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

摘要：

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。

关键词：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

分类号：TP393(计算技术、计算机技术)

资助基金：国家973计划项目2012CB315901;国家863计划项目2011AA01 A103资助课题

在线出版日期：2013-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3046-3050