排序推荐算法：结合用户消极相似性的优化

"这篇论文提出了一种新的推荐算法——NS-TauRank，旨在解决基于评分的协同过滤推荐算法因用户评分标准差异导致的近邻选择误差。NS-TauRank算法利用用户间的消极相似性，即认为相似性为负的用户在喜好上相反，来优化目标用户的邻居选择和推荐项目的排序。通过DP函数来表示项目属性，结合舒尔茨方法进行偏好融合。实验证实在Eachmovie和movielens数据集上，与对比算法相比，NS-TauRank在NDCG@1-2指标上有4%-7%的提升，表明其能提供更可靠的推荐序列。该研究是针对协同过滤推荐系统的改进，关注用户消极相似性在排序推荐中的应用。" 本文探讨了在推荐系统中用户间消极相似性的作用，尤其是在基于评分的协同过滤算法中。传统的协同过滤方法主要依赖于用户之间的正向相似性，即具有相似评分历史的用户被认为有相似的品味。然而，实际情况中，用户评分标准的个体差异可能导致这种正向相似性的选择出现误差。为了改善这个问题，论文提出了NS-TauRank算法。 NS-TauRank的核心创新在于引入了用户间消极相似性的概念。当两个用户的相似性为负值时，他们可能在喜好上表现出强烈的对立。利用这一特性，算法能够更好地理解用户的不同偏好，从而改进目标用户的近邻选择。通过定义DP函数，算法能够量化项目之间的关联属性，进一步利用这些消极相似性。 在推荐项目排序阶段，NS-TauRank采用了舒尔茨方法进行偏好融合。这种方法有助于综合考虑各种因素，包括用户的消极相似性，以生成更准确的推荐列表。实验部分，论文在Eachmovie和movielens这两个广泛使用的电影推荐数据集上对NS-TauRank进行了验证。通过NDCG（ Normalized Discounted Cumulative Gain）作为评价标准，结果显示，与基准算法相比，NS-TauRank在NDCG@1-2的指标上提升了4%-7%，这意味着它能够提供更为准确和可靠的前两个推荐项目。 NS-TauRank是一种有效的推荐算法，它扩展了协同过滤的理论框架，引入了消极相似性这一新维度，提高了推荐的精度。这对于个性化推荐系统的未来发展和优化具有重要意义，特别是对于那些希望通过理解用户之间的反向关联来提升推荐质量的应用场景。