HI-Series算法：物质扩散算法与协同过滤的混合模型

推荐系统面临在准确性和多样性之间进行权衡的挑战，因为传统协同过滤（CF）和基于网络的扩散算法具有互补的局限性。虽然基于物品的协同过滤（ItemCF）通过物品相似性提升多样性，但牺牲了准确性。相反，质量扩散（MD）算法优先考虑准确性，通过偏好热门物品但缺乏多样性。为解决这一权衡问题，我们提出HI-Series算法，这些混合模型将ItemCF与基于扩散的方法（MD、HHP、BHC、BD）进行非线性组合，通过参数$\epsilon$进行控制。这种混合方法利用ItemCF的多样性和MD的准确性，扩展至高级扩散模型（HI-HHP、HI-BHC、HI-BD）以获得更佳性能。在MovieLens、Netflix和RYM数据集上的实验表明，HI-Series算法显著优于其基线模型。在稀疏数据（20%训练）情况下，HI-MD相较于MD在F1分数上提升0.8%-4.4%，同时保持更高的多样性（MovieLens上Diversity@20: 459 vs. 396）。在稠密数据（80%训练）时，HI-BD相较于BD在F1分数上提升2.3%-5.2%，多样性提升最高达18.6%。值得注意的是，混合模型在稀疏设置中始终提升新颖性，并在参数适应性方面表现稳健。这些结果表明，战略性的混合方法有效打破准确性-多样性权衡，为在不同数据稀疏度水平上优化推荐系统提供了灵活框架。