整合基于邻居的方法与矩阵补全以增强推荐系统

《Scientific Reports》：Integrating neighborhood-based method and matrix completion for enhanced recommender systems

　　

摘要

推荐系统通过预测用户对特定商品的购买可能性，向用户交付个性化的商品推荐。推荐系统中最具挑战性的问题之一是评分稀疏性问题，其产生原因主要是用户初始偏好信息不足。为解决这一问题，我们提出了一种新颖的算法，该方法将基于邻居的方法与矩阵补全动态集成，从而即使在严重的数据稀疏条件下也能有效提升预测准确性。具体而言，我们利用余弦相似度识别Top-N近邻，在评分矩阵迭代补全过程中增强预测精度。此外，传统矩阵补全算法在扩展至大规模数据集或处理频繁新用户注册时往往存在较高的计算延迟。为解决这一计算瓶颈，我们提出了一种计算高效的算法改进方案，通过复用之前的计算结果而非从头开始重新计算来优化流程。实验结果表明，与现有的基线算法相比，所提出的算法在显著提升新用户偏好预测准确性的同时，仍保持了快速的执行速度。