图片相似度与类别属性融合提升新项目推荐精度

本文主要探讨了在推荐系统中如何有效地解决新项目冷启动问题，即当新的项目加入时，由于缺乏用户的历史行为数据，导致推荐准确度下降的问题。研究者在矩阵分解模型的基础上，提出了一种融合图片相似度和类别属性的协同过滤推荐模型，称为USPTMF-CFIA。 首先，模型采用基于用户偏好和时间权重的矩阵分解方法。时间权重考虑了用户兴趣随时间的变化，提高了预测的准确性。通过这种方法，模型能够填充评分缺失的数据，为新项目的评分预测提供基础。 接着，模型利用深度学习中的VGG16神经网络来提取项目图片的特征，这是一种先进的图像识别技术，能够捕捉图片的视觉信息。通过计算新项目与历史项目的图片相似度，模型能够找到与新项目最相关的已有项目，这些近邻项目在一定程度上代表了用户的潜在兴趣。 然后，模型利用新项目与近邻项目的相似度，预测用户对新项目的可能评分。这种方法借鉴了协同过滤的思想，即“物以类聚”，通过类似项目的行为模式来推测用户的行为。通过筛选出评分最高的前N个项目，模型向用户进行个性化推荐。 实验证明，USPTMF-CFIA模型在GroupLens数据集上的表现优于其他几种常见的推荐模型，如MAP-BPR（Mean Average Precision-Bayesian Personalized Ranking）模型，传统协同过滤模型，没有融合图片相似度的USPTMF-CFA模型以及ACMF（Attribute-based Collaborative Matrix Factorization）模型。具体来说，USPTMF-CFIA的推荐准确率提升幅度在0.006至0.015之间，相比于传统协同过滤模型有0.02至0.028的提升，相较于USPTMF-CFA模型，图片相似度的引入带来了0.001至0.003的改进，对比ACMF模型也有0.001至0.002的性能提升。 该研究创新地将图片相似度和类别属性结合起来，有效解决了推荐系统中新项目冷启动的问题，提升了推荐的精准度，为实际应用中的个性化推荐系统提供了有价值的参考。