基于融合奖励的神经协同过滤去曝光偏差推荐模型

打开文本图片集

摘 要：推荐系统中因交互数据稀疏性和曝光不均导致的强曝光偏差，会集中推荐高曝光物品，忽略低曝光物品的潜在价值，从而限制用户选择并降低用户体验。为解决这一问题，提出一种结合神经协同过滤和线性置信上界算法的去曝光偏差模型。首先，通过分析用户与物品之间的交互数据，利用神经协同过滤算法学习用户和物品的特征，捕捉其潜在偏好；其次，引入线性置信上界算法，并将其生成的奖励值特征嵌入到神经协同过滤模型中，以增强模型对低曝光物品的探索能力；最后，在MovieLens-100K和MovieLens-1M数据集上进行实验，结果显示，与传统的神经协同过滤模型相比，该模型的曝光度提升了约60%，说明其能够有效地缓解曝光偏差，并提高推荐的准确性和公平性，进一步验证了该模型的有效性。（剩余19656字）