Recomendação com reconhecimento de confiança usando o modelo Deep Matrix Factorization

Resumo

Os Sistemas de Recomendação, uma ferramenta crítica no campo da filtragem de informações, passaram recentemente por extensa pesquisa e desenvolvimento tanto em instituições acadêmicas quanto em empresas. Mas a maioria dos sistemas de recomendação atuais enfrenta os seguintes problemas: (1) A enorme escala e os dados esparsos da matriz de itens do usuário precisam de uma impressão sobre a eficiência das recomendações. Portanto, a maioria dos sistemas de recomendação tem dificuldade para lidar com clientes que deixaram avaliações mínimas. Às vezes é discutido como uma questão de salto taciturno. (2) Os métodos de recomendação ortodoxos consideraram a independência e distribuição uniforme de todos os usuários. Esta presunção ignora quaisquer conexões de usuários, o que é inconsistente com as sugestões feitas no mundo real. Para representar de forma mais correta e realista os sistemas de recomendação, apresentamos um modelo com uma nova análise fatorial de confiança que leva naturalmente em consideração as preferências dos usuários e de seus amigos confiáveis. Portanto, a técnica de fatoração de matriz profunda (DMF) incorpora o impacto inequívoco de usuários confiáveis ​​na previsão de itens para um usuário ativo, com base em um algoritmo de recomendação de última geração, SVD++. Os resultados da investigação mostram que a nossa abordagem supera as competências de ponta neste contexto. Nossa pesquisa mostra que a modelagem de métricas de confiança melhora significativamente a precisão das sugestões, o erro médio absoluto (MAE), a raiz do erro quadrático médio (RMSE) e o parâmetro F-Measure, especialmente para usuários que estão apenas começando.