用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型
托攻击是协同过滤推荐系统面临的重大安全威胁.研究可抵御托攻击的鲁棒协同推荐技术已成为日前的重要课题.本文在引入用户嫌疑性评估策略的基础上,通过将用户嫌疑性及项类属等元信息与贝叶斯概率矩阵分解模型相融合,提出了用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型(Metadataenhanced variational Bayesian matrix factorization,MVBMF),并设计了相应的模型增量学习策略.实验表明,与现有推荐模型相比,这种模型具备更强的攻击耐受力,能够有效提高推荐系统的鲁棒性.
协同过滤、托攻击、矩阵分解、变分推断、鲁棒线性回归
37
TP391.3(计算技术、计算机技术)
2012-02-21(万方平台首次上网日期,不代表论文的发表时间)
1067-1076