基于边界矩阵低阶近似和近邻模型的协同过滤算法

摘要：

为解决矩阵分解应用到协同过滤算法的局限性和准确率等问题,提出基于边界矩阵低阶近似(BMA)和近邻模型的协同过滤算法(BMAN-CF)来提高物品评分预测的准确率.首先,引入BMA的矩阵分解算法,挖掘子矩阵的隐含特征信息,提高近邻集合查找的准确率;然后,根据传统基于用户和基于物品的协同过滤算法分别预测出目标用户对目标物品的评分,利用平衡因子和控制因子动态平衡两个预测结果,得到目标用户对物品的评分;最后,利用MapReduce计算框架的特点,对数据进行分块,将该算法在Hadoop环境下并行化.实验结果表明,BMAN-CF比其他矩阵分解算法有更高的评分预测准确率,且加速比实验验证了该算法具有较好的可扩展性.

关键词：协同过滤、矩阵分解、边界矩阵、近邻模型、Hadoop

所属期刊栏目：37

分类号：TP181;TP312(自动化基础理论)

资助基金：国家自然科学基金资助项目61572123;国家杰出青年科学基金资助项目61225012,71325002;辽宁省百千万人才工程项目2013921068;赛尔网络下一代互联网技术创新项目NGII20160616.This work is partially supported by the National Natural Science Foundation of China61572123;the National Science Foundation for Distinguished Young Scholars in China61225012,71325002;the Liaoning Bai Qian Wan Talents Program2013921068;the CERNET Innovation ProjectNGII20160616

在线出版日期：2018-01-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3472-3476,3486