关键词:
直觉模糊集
自然噪声
可靠性
机器学习
推荐系统
摘要:
【目的】考虑原始评分信息的准确性及其预测结果的可靠性,以提升推荐系统的准确性。【方法】从信息输入和输出两方面,设计三种方案为已有推荐算法的预测结果提供可靠性概率。在信息输入方面,借助直觉模糊集理论,提出模糊自然噪声检测机制识别和修正有误评分;在信息输出方面,分别采用二次模糊噪声检测、矩阵分解和深度神经网络获得待预测位置的可靠性概率,并根据设定的可靠性判别条件,识别出不可信的预测评分并对其修正。【结果】在两个公开数据集上的实验结果显示,与原始推荐算法相比,引入所提模糊自然噪声检测方法和三种可靠性方案后的相应方法在F1值和NDCG评估指标上分别最高提升了6.4%和7.2%。【局限】所设计的可信推荐策略不适用于只包含隐式反馈的数据集。【结论】从评估信息可靠性的视角,为提升推荐算法的性能提供了新的解决方案。