基于属性耦合的物品增强矩阵分解推荐系统技术

推荐系统因有助于用户缓解信息过载问题而备受关注。矩阵分解技术因其在处理超大规模用户 - 物品评分矩阵方面的有效性和高效性，成为推荐系统研究中最广泛采用的协同过滤技术之一。近年来，基于额外信息能为矩阵分解技术提供有用洞察的直觉，几种推荐算法利用额外信息提升了矩阵分解方法的性能。然而，大多数研究专注于解决冷启动用户问题，而忽视了冷启动物品问题。此外，对于这些内容增强的矩阵分解方法，缺乏合适的相似度度量来计算类别物品之间的相似度。在本文中，我们提出了一种基于属性耦合的物品增强矩阵分解方法，通过将物品属性信息纳入矩阵分解技术，并采用耦合对象相似度来捕捉物品间的关系。物品属性信息被构造成物品关系正则化项，以正则化矩阵分解过程。具体而言，物品间的相似度通过考虑物品间耦合的耦合对象相似度进行度量。在两个真实数据集上的实验结果表明，我们提出的方法优于最先进的推荐算法，并且在有更多物品属性信息可用时，能有效应对冷启动物品问题。