基于不同搜索路径下成对随机游走的推荐算法

TP181; 推荐系统中用户-项目之间的交互及其他信息可以构成一个异构信息网络(HIN).传统基于HIN的推荐算法往往直接构建用户-项目间的异构信息网络,忽略了用户-用户以及项目-项目本身具有的相似性,所构建的网络不够完整,并且在计算节点关联性时鲜有考虑不同搜索路径下的不同关联性.为解决上述问题,提出一种考虑用户及项目本身相似性的HIN推荐算法.通过查找用户与项目之间更多的搜索路径,并考虑不同的搜索路径,引入深度学习中的随机游走(RW)来度量用户-项目节点之间的关联度,从而实现更加精确的推荐.将所提算法在公开的Movie Lens数据集上进行了实验,实验结果表明:相较于传统的协同过滤推荐算法以...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 4; pp. 1389 - 1396
Main Authors 耿秀丽, 牛璐
Format Journal Article
LanguageChinese
Published 上海理工大学管理学院,上海 200093 01.04.2024
Subjects
随机游走
random walk
HeteSim
heterogeneous information network
异构信息网络
推荐系统
mate path
元路径
recommendation system
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2021.0697

Cover

More Information
Summary:TP181; 推荐系统中用户-项目之间的交互及其他信息可以构成一个异构信息网络(HIN).传统基于HIN的推荐算法往往直接构建用户-项目间的异构信息网络,忽略了用户-用户以及项目-项目本身具有的相似性,所构建的网络不够完整,并且在计算节点关联性时鲜有考虑不同搜索路径下的不同关联性.为解决上述问题,提出一种考虑用户及项目本身相似性的HIN推荐算法.通过查找用户与项目之间更多的搜索路径,并考虑不同的搜索路径,引入深度学习中的随机游走(RW)来度量用户-项目节点之间的关联度,从而实现更加精确的推荐.将所提算法在公开的Movie Lens数据集上进行了实验,实验结果表明:相较于传统的协同过滤推荐算法以及基于HIN的推荐算法,基于不同搜索路径下成对随机游走的算法具有更高的推荐性能.
ISSN:1006-5911
DOI:10.13196/j.cims.2021.0697