基于多重相似度和CatBoost的个性化推荐

摘要：

针对历史数据稀疏性导致推荐算法预测精度低的问题,提出基于多重相似度分析和CatBoost的推荐算法.利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合;采用大规模信息嵌入网络(large-scale informa-tion network embedding,LINE)对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集;以此作为CatBoost的输入预测项目评分并利用Top-N推荐项目.为验证其有效性,在MovieLens数据集上进行实验并与其它方法对比.实验结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性导致的推荐质量低的问题.

关键词：个性化推荐、集成学习、元数据、数据融合、相似度、修正的余弦相似度函数、大规模信息嵌入网络

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;广西重点研发基金项目;广西研究生教育创新计划基金项目;广西创新驱动重大专项基金项目;广西八桂学者专项经费基金项目;广西高等学校千名中青年骨干教师培育计划基金项目

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2687-2693