鲁棒的单类协同排序算法
单类协同过滤(One-class collaborative filtering, OCCF)问题是当前的一大研究热点。之前的研究所提出的算法对噪声数据很敏感,因为训练数据中的噪声数据将给训练过程带来巨大影响,从而导致算法的不准确性。文中引入了Sigmoid 成对损失函数和Fidelity 成对损失函数,这两个函数具有很好的灵活性,能够和当前最流行的基于矩阵分解(Matrix factorization, MF)的协同过滤算法和基于最近邻(K-nearest neighbor, KNN)的协同过滤算法很好地融合在一起,进而提出了两个鲁棒的单类协同排序算法,解决了之前此类算法对噪声数据的敏感性问题。基于Bootstrap 抽样的随机梯度下降法用于优化学习过程。在包含有大量噪声数据点的实际数据集上实验验证,本文提出的算法在各个评价指标下均优于当前最新的单类协同排序算法。
推荐系统、单类协同过滤、协同排序、隐式反馈、成对损失函数
国家自然科学基金61003140,61033010;中山大学高性能与网格计算平台资助@@@@Supported by National Natural Science Foundation of China61003140,61033010;High Performance and Grid Com-puting Platform of Sun Yat-sen University
2015-03-25（万方平台首次上网日期，不代表论文的发表时间）
共14页
405-418
