关注长尾物品的推荐方法

摘要

针对推荐系统算法中覆盖率和多样性偏低所带来的长尾问题,提出了一种长尾物品的推荐框架以及关注长尾物品的推荐算法FLTI。长尾物品的推荐框架是基于卷积神经网络(CNN)模型构建的,分为数据处理层、推荐算法层和推荐列表生成层。将FLTI算法加入到了框架中的推荐算法层,该算法首先计算了频繁推荐项以及非频繁推荐项,然后采用使用长尾物品替换频繁推荐项的方法来满足系统中指定的长尾比例。实验结果表明,在Movielens 1M和BookCrossing数据集上,FLTI算法比传统的基于用户的协同过滤(UserCF)算法、基于物品的协同过滤(ItemCF)算法、奇异值分解(SVD)推荐算法以及协同去噪自动编码(CDAE)算法在覆盖率指标上最多提高了51%,多样性指标上最多提高了59%。