融合图片相似度缓解新项目冷启动问题的研究

摘要: 针对推荐系统中因新项目的加入而造成的冷启动问题，在矩阵分解模型的基础上提出了融合项目图片相似度和类别属性的协同过滤推荐模型USPTMF-CFIA。首先，采用基于用户偏好和时间权重的矩阵分解模型，对评分缺失项进行预测填充；然后，利用VGG16神经网络提取项目图片特征，并结合类别属性计算新项目与历史项目的相似度，得到近邻项目；最后，根据新项目与近邻项目之间的相似度预测用户对新项目的评分，将评分高的前N个项目推荐给对应用户；通过在GroupLens提供的数据集上的实验证明，该模型的推荐准确率比MAP-BPR模型高0.006~0.015，比传统协同过滤模型高0.02~0.028，比没融合图片相似度的USPTMF-CFA模型高0.001~0.003，比ACMF模型高0.001~0.002。