EM最优参数求解的概率粗糙集推荐算法

摘要：

推荐系统根据用户对项目的历史评分实施推荐,评分矩阵的稀疏性导致推荐的先验知识不足,降低推荐准确率.粗糙集理论能够利用不完备知识实施有效推理,从而提出了基于人口统计学的概率粗糙集推荐模型,使用概率粗糙集理论划分等价类,降低了评分矩阵稀疏性对推荐结果的影响.使用基于最大期望(expectation maximization,EM)思想的参数求解算法求解参数α和β的最优值,将Pawlak粗糙集的边界域分解到正域或负域中,提升推荐效果.实验结果表明,概率粗糙集模型能够有效提高在评分矩阵非常稀疏情况下的推荐准确率,其在MovieLens数据集上的推荐准确率最高达到71.42％,覆盖率指标最高达到99.18％.

关键词：粗糙集、推荐算法、参数求解、最大期望(EM)算法

所属期刊栏目：10

分类号：TP301(计算技术、计算机技术)

资助基金：The Humanities and Social Sciences Youth Fund of Ministry of Education of China under Grant No.14YJC860020;the Higher School Youth Talent Support Plan of Anhui Province in 2014安徽省2014年高校优秀青年人才支持计划;the Natural Science Research Project of Higher School of Anhui Province under Grant No.KJ2015A435;the Higher School Youth Talent Support Plan Key Project of Anhui Province in 2016 under Grant No.gxyqZD2016570安徽省2016年高校优秀青年人才支持计划重点项目

在线出版日期：2016-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：285-292