Enhancing collaborative filtering with Louvain-based community-specific matrix factorization

doi:10.1088/1742-5468/ae23bb

2025-12-01

PRE

Yongjie Yan

于

于光 (Guang Yu) *

DOI：10.1088/1742-5468/ae23bb

原文链接

原文求助

摘要

En 中文

标准协同过滤矩阵分解（MF）模型训练一组单一的潜在因子，这可能导致“平均效应”，难以满足具有特定偏好的用户。为解决此问题，本研究探索了一种“分治”框架——Louvain社区矩阵分解（LC-MF）。该框架首先构建用户-用户相似度图，并应用Louvain算法（因其可扩展性和识别有意义社区结构的能力而被选用）对用户进行划分。随后，为每个社区独立训练矩阵分解模型，关键在于允许每个模型学习自己的项目潜在因子集。此设计旨在实现依赖上下文的项目表示。我们还提出了处理冷启动场景的实用策略。我们在三个基准数据集（MovieLens-1M、Amazon-Electronics和Yelp）上的实验表明，LC-MF相较于标准基线模型能带来性能提升，尤其在大型稀疏数据集上针对召回率导向指标表现显著。例如，在Yelp数据集上，我们观察到相较于强大的图神经网络基线，Recall@10指标有显著改善。进一步分析显示，该方法还能提升推荐的多样性和新颖性。我们的分析表明，这种性能提升可能源于模型学习依赖上下文的项目表示的能力，表明了改进推荐个性化的一个有前景的方向。

Keyword:

matrix factorization

recommender systems

community detection