排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
推荐系统从海量数据中挖掘出有用信息来学习用户偏好.目前主流研究的推荐算法是在考虑
评分数据和社交数据的基础上执行协同过滤算法.协同过滤方法包括传统的用户、商品协同过滤算
法和经典的矩阵分解方法.用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽
然训练速度快但缺乏解释性.此外,评分数据和社交数据在获取难度上高于属性信息.针对这些问
题,提出一种基于属性偏好的自学习算法.该算法在评分数据和属性信息的基础上,首先利用用户
对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方
差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行
迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分.实验在两个经典数据集
上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分
解模型. 相似文献
1