Recomendación basada en la confianza mediante un modelo de factorización matricial profunda

Resumen

Los sistemas de recomendación, una herramienta fundamental en el campo del filtrado de información, han sido objeto recientemente de una extensa investigación y desarrollo tanto en instituciones académicas como en empresas. Pero la mayoría de los sistemas de recomendación actuales luchan con los siguientes problemas: (1) La enorme escala de la matriz de elementos de usuario y los escasos datos necesitan una impresión sobre la eficiencia de las recomendaciones. Por lo tanto, la mayoría de los sistemas de recomendación tienen dificultades para tratar con clientes que han dejado calificaciones mínimas. A veces se habla de ello como una cuestión de salto taciturno. (2) Los métodos de recomendación ortodoxos consideraron la independencia y la distribución uniforme de todos los usuarios. Esta presunción ignora las conexiones de los usuarios, lo que es inconsistente con las sugerencias hechas en el mundo real. Para representar de forma más correcta y realista los sistemas de recomendación, presentamos un modelo con un nuevo análisis de confianza factorial que naturalmente tiene en cuenta las preferencias de los usuarios y sus amigos confiables. Por lo tanto, la técnica de factorización matricial profunda (DMF) incorpora el impacto inequívoco de los usuarios confiables en el pronóstico de elementos para un usuario activo, basándose en un algoritmo de recomendación de última generación, SVD++. Los resultados de la investigación muestran que nuestro enfoque supera las habilidades de vanguardia en este contexto. Nuestra investigación muestra que el modelado de métricas de confianza mejora significativamente la precisión de las sugerencias, el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el parámetro de medida F, especialmente para los usuarios que recién están comenzando.