公开(公告)号：CN110825978A

公开(公告)日：2020-02-21

申请号：CN201911026575.X

申请日：2019-10-26

Applicant: 复旦大学

Inventor： 卢暾 ,  石宛露 ,  顾宁 ,  李东胜 ,  张鹏

IPC: G06F16/9536

Abstract: 本发明属于用户兴趣偏好预测技术领域，具体为基于近邻用户特征共享的多任务协同过滤方法。本发明包括两个阶段：K近邻用户群生成阶段，尽可能地产生用户的K个最相似邻居用户；兴趣预测阶段，借助K近邻用户预测当前活跃用户对于未评价物品可能的评分情况；本发明基于相似用户具有相似兴趣的认知，借鉴多任务特征学习方法在处理稀疏数据的优势，先根据具有重要性的皮尔逊相似度确定用户的K近邻用户群，然后在近邻用户范围内对用户特征空间进行不同程度的局部分享，最终获取用于兴趣预测的协同过滤的特征参数。此方法采用相似用户的反馈数据即相似用户的兴趣偏好，来补充当前用户的兴趣特征，缓和了数据稀疏问题，提高了推荐预测的准确性。

公开(公告)号：CN110825978B

公开(公告)日：2023-04-07

申请号：CN201911026575.X

申请日：2019-10-26

Applicant: 复旦大学

Inventor： 卢暾 ,  石宛露 ,  顾宁 ,  李东胜 ,  张鹏

IPC: G06F16/9536

Abstract: 本发明属于用户兴趣偏好预测技术领域，具体为基于近邻用户特征共享的多任务协同过滤方法。本发明包括两个阶段：K近邻用户群生成阶段，尽可能地产生用户的K个最相似邻居用户；兴趣预测阶段，借助K近邻用户预测当前活跃用户对于未评价物品可能的评分情况；本发明基于相似用户具有相似兴趣的认知，借鉴多任务特征学习方法在处理稀疏数据的优势，先根据具有重要性的皮尔逊相似度确定用户的K近邻用户群，然后在近邻用户范围内对用户特征空间进行不同程度的局部分享，最终获取用于兴趣预测的协同过滤的特征参数。此方法采用相似用户的反馈数据即相似用户的兴趣偏好，来补充当前用户的兴趣特征，缓和了数据稀疏问题，提高了推荐预测的准确性。