通过深度学习在推荐系统中利用信任与不信任

用户偏好的数据稀疏性与冷启动问题在现实应用中频繁出现，并限制了协同过滤策略的推荐精度。利用社交朋友与敌人的选择可高效应对这两个问题。在本研究中，我们提出一种执行社交深度成对学习的策略。首先，我们设计了一个基于用户自身及其朋友与敌人的选择、融合多重排序准则的排序损失函数，以提升 top-k 推荐任务的精度。我们通过深度学习策略捕捉用户偏好与信任及不信任关系的社交信息之间的非线性关联。在每一次反向传播步骤中，我们遵循社交负采样策略以满足排序损失函数的多重排序准则。我们在来自 Epinions 的基准数据集上进行了综合实验，该数据集是相关文献中报道的最大公开可用数据集之一。实验结果表明，所提模型击败了其他最先进的方法，相较最具竞争力的模型取得了 11.49% 的平均提升。我们展示了我们的深度学习策略在捕捉用户偏好与信任及不信任关系社交信息间非线性关联中的重要作用，并论证了我们的社交负采样策略对所提模型的重要性。