.png){kind=icon}
返回
Coverage-constrained multi-objective evolutionary recommendation algorithm for balancing accuracy, diversity, and novelty
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.109047.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习通过自动特征提取和预训练技术缓解了推荐系统中的数据稀疏性和冷启动问题。然而，同质化对推荐结果多样性产生负面影响。为平衡准确性、多样性和新颖性，我们提出了一种覆盖约束的多目标进化推荐算法（cCMOERA）。该算法采用两个协同种群来逼近帕累托前沿（PF），并在进化过程中调整适应度评估策略。此外，cCMOERA使用改进的概率交叉操作，以准确性、多样性和新颖性作为目标函数，以覆盖为约束条件。为初始化算法，我们利用多粒度注意力推荐（MGAR）模型生成的候选推荐列表。最终推荐列表通过计算种群适应度和执行克隆、交叉、变异等操作生成。实验结果表明，cCMOERA生成的推荐列表在准确性、多样性和新颖性方面表现优异。
Keyword:
Deep learning
Recommender systems
Multi-objective evolutionary algorithm
Accuracy
Diversity
Novelty
Coverage constraint
