一种基于学习自动机的推荐算法改进

摘要：

针对原有的基于隐语义模型（LFM）的推荐算法中，当训练样本数减少时，训练误差和测试误差都明显增大的问题进行改进研究，提出了一种全新的基于学习自动机的矩阵训练算法。该算法充分利用连续型学习自动机在随机和高噪声环境中优化参数的卓越性能，代替原有的梯度下降算法进行大型稀疏矩阵的奇异值分解计算，使得重构矩阵与原矩阵之间的误差进一步降低，提高了后续预测算法的精确度。为了检验新算法的寻优性能，在大量真实用户对电影的评分数据集上进行了新旧两种算法的对比实验，实验结果表明改进后的基于学习自动机的推荐算法在样本数较少和更随机的测试环境中，相比原算法可以实现更精确的预测，有效地弥补了原算法的不足。

关键词：学习自动机、奇异值分解、推荐算法、隐语义模型、梯度下降算法

分类号：TP181;TP301.6(自动化基础理论)

资助基金：国家自然科学基金资助项目61271316；国家“973”计划资助项目2013CB329603，2013CB329605；上海市信息安全综合管理技术研究重点实验室基金及信息内容分析技术国家工程实验室基金

在线出版日期：2016-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：32-34,41