基于FunkSVD矩阵分解和相似度矩阵的推荐算法

论文摘要

传统基于用户的协同过滤推荐算法在计算用户相似性时经常面临数据稀疏的问题,同时忽略了不同评分项目之间的差异。针对这些问题,提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法。利用用户评分数据与物品标签数据计算出用户的相似度矩阵;利用FunkSVD对得到的相似度矩阵进行矩阵分解,生成新的用户相似度矩阵;根据用户之间评分数据对两个相似度矩阵中的用户相似度加权组合,并生成用户的综合相似度矩阵来对用户进行评分预测。经过Movielens数据集的实验表明,该算法提高了预测的准确性,优于传统的推荐算法。

论文目录

• 0 引 言
• 1 相关理论
•   1.1 传统基于用户的协同过滤推荐
•   1.2 FunkSVD矩阵分解
• 2 用户相似度计算
•   2.1 用户物品标签相似度
•   2.2 FunkSVD矩阵分解相似度
•   2.3 用户综合相似度计算
• 3 实验及结果分析
•   3.1 实验数据及评价指标
•   3.2 实验步骤
•   3.3 参数调整
•   3.4 算法比较
• 4 结 语

文章来源

类型: 期刊论文

作者: 王运,倪静,马刚

关键词: 矩阵分解,标签,相似度矩阵

来源: 计算机应用与软件 2019年12期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用

单位: 上海理工大学管理学院

基金: 国家自然科学基金项目(71774111)

分类号: TP391.3

页码: 245-250

总页数: 6

文件大小: 712K

下载量: 376