• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

一种面向多源异构数据的协同过滤推荐算法

吴宾, 娄铮铮, 叶阳东

吴宾, 娄铮铮, 叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. DOI: 10.7544/issn1000-1239.2019.20180461
引用本文: 吴宾, 娄铮铮, 叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. DOI: 10.7544/issn1000-1239.2019.20180461
shu
Wu Bin, Lou Zhengzheng, Ye Yangdong. A Collaborative Filtering Recommendation Algorithm for Multi-Source Heterogeneous Data[J]. Journal of Computer Research and Development, 2019, 56(5): 1034-1047. DOI: 10.7544/issn1000-1239.2019.20180461
Citation: Wu Bin, Lou Zhengzheng, Ye Yangdong. A Collaborative Filtering Recommendation Algorithm for Multi-Source Heterogeneous Data[J]. Journal of Computer Research and Development, 2019, 56(5): 1034-1047. DOI: 10.7544/issn1000-1239.2019.20180461
shu
吴宾, 娄铮铮, 叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. CSTR: 32373.14.issn1000-1239.2019.20180461
引用本文: 吴宾, 娄铮铮, 叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. CSTR: 32373.14.issn1000-1239.2019.20180461
shu
Wu Bin, Lou Zhengzheng, Ye Yangdong. A Collaborative Filtering Recommendation Algorithm for Multi-Source Heterogeneous Data[J]. Journal of Computer Research and Development, 2019, 56(5): 1034-1047. CSTR: 32373.14.issn1000-1239.2019.20180461
Citation: Wu Bin, Lou Zhengzheng, Ye Yangdong. A Collaborative Filtering Recommendation Algorithm for Multi-Source Heterogeneous Data[J]. Journal of Computer Research and Development, 2019, 56(5): 1034-1047. CSTR: 32373.14.issn1000-1239.2019.20180461
shu

一种面向多源异构数据的协同过滤推荐算法

  • (郑州大学信息工程学院 郑州 450001) (wubin@gs.zzu.edu.cn)

基金项目: 国家重点研发计划项目(2018YFB1201403)；国家自然科学基金项目(61772475,61502434)
详细信息

  • 中图分类号: TP181

A Collaborative Filtering Recommendation Algorithm for Multi-Source Heterogeneous Data

  • (School of Information Engineering, Zhengzhou University, Zhengzhou 450001)

HTML全文

    摘要
  • 摘要: 随着电子商务网站的快速发展，数据特征和现实需求均发生了较大变化.以大规模、多源性、异构性为主要特征的数据发挥着更加重要的作用.然而，电子商务系统中数据所具有的特性使得大多数协同过滤方法较难直接用于物品推荐.如何整合多源异构数据来实现数据的价值最大化是当前推荐系统亟待解决的问题.针对这一问题，首先分析了多源异构数据中各类数据的特点，并根据各自特点为其设计了不同的建模方式.其次，提出一种新颖的推荐模型用于评分预测任务，它通过融合多关系数据和视觉信息来缓解数据稀疏问题.最后，设计了一种高效的算法MSRA(multi-source heterogeneous information based recommendation algorithm)用于求解所提模型的参数.在多个亚马逊数据集上的实验结果表明:1)面向多源异构数据的推荐算法其性能明显优于当前主流协同过滤算法; 2)该算法不仅可以有效缓解物品的冷启动问题，而且能够更好地预测不同类型物品的实际评分.
    Abstract: With the rapid development of electronic e-commerce sites, data characteristics and realistic demands have changed. The data, which has main characteristics of large-scale, multi-source and heterogeneous, is playing an important role. However, these unique characteristics of electronic e-commerce systems make most of existing collaborative filtering methods difficult to be adapted for product recommendation. The immediate problem to be solved is how to integrate multi-source heterogeneous data to achieve the maximum value of big data. In this paper, we first analyze the characteristics of various data among different information sources, and design different modeling solutions. Then, we propose a novel recommendation model for the task of rating prediction, which makes it possible to mitigate the sparsity problem via seamlessly integrating multi-relational data and visual contents. Finally, we devise a computationally efficient learning algorithm named MSRA (multi-source heterogeneous information based recommendation algorithm), to optimize the proposed model. To verify the effectiveness of our proposed model, we conduct extensive experiments on a wide spectrum of large-scale Amazon datasets. Experimental results demonstrate that 1)the designed algorithm consistently and significantly outperforms several state-of-the-art collaborative filtering algorithms, and 2)our algorithm is capable of alleviating the item cold-start problem and helping obtain more accurate results of various items.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(64)

