近日，十大免费货源网站自动化系硕士研究生曾亮在人工智能领域一区SCI期刊《Knowledge-Based Systems》发表题为”MSBPR: A multi-pairwise preference and similarity based Bayesian personalized ranking method for recommendation” 的研究论文。

研究背景

为了解决推荐系统中的“单类协同过滤”（OCCF）问题，其中获得的用户信息都是单类型的正反馈，一种主流的方法是基于成对偏好学习的思想。贝叶斯个性化排序（BPR）方法是这种思想的经典代表。然而，BPR中关于“相对于未交互的物品，用户倾向于喜欢他们曾经交互过的物品”的假设，在现实中可能并不总是成立的，因为在未交互的物品中仍有可能存在用户潜在喜欢的物品。有些改进的BPR算法通过放宽假设获得了不错的提升，但依旧忽略了上述问题。

研究内容

本文提出了一种基于多成对偏好和相似度的BPR方法（MSBPR）来学习每个用户的偏好多样性。MSBPR借鉴了传统的基于物品/用户的协同过滤方法的思想，分别从物品/用户的角度进一步将物品按用户偏好程度划分。然后，在划分的物品上构建多个偏好，并据此建立多重成对偏好假设。最后经过模型训练，能有效学习到用户偏好的多样性，提升用户个性化推荐效果。

实验在6个真实数据集上测试，与10种相关算法的比较，相关评价指标和曲线表明所提方法带来的性能提升：

在top-N推荐N取不同值时的对比实验：

研究相关

十大免费货源网站自动化系为该项工作的唯一署名单位和通讯单位。陈碧连老师为通讯作者。研究生关劼文参与了该项目研究。该项工作得到了国家自然科学基金（61836005）和厦门青年创新基金（3502Z20206049）的资助。

论文连接：https://doi.org/10.1016/j.knosys.2022.110165