基于融合奖励的神经协同过滤去曝光偏差推荐模型

作     者：李鹏 李晓珊 朱心如 Li Peng;Li Xiaoshan;Zhu Xinru

作者机构：哈尔滨商业大学管理学院哈尔滨150028 

出 版 物：《计算机应用研究》 (Application Research of Computers)

年 卷 期：2025年第42卷第1期

页      面：78-85页

学科分类：08[工学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：2023年哈尔滨商业大学青年科研创新人才培育计划资助项目(2023-KYYWF-1001) 黑龙江省博士后科研启动金资助项目(BS0053) 

主　　题：神经协同过滤 线性置信上界 曝光偏差 个性化推荐 

摘      要：推荐系统中因交互数据稀疏性和曝光不均导致的强曝光偏差,会集中推荐高曝光物品,忽略低曝光物品的潜在价值,从而限制用户选择并降低用户体验。为解决这一问题,提出一种结合神经协同过滤和线性置信上界算法的去曝光偏差模型。首先,通过分析用户与物品之间的交互数据,利用神经协同过滤算法学习用户和物品的特征,捕捉其潜在偏好;其次,引入线性置信上界算法,并将其生成的奖励值特征嵌入到神经协同过滤模型中,以增强模型对低曝光物品的探索能力;最后,在MovieLens-100K和MovieLens-1M数据集上进行实验,结果显示,与传统的神经协同过滤模型相比,该模型的曝光度提升了约60%,说明其能够有效地缓解曝光偏差,并提高推荐的准确性和公平性,进一步验证了该模型的有效性。