APP下载

融入项目属性相似度的矩阵分解算法

2019-08-12宋志理胡胜利

电脑知识与技术 2019年16期

宋志理 胡胜利

摘要:为了解决协同过滤算法中的数据稀疏性问题,本文提出一种融入项目属性相似度的矩阵分解算法(IS-MF)。IS-MF算法首先根据矩阵分解对原始评分矩阵降维;然后计算项目属性相似度预测再去填充原始评分矩阵的缺失数据;最后在填充后的矩阵基础上计算预测得分产生推荐。在真实的MovieLens数据集上进行实验,得出本文提出的IS-MF算法使得推荐的效果极大提高了。

关键词:矩阵分解;项目属性相似度;协同过滤;推荐算法

中图分类号:TP181 文献标识码:A

文章编号:1009-3044(2019)16-0198-01

开放科学(资源服务)标识码(OSID):

1 引言

随着大数据时代的到来,人们很难快速在网上捕捉自己需要的信息。因此出现了个性化的推荐系统。近期有许多学者提出了改进算法。针对基于改进矩阵分解的推荐算法,盛伟等人[1]提出了根据用户的评分行为将原始评分数据矩阵进行分群操作,然后对相似的用户群评分矩阵进行分解并产生推荐。考虑到语义的相似度问题,王阳等人[2]提出了基于层次结构树计算项目间的语义相似性,最后结合矩阵分解进行降维处理并产生推荐。考虑到相关度,余美华[3]提出了一种结合用户偏好度和项目相关度的算法。综合上述文献,本文提出一种融入项目属性相似度的矩阵分解算法。

2 本文算法

矩阵分解是协同过滤的最主要的推荐算法[4]。假设用户[U={u1,u2,…,un}],项目[V=j1,j2,…,jm]和评分矩阵[R∈RN×M]。用矩阵分解得到用户矩阵和项目矩阵。在项目矩阵上,求项目属性的相似度。……

登录APP查看全文