金(60873200,90818028)。

Improved Hybrid Recommendation Algorithm with Heat Conduction and Mass Diffusion

YANG Weifang ¹,LI Xueming¹,QIAO Baoxue²

(1.College of Computer Science,Chongqing University,Chongqing 400044,China; 2.School of Computer Science and Technology,Harbin Institute of Technology,Harbin 150001,China)

Received:2016-02-04 Online:2017-03-15 Published:2017-03-15

摘要/Abstract

摘要： 针对经典的热传导推荐算法准确度低以及物质扩散推荐算法多样性低的问题,提出一种基于热传导和物质扩散的混合推荐算法。考虑用户活跃度对推荐算法的影响,通过引入可调参数θ调节用户活跃度对推荐效果的影响,实现资源的重新分配,进而获得更好的推荐结果。实验结果表明,当θ取得最优值时,相比改进前的热传导和物质扩散混合算法,该算法在Netflix数据集上,精确率和多样性分别提高了约5.81%和4.15%。在MovieLens数据集上,精确率和多样性分别提高了约5.08%和3.60%。

关键词: 协同过滤, 物质扩散, 用户活跃度, 混合推荐, 推荐算法

Abstract: For the problem of the classical Heat Conduction(HC) recommendation algorithm with low accuracy and the Mass Diffusion(MD) recommendation algorithm with low diversity,an improved hybrid recommendation algorithm based on HC and MD is proposed.Considering the influence of user activity on the recommendation algorithm,it introduces a tunable parameter θ to adjust the influence of user activity and reallocate resources so as to obtain better recommendation results.Experimental results show that the precision and diversity of the algorithm are increased by about 5.81% and 4.15% on the Netflix dataset,5.08% and 3.60% on the MovieLens dataset respectively,compared with the previous HC and MD hybrid algorithm,when parameter θ obtains optimal value.

Key words: collaborative filtering, Mass Diffusion(MD), user activity, hybrid recommendation, recommendation algorithm

中图分类号:

TP311

杨卫芳,李学明,乔保学. 改进的热传导和物质扩散混合推荐算法[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2017.03.041.

YANG Weifang,LI Xueming,QIAO Baoxue. Improved Hybrid Recommendation Algorithm with Heat Conduction and Mass Diffusion[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2017.03.041.

http://www.ecice06.com/CN/Y2017/V43/I3/247

参考文献

参考文献［1］Herlocker J L,Konstan J A,Terveen L G,et al.Evaluating Collaborative Filtering Recommender Sys-tems［J］.ACM Transactions on Information Systems,2004,22(1):5-53. ［2］徐蕾,杨成,姜春晓,等.协同过滤推荐系统中的用户博弈［J］.计算机学报,2016,39(6):1176-1189. ［3］Wu Menglun,Chang Chiahui,Liu Ruizhe.Integrating Content-based Filtering with Collaborative Filtering Using Co-clustering with Augmented Matrices［J］.Expert Systems with Applications,2014,41(6):2754-2761. ［4］Balabanovic′ M,Shoham Y.Fab:Content-based,Collaborative Recommendation［J］.Communications of the ACM,1997,40(3):66-72. ［5］Sarwar B,Karypis G,Konstan J,et al.Analysis of Recommendation Algorithms for E-commerce［C］// Proceedings of the 2nd ACM Conference on Electronic Commerce.New York,USA:ACM Press,2000:158-167. ［6］Changchien S W,Lu T C.Mining Association Rules Procedure to Support On-line Recommendation by Customers and Products Fragmentation［J］.Expert Systems with Applications,2001,20(4):325-335. ［7］Zhang Zike,Liu Chuang,Zhang Yicheng,et al.Solving the Cold-start Problem in Recommender Systems with Social Tags［J］.Europhysics Letters,2010,92(2):28002-28007. ［8］Zhou Tao,Ren Jie,Medo M,et al.Bipartite Network Projection and Personal Recommendation［J］.Physical Review E,2007,76(4):70-80. ［9］Zhou Tao,Jiang Luoluo,Su Riqi,et al.Effect of Initial Configuration on Network-based Recommendation［J］.Europhysics Letters,2007,81(5):15-18. ［10］Burke R.Hybrid Recommender Systems:Survey and Experiments［J］.User Modeling and User-adapted Interaction,2002,12(4):331-370. ［11］Zhou Tao,Kuscsik Z,Liu Jianguo,et al.Solving the Apparent Diversity-accuracy Dilemma of Recommender Systems［J］.Proceedings of the National Academy of Sciences,2010,107(10):4511-4515. ［12］Ghazanfar M A.Experimenting Switching Hybrid Recommender Systems［J］.Intelligent Data Analysis,2015,19(4):845-877. ［13］Guo Qiang,Song Wenjun,Hou Lei,et al.Effect of the Time Window on the Heat-conduction Information Filtering Model［J］.Physica A:Statistical Mechanics and Its Applications,2014,401(5):15-21. ［14］Zhang Yicheng,Marcel B,Yu Yikuo.Heat Conduction Process on Community Networks as a Recommendation Model［J］.Physical Review Letters,2007,99(15):12505-12508. ［15］Zhou Tao,Lü Linyuan,Zhang Yicheng.Predicting Missing Links via Local Information［J］.Physics of Condensed Matter,2009,71(4):623-630. 编辑刘冰

