Contextual Preference Collaborative Measure Framework Based on Belief System
作者: Hang Yu, Wei Wei, Zheng Tan, Jing-lei Liu
发布时间: 2025-04-02
来源: arxiv
研究方向: 数据挖掘与推荐系统
主要内容
本文提出了一种基于信任系统的条件偏好协同度量框架，旨在减少偏好度量过程中的人为干预，同时提高偏好度量算法的效率和准确性。该框架通过构建信任系统，结合规则集聚合算法和有趣度度量标准，实现对上下文偏好规则的精准度量。
主要贡献
1. 提出了规则间的距离和规则集的内部距离等概念，并设计了一种基于平均内部距离的规则集聚合算法PRA，有效筛选出最具代表性的用户共同偏好。
2. 提出了一种改进的信任系统Commonbelief，允许用户保留个性化信息，并在信任系统下提出了基于信任系统的有趣度度量标准。
3. 设计了可扩展的计算框架，可以使用不同的信任度公式计算有趣度，并提出了IMCos和IMCov算法作为示例。
4. 通过实验验证了度量框架的准确性和有效性，结果表明，与现有算法相比，该框架在召回率、准确率和F1GMeasure等指标上均表现更优。
研究方法
1. 规则集聚合算法PRA
2. 改进的信任系统Commonbelief
3. 有趣度度量标准
4. 可扩展的计算框架
5. IMCos和IMCov算法
实验结果
实验结果表明，信任度和偏离度有效地反映了偏好的不同特征，且与现有算法相比，该框架在召回率、准确率和F1GMeasure等指标上均表现更优。
未来工作
未来将致力于以下方面的研究：寻找从较少用户偏好中发现泛化共识偏好的算法，引入更多种信任度函数，并考虑正负偏好的影响，以进一步提升度量框架的准确性和可扩展性。