帖 军,孙荣苑,孙 翀,郑 禄.MOOB: 一种改进的基于Bandit模型的推荐算法[J].中南民族大学学报自然科学版,2018,(1):114-119
MOOB: 一种改进的基于Bandit模型的推荐算法
MOOB: An Improved Recommendation Algorithm Based on Bandit Model
  
DOI:
中文关键词: Bandit模型  马太效应  长尾现象  多目标优化  覆盖率
英文关键词: bandit model  Matthew effect  long tail phenomenon  multi-objective optimization  coverage
基金项目:国家科技支撑计划项目子课题(2015BAD29B01),中央高校基本科研业务费专项资金项目(CZP17007)
作者单位
帖 军,孙荣苑,孙 翀,郑 禄 中南民族大学 计算机科学学院武汉 430074 
摘要点击次数: 199
全文下载次数: 182
中文摘要:
      提出了一种基于置信区间上界算法的多目标优化推荐算法.该算法可以在保证预测精准度的基础上有效地避免马太效应,并提高推荐系统对长尾物品的挖掘能力.采用 YaHoo 的新闻推荐数据集对算法进行了实验和评价,实验结果表明:多目标优化推荐算法能够在预测准确率较高的情况下, 有效地解决长尾物品发掘问题, 避免马太效应,提高推荐系统的精度和广度.
英文摘要:
      A multi-objective optimization recommendation algorithm based on upper confidence bound algorithm is proposed. The algorithm can effectively avoid Matthew effect on the basis of ensuring the accuracy of prediction, and improve the mining ability of the recommendation system to the long tail items. YaHoo's news recommendation data set is used in experiments, experimental results show that the multi-objective optimization recommendation algorithm can effectively solve the problem of long-tail item excavation, avoid the Matthew effect and improve the precision and breadth of the recommended system under the condition of high prediction accuracy.
查看全文   查看/发表评论  下载PDF阅读器
关闭