基于广义高斯分布的贝叶斯概率矩阵分解方法
2016-12-22燕彩蓉张青龙黄永锋
计算机研究与发展 2016年12期
燕彩蓉 张青龙 赵 雪 黄永锋
(东华大学计算机科学与技术学院 上海 201620)(cryan@dhu.edu.cn)
基于广义高斯分布的贝叶斯概率矩阵分解方法
燕彩蓉 张青龙 赵 雪 黄永锋
(东华大学计算机科学与技术学院 上海 201620)(cryan@dhu.edu.cn)
贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性,常用于个性化推荐系统,但其推荐精度会受初始评分矩阵稀疏特性的影响.提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF(generalized Gaussian distribution Bayesian PMF),采用广义高斯分布作为先验分布,通过机器学习自动选择最优的模型参数,并基于Gibbs采样进行高效训练,从而有效缓解矩阵的稀疏性,减小预测误差.同时考虑到评分时差因素对预测过程的影响,在采样算法中添加时间因子,进一步对方法进行优化,提高预测精度.实验结果表明:GBPMF方法及其优化方法GBPMF-T对非稀疏矩阵和稀疏矩阵均具有较高的精度,后者精度更高.当矩阵非常稀疏时,传统贝叶斯概率矩阵分解方法的精度急剧降低,而该方法则具有较好的稳定性.
个性化推荐系统;贝叶斯概率矩阵分解;机器学习;广义高斯分布;稀疏矩阵
推荐系统作为一种有效的信息过滤手段,是当前解决信息过载问题及实现个性化信息服务的有效方法之一[1].近几年举办的比赛,如Netflix百万美金大奖赛、KDD CUP 2011音乐推荐比赛、百度电影推荐竞赛以及阿里巴巴大数据竞赛更是把推荐系统的研究推向了高潮.
作为协同过滤推荐系统中的一种新型推荐生成方法,基于矩……
登录APP查看全文
