一种基于标签迁移学习的改进正则化奇异值分解推荐算法
基于正则化奇异值分解(RSVD)的推荐算法在预测准确性上具有明显优势,但存在计算量大的缺点,一定程度上限制了其在实际工程中的应用。针对这个问题,该文提出一种基于标签迁移学习的改进RSVD推荐算法,在相对稠密的辅助数据集合上根据标签信息来提取用户/项目特征,然后将用户/项目特征应用到RSVD算法中,在目标数据集合上进行评分预测。在 MovieLens 数据集合上的实验结果表明,该算法能够缓解数据稀疏性问题,显著降低预测误差(约0.01 RMSE),同时减少约50%的训练时间。
计算机网络、推荐系统、协同过滤、正则化奇异值矩阵分解(RSVD)、迁移学习
TP393(计算技术、计算机技术)
国家973计划项目2012CB315901;国家863计划项目2011AA01 A103资助课题
2013-12-14(万方平台首次上网日期,不代表论文的发表时间)
共5页
3046-3050