| 基于受约束偏置的概率矩阵分解算法 |
| |
| 作者姓名： | 梅忠 肖如良 张桂刚 |
| |
| 作者单位： | 福建师范大学 软件学院, 福州 350117;大数据分析与应用福建省高校工程研究中心, 福州 350117,福建师范大学 软件学院, 福州 350117;大数据分析与应用福建省高校工程研究中心, 福州 350117,中国科学院自动化研究所, 北京 100190 |
| |
| 基金项目： | 河南省重点科技攻关项目(142102210225) |
| |
| 摘 要： | 在概率矩阵分解(PMF)模型拟合之后,评分较少用户的特征趋近于先验分布的平均值,导致对其评分预测接近物品的平均评分.受约束概率矩阵分解(CPMF)未考虑到不同评分系统的整体差异以及数据集内部用户与物品存在的固有属性.针对以上问题,提出将传统矩阵分解中的用户和物品偏置项以及全局平均分结合受约束概率矩阵分解来建立新的矩阵分解算法.算法利用整体平均分衡量不同评分系统,在采用偏置来表示用户以及物品之间相互独立的属性的同时,引入约束使行为相近用户拥有相近的用户偏置,从而提高预测精度.在两个真实数据集上的实验结果表明,该算法相对于PMF和CPMF算法预测精度得到了提高.
|
| 关 键 词： | 推荐系统 协同过滤 概率矩阵分解 约束 偏置 |
| 收稿时间： | 2015-08-26 |
| 修稿时间： | 2015-10-26 |
|
| 点击此处可从《计算机系统应用》浏览原始摘要信息 |
|
点击此处可从《计算机系统应用》下载全文 |
|
