计算机科学与探索

作者：钱忠胜, 肖双龙, 朱辉, 王晓闻, 刘金平

单位：江西财经大学 计算机与人工智能学院，南昌 330013

关键词：推荐系统,长尾推荐,信息协同增强,门控循环单元（GRU）

基金：国家自然科学基金（62262025）；赣鄱俊才支持计划-主要学科学术和技术带头人培养项目-领军人才(学术类)(20243BCE51024)；江西省自然科学基金重点项目（20224ACB202012）。

长尾现象在序列推荐系统中长期存在，包括长尾用户和长尾项目两个方面。虽然现有许多研究缓解了序列推荐系统中的长尾问题，但大部分只是单方面地关注长尾用户或长尾项目。然而，长尾用户和长尾项目问题常常同时存在，只考虑其中一方会导致另一方性能不佳，且未关注到长尾用户、长尾项目各自的信息匮乏问题。提出一种利用 GRU双分支信息协同增强的长尾推荐模型（long-tail recommendation model utilizing gated recurrent unit dual-branch information collaboration enhancement, LT-GRU），从用户与项目两个方面共同缓解长尾问题，并通过协同增强的方式丰富长尾信息。该模型由长尾用户和长尾项目双分支组成，每个分支分别负责各自的信息处理，并相互训练以充实另一方的信息。同时，引入一种偏好机制，通过演算用户与项目的影响因子，以动态调整用户偏好与项目热度，进一步缓解长尾推荐中信息不足问题。在Amazon系列的6个真实数据集上与6种经典模型进行实验对比，相较于长尾推荐模型中最优的结果，所提模型LT-GRU在HR与NDCG两个指标上分别平均提高2.49%、3.80%。这表明，在不牺牲头部用户和热门项目推荐性能的情况下，有效地缓解了长尾用户和长尾项目问题。

来源：2025年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第2期