通过消除冗余相关性实现超精准个性化推荐

本文基于二分用户 - 对象网络的加权投影，引入了一种名为\emph{基于网络的推理} (NBI) 的个性化推荐算法，其精度高于经典算法，即\emph{协同过滤}。在 NBI 中，由特定属性产生的相关性可能在来自不同对象的累积推荐中被重复计算。通过考虑高阶相关性，我们设计了一种改进算法，能在一定程度上消除冗余相关性。我们在两个基准数据集\emph{MovieLens}和\emph{Netflix}上测试了该算法。与 NBI 相比，以排序得分为衡量标准的算法精度在\emph{MovieLens}上可进一步提高 23%，在\emph{Netflix}上提高 22%。本算法甚至优于需要更长计算时间的\emph{潜在狄利克雷分配}算法。此外，以往大多数研究仅考虑算法精度，本文认为多样性和流行度作为算法性能的两个重要指标也应被纳入考量。在精度大致相同的情况下，提供更高多样性和更低流行度的算法更为可取。数值结果表明，本算法在所有五个采用的指标上均能同时优于标准算法：在精度方面具有更低的排序得分和更高的精确率，在多样性方面具有更大的汉明距离和更低的内部相似度，以及在流行度方面具有更小的平均度。