赵长伟,彭勤科,张志勇

(1.西安交通大学电子与信息工程学院,710049,西安;2.河南科技大学信息工程学院,471023,河南洛阳)



混合因子矩阵分解推荐算法

赵长伟1,2,彭勤科1,张志勇2

(1.西安交通大学电子与信息工程学院,710049,西安;2.河南科技大学信息工程学院,471023,河南洛阳)

针对矩阵分解推荐算法在潜在属性与已知属性之间不能建立对应关系的问题,提出了一种混合显式属性与隐式属性的矩阵分解算法。该算法使用显式属性的相关性对因子矩阵进行约束,能够抑制稀疏数据矩阵分解中过拟合的问题,提高推荐精度,由于因子矩阵中包含显式属性,所以混合因子矩阵分解算法可以实现对新用户和新产品推荐,部分地解决了冷启动问题,实现了从评分数据到显式属性的映射,并对推荐结果给出一定的解释。在MovieLens数据集上的实验结果表明:相同因子数下,混合因子矩阵分解算法的推荐精度均优于偏置概率矩阵分解算法,并能够基于显式属性实现对新产品的推荐。

推荐算法;矩阵分解;混合因子;推荐解释;冷启动

在应用驱动下,个性化推荐系统得到了学术界和商业界共同的重视[1-3],推荐精度不断提高。矩阵分解(matrix factorization,MF)算法是个性化推荐中的经典算法。基本矩阵分解算法[4-5]将用户产品打分矩阵分解为用户潜在因子矩阵和产品潜在因子矩阵,用户对产品的打分预测值由用户潜在因子矩阵和产品潜在因子矩阵的内积求得。概率矩阵分解(probability matrix factorization,PMF)算法是应用较多的矩阵分解算法,在数据稀疏的情况下,PMF算法容易出现过拟合现象。……