[1]	许凤, 杨兴耀, 于炯, 李梓杨, 李晨瑜, 张君. 小波卷积增强的对比学习推荐算法[J]. 计算机工程, 2023, 49(5): 105-111,121.
[2]	徐上上, 孙福振, 王绍卿, 董家玮, 吴田慧. 基于图神经网络的异构信任推荐算法[J]. 计算机工程, 2022, 48(9): 89-95,104.
[3]	苗雨欣, 宋春花, 牛保宁, 康瑞雪. 双通道图协同过滤推荐算法[J]. 计算机工程, 2022, 48(8): 121-128.
[4]	王燕, 范林, 赵妮妮. 利用门控网络构建用户动态兴趣的序列推荐模型[J]. 计算机工程, 2022, 48(8): 283-291.
[5]	胡承佐, 王庆梅, 李迪超, 王铮. 基于复杂结构信息的图神经网络序列推荐算法[J]. 计算机工程, 2022, 48(5): 82-90,97.
[6]	沈学利, 马玉营, 梁振兴. 融合复杂先验与注意力机制的变分自动编码器[J]. 计算机工程, 2022, 48(11): 55-61.
[7]	宋玉龙, 马文明, 刘彤彤. 融合用户信任度的概率矩阵分解群组推荐算法[J]. 计算机工程, 2022, 48(1): 105-111.
[8]	刘峰, 王宝亮, 邹荣宇, 赵浩淳. 基于随机游走的网络表示学习推荐算法[J]. 计算机工程, 2021, 47(9): 90-96,105.
[9]	贾俊杰, 刘鹏涛, 陈旺虎. 融合社交信息的矩阵分解改进推荐算法[J]. 计算机工程, 2021, 47(9): 97-105.
[10]	刘峰, 王宝亮, 潘文采. 基于网络表示学习与深度学习的推荐算法研究[J]. 计算机工程, 2021, 47(8): 54-61.
[11]	李昆仑, 于志波, 翟利娜, 赵佳耀. 基于注意力机制与改进TF-IDF的推荐算法[J]. 计算机工程, 2021, 47(8): 69-77.
[12]	陈恩华, 方宝富. 基于物品嵌入向量的会话型推荐算法[J]. 计算机工程, 2021, 47(7): 74-80.
[13]	张浩博, 薛峰, 刘凯. 基于半自动编码器的协同过滤推荐算法[J]. 计算机工程, 2021, 47(3): 125-130.
[14]	周运腾, 张雪英, 李凤莲, 刘书昌, 焦江丽, 田豆. Q-learning算法优化的SVDPP推荐算法[J]. 计算机工程, 2021, 47(2): 46-51.
[15]	杨粟森, 刘勇, 张举勇. 基于评论文本图表示学习的推荐算法[J]. 计算机工程, 2021, 47(11): 69-76.

选择文件类型/文献管理软件名称

选择包含的内容

改进的热传导和物质扩散混合推荐算法

Improved Hybrid Recommendation Algorithm with Heat Conduction and Mass Diffusion

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

改进的热传导和物质扩散混合推荐算法

Improved Hybrid Recommendation Algorithm with Heat Conduction and Mass Diffusion

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价