APP下载

一种改进的协同过滤推荐算法

2021-02-25李瑶

天津理工大学学报 2021年1期
关键词:用户模型

李瑶

(天津大学数学学院,天津300350)

随着社会的发展,高度信息化,推荐系统已经成为了一个很重要的研究领域,是一个预测用户兴趣的模型.平时生活中推荐系统有很多应用,比如电子商务网站可以利用推荐系统向用户推荐可能想买的物品,视频电影网站可以向用户推荐其可能感兴趣的电影视频等[1].推荐算法其中有协同过滤、矩阵分解等等,矩阵分解基于评分矩阵来进行处理,为此在基于用户的协同过滤模型基础上,引进SVD分解后的svdprediction矩阵作为user-item-matrix应用于协同过滤模型,比单独的SVD优化快速且简便.所以本文在协同过滤算法的基础上,引入奇异值分解优化特征,利用SVD分解后SVD-prediction矩阵作为user-item-matrix应用于协同过滤模型进一步利用模型,来提高准确性.

而且考虑到用户不一定会评分,因为麻烦或其他因素,所以后期会对item本身所属的类别赋以较大的权重,最后使模型更贴合实际生活.

1 协同过滤算法

协同过滤(Collaboration Filtering)算法[2]是推荐系统中最常用的一种算法,本文采用的是依据相似用户的爱好对活动用户进行推荐的思想,也被称为基于用户的协同过滤,其中如果根据用户的评分数据寻找到与其相似的用户,并以此借助相似用户的爱好对其余用户进行推荐的思想被称为基于用户的协同过滤.本质上是寻找数据集中的相似用户来完成推荐[3],其原理类似于朋友推荐,简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的……

登录APP查看全文

猜你喜欢

用户模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
关注用户
3D打印中的模型分割与打包
关注用户
关注用户
FLUKA几何模型到CAD几何模型转换方法初步研究
Camera360:拍出5亿用户
100万用户
如何获取一亿海外用户