融合显/隐式反馈的协同排序算法

？之前有关协同排序算法的研究没有充分利用数据集中信息的问题,要么只侧重于研究显式评分数据,要么只侧重于研究隐式评分数据,目前还没有人运用排序学习的思想把二者结合起来进行研究.针对之前研究的不足,在最新的扩展的少即是好协同过滤(xclimf)模型和最经典的变形的奇异值分解(svd++)算法的基础上,提出了一种融合显/隐式反馈的协同排序算法merr_svd++来直接优化排序学习的评价指标err.在实际数据集上实验验证,与经典的xclimf、cofi排序(cofirank)、poprec、random算法相比,merr_svd++算法在归一化折损累积增益(ndcg)和预期的相关性排序(err)这两个评价指标下性能均提高了25.9%以上,而且算法运算时间与评分点个数线性相关.由于merr_svd++算法推荐精度高、可扩展性好,因此适用于处理大数据,在互联网信息推荐领域具有广泛的应用前景.