  • 期刊类型引用(19)

    1. 包晓丽. 可信数据空间：技术与制度二元共治. 浙江学刊. 2024(01): 89-100+239-240 . 百度学术
    2. 林宁，张亮. 基于联邦学习的个性化推荐系统研究. 科技创新与生产力. 2024(04): 27-30 . 百度学术
    3. 李璇，邓天鹏，熊金波，金彪，林劼. 基于模型后门的联邦学习水印. 软件学报. 2024(07): 3454-3468 . 百度学术
    4. 洪榛，冯王磊，温震宇，吴迪，李涛涛，伍一鸣，王聪，纪守领. 基于梯度回溯的联邦学习搭便车攻击检测. 计算机研究与发展. 2024(09): 2185-2198 . 本站查看
    5. 陈卡. 基于模型分割的联邦学习数据隐私保护方法. 电信科学. 2024(09): 136-145 . 百度学术
    6. 余晟兴，陈钟. 基于同态加密的高效安全联邦学习聚合框架. 通信学报. 2023(01): 14-28 . 百度学术
    7. 林莉，张笑盈，沈薇，王万祥. FastProtector：一种支持梯度隐私保护的高效联邦学习方法. 电子与信息学报. 2023(04): 1356-1365 . 百度学术
    8. 顾育豪，白跃彬. 联邦学习模型安全与隐私研究进展. 软件学报. 2023(06): 2833-2864 . 百度学术
    9. 郭松岳，王阳谦，柏思远，刘永恒，周骏，王梦鸽，廖清. 面向数据混合分布的联邦自适应交互模型. 计算机研究与发展. 2023(06): 1346-1357 . 本站查看
    10. 陈宛桢，张恩，秦磊勇，洪双喜. 边缘计算下基于区块链的隐私保护联邦学习算法. 计算机应用. 2023(07): 2209-2216 . 百度学术
    11. 高莹，陈晓峰，张一余，王玮，邓煌昊，段培，陈培炫. 联邦学习系统攻击与防御技术研究综述. 计算机学报. 2023(09): 1781-1805 . 百度学术
    12. 张连福，谭作文. 一种面向多模态医疗数据的联邦学习隐私保护方法. 计算机科学. 2023(S2): 933-940 . 百度学术
    13. 周赞，张笑燕，杨树杰，李鸿婧，况晓辉，叶何亮，许长桥. 面向联邦算力网络的隐私计算自适激励机制. 计算机学报. 2023(12): 2705-2725 . 百度学术
    14. 莫慧凌，郑海峰，高敏，冯心欣. 基于联邦学习的多源异构数据融合算法. 计算机研究与发展. 2022(02): 478-487 . 本站查看
    15. 陈前昕，毕仁万，林劼，金彪，熊金波. 支持多数不规则用户的隐私保护联邦学习框架. 网络与信息安全学报. 2022(01): 139-150 . 百度学术
    16. 侯坤池，王楠，张可佳，宋蕾，袁琪，苗凤娟. 基于自编码神经网络的半监督联邦学习模型. 计算机应用研究. 2022(04): 1071-1074+1104 . 百度学术
    17. 詹玉峰，王家盛，夏元清. 面向联邦学习的数据交易机制. 指挥与控制学报. 2022(02): 122-132 . 百度学术
    18. 肖林声，钱慎一. 基于并行同态加密和STC的高效安全联邦学习. 通信技术. 2021(04): 922-928 . 百度学术
    19. 刘飚，张方佼，王文鑫，谢康，张健毅. 基于矩阵映射的拜占庭鲁棒联邦学习算法. 计算机研究与发展. 2021(11): 2416-2429 . 本站查看

    其他类型引用(45)

    • 资源附件(0)
计量
  • 文章访问数:  1708
  • HTML全文浏览量:  9
  • PDF下载量:  1013
  • 被引次数: 64
出版历程
  • 发布日期:  2019-04-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(64)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计