基于动态标签偏好信任概率矩阵分解模型的推荐算法

摘要：

为提高推荐算法性能,解决数据稀疏和冷启动因素造成的推荐精度不高的问题,提出一种改进的协同过滤推荐算法.基于三元组表示形式,利用标签集、用户集和项目资源集构建标签、用户以及项目之间的动态联系,并进行信任值评分矩阵的计算,使用信任评分矩阵融合协同推荐过程,构建概率矩阵分解模型,并基于期望最大法进行模型的求解.实验结果表明,与采用基于余弦、皮尔逊相关系数和启发式相似度模型的算法相比,该算法具有较低的绝对误差均值以及较高的覆盖率、精度与召回率.

关键词：协同过滤推荐、数据稀疏、冷启动、概率矩阵分解、标签偏好、期望最大法

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：湖北省教育厅科研计划项目Q20151101;赛尔网络下一代互联网技术创新项目NGII20150301

在线出版日期：2017-12-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：160-166