利用莱顿（Leiden）的社区资源，结合矩阵分解技术提升协同过滤效果

《Scientific Reports》：Leveraging Leiden communities for enhanced collaborative filtering with matrix factorization techniques

　　

摘要

个性化推荐系统对于向用户提供定制化内容至关重要，能够显著提升他们在各种平台上的使用体验。其主要目标是根据用户的偏好提供精准的推荐结果。基于矩阵分解方法的协同过滤技术在实际应用中展现了其有效性。然而，随着数据集规模不断扩大且结构日益复杂，可扩展性和推荐效果方面的挑战也随之增加。为了解决这些问题，本研究提出了一种新的策略，将矩阵分解技术与莱顿社区检测（Leiden community detection）相结合，以提高推荐系统的可扩展性和推荐质量。该方法的具体步骤如下：（1）将评分数据集表示为二分图；（2）识别图中的社区结构；（3）提取特定社区的评分矩阵并同时应用矩阵分解方法；（4）整合预测得到的评分矩阵，并通过性能指标评估推荐效果。研究采用了多种矩阵分解方法（包括MF、SVD++和FANMF），并与莱顿社区检测算法协同使用。通过在多个数据集上的测试验证了该方法的有效性，结果表明该方法在推荐效果上取得了显著提升，特别是在RMSE、MSE和MAE等误差指标上有所降低。这种新方法不仅提高了推荐的质量，还提升了计算效率，使其成为实际场景中扩展推荐系统的有效解决方案。