针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异...针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异化捕捉;其次构建用户-属性耦合结构,自适应调控扩散路径与强度,从而挖掘高阶协同信号并提升资源传递的灵活性;最后通过稳态解分析保证算法的收敛性。通过在Ciao等三个公开数据集上的实验显示,在MovieLens-1M数据集上,recall@N、precision@N和NDCG@N较最优基准模型分别提升了6.57%、7.03%和11.37%,其结果验证了AACD在缓解资源分配偏差问题和流行度偏移问题的有效性。展开更多
文摘针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异化捕捉;其次构建用户-属性耦合结构,自适应调控扩散路径与强度,从而挖掘高阶协同信号并提升资源传递的灵活性;最后通过稳态解分析保证算法的收敛性。通过在Ciao等三个公开数据集上的实验显示,在MovieLens-1M数据集上,recall@N、precision@N和NDCG@N较最优基准模型分别提升了6.57%、7.03%和11.37%,其结果验证了AACD在缓解资源分配偏差问题和流行度偏移问题的有效性。
