基于矩阵分解的协同过滤算法研究
杨灿
武汉邮电科学研究院 武汉 430074;南京烽火天地通信发展有限公司 南京 210019
摘要：针对协同过滤算法中相似度计算方式只考虑单一评分数据从而导致推荐效果不理想、且在数据稀疏条件下推荐结果不全、效率不高等问题,提出一种改进的协同过滤推荐方法,通过矩阵分解,构建用户表征向量来计算用户相似度.首先,构建用户表征矩阵和物品项目表征矩阵.其次,设置损失函数,使用户表征向量与物品表征向量内积拟合评分数据,最后,使用用户表征向量计算的相似度与传统相似度以特定权重相融合.在MovieLens数据集上进行实验,结果表明改进后算法在绝对平均误差MAE上有所提升,在数据稀疏的情况下提高了推荐的准确率.
关键词：协同过滤算法相似度稀疏性矩阵分解
分类号：TP391(计算技术、计算机技术)
论文发表日期：2024-04-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 984-988,994 )
英文信息