融合知识图谱与用户画像的推荐系统多任务学习算法与实现细节.pdfVIP

融合知识图谱与用户画像的推荐系统多任务学习算法与实现细节1

融合知识图谱与用户画像的推荐系统多任务学习算法与实现

细节

1.研究背景与意义

1.1推荐系统的发展历程

推荐系统的发展经历了从简单的基于协同过滤到复杂的基于深度学习的演变过程。

早期的推荐系统主要依赖于协同过滤技术，通过分析用户之间的相似性或物品之间的

相似性来进行推荐。例如，基于用户的协同过滤（User-basedCollaborativeFiltering,

UBCF）通过计算用户之间的相似度来预测目标用户可能感兴趣的物品；基于物品的协

同过滤（Item-basedCollaborativeFiltering,IBCF）则通过计算物品之间的相似度来进

行推荐。这些方法在当时取得了较好的效果，但存在一些局限性，如数据稀疏性和可扩

展性问题。

随着机器学习技术的发展，基于模型的推荐系统逐渐兴起。矩阵分解技术（Matrix

Factorization,MF）是其中的代表，它通过将用户和物品映射到一个低维的潜在特征空

间，从而解决数据稀疏性问