基于非线性特征和Cauchy加权M-估计量的鲁棒推荐算法

• 作者: 伊华伟 孙双侠 张付志
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 托攻击 鲁棒推荐算法 核函数 Cauchy加权M-估计量 矩阵分解 协同推荐系统 人工智能
• 年，卷（期）: 2017,（6）
• 所属期刊栏目: 人工智能
• 页码范围: 1453-1469
• 页数: 17页
• 分类号: TP391
• 字数: 14296字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2017.01453

摘要

协同推荐系统作为一种重要的个性化服务模式,在电子商务站点中的应用越来越广泛.然而,各种恶意欺骗和虚假反馈已制约了其应有效能的发挥.如何有效识别和抵御托攻击,确保系统推荐的可信性,是推荐系统研究面临的一大挑战.为了确保推荐的可信性,人们提出了各种基于矩阵分解的鲁棒协同推荐算法.但是这些推荐算法在面对托攻击时不仅精度损失大,而且鲁棒性较差.为此,该文提出一种基于非线性特征和Cauchy加权M-估计量的鲁棒推荐算法.首先,采用核主成分分析方法提取用户评分矩阵的非线性特征,以充分挖掘推荐系统中用户(或项目)之间的内在关联,最大限度地保留用户和项目的特征信息,提高推荐精度和鲁棒性;然后,引入鲁棒统计中的Cauchy加权M-估计量,并联合矩阵分解模型对用户和项目特征矩阵进行鲁棒参数估计,以限制攻击概貌对参数估计过程产生的影响;最后,设计相应的鲁棒协同推荐算法,并在MovieLens和Netflix数据集上对算法的有效性进行评价.实验结果表明:该文算法在推荐精度和鲁棒性方面明显优于现有的鲁棒推荐算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张付志	燕山大学信息科学与工程学院	54	475	12.0	19.0
2	伊华伟	燕山大学信息科学与工程学院	1	6	1.0	1.0