基于信念系统的上下文偏好协同度量框架
人工智能
2025-04-01 v1 机器学习
摘要
为了减少偏好度量过程中的人工干预，本文提出了一种基于更新信念系统的偏好协同度量框架，该框架还能够提高偏好度量算法的准确性和效率。首先，提出了规则距离和规则集平均内部距离，用于明确规则之间的关系。为了发现所有用户共有的最具代表性的偏好（即共同偏好），提出了一种基于规则集平均内部距离的算法——PRA 算法，旨在以最小信息损失率完成发现过程。此外，提出了共同信念的概念来更新信念系统，并将共同偏好作为更新信念系统的证据。然后，在信念系统下，利用所提出的信念度和偏离度来判断规则是否证实了信念系统，并将偏好规则分为两类（泛化或个性化），最终依靠信念度和偏离度筛选出 Top-K 有趣规则。在此基础上，提出了一种可扩展的有趣度计算框架，可应用各种公式以在不同条件下准确计算有趣度。最后，以加权余弦相似度和相关系数作为信念度，提出了 IMCos 算法和 IMCov 算法作为示例，以验证该框架的准确性和效率。在实验中，将所提出的算法与两种最先进的算法进行了比较，结果表明 IMCos 和 IMCov 在大多数方面优于另外两种算法。
引用
@article{arxiv.2503.24328,
title = {Contextual Preference Collaborative Measure Framework Based on Belief System},
author = {Hang Yu and Wei Wei and Zheng Tan and Jing-lei Liu},
journal= {arXiv preprint arXiv:2503.24328},
year = {2025}
}
备注
in Chinese language