一种结合主题模型的推荐算法

摘要：

针对传统协同过滤推荐算法存在的冷启动、数据稀疏以及相似度度量的准确性问题,基于LDA主题模型对文本隐式主题挖掘的有效性和KL散度在主题分布相似性度量的准确性,提出了结合LDA主题模型的矩阵分解推荐算法.首先,利用改进的LDA算法输出项目—主题分布,并用困惑度作为主题数设置的修正函数;然后分别基于余弦相似度和KL散度计算得到项目相似度矩阵,将得到的相似度矩阵结合原评分训练集输出预评分,再将预评分填充到训练集;最后将训练集输入ALS矩阵分解算法得到推荐结果.通过MovieLens数据集的实验结果表明,该算法在不同隐式参数设定下均能得到比ALS推荐算法以及更小的预测误差,并且最优预测误差小于传统推荐算法.该实验说明了通过集成LDA主题模型的ALS算法效果要优于其他推荐算法.

关键词：推荐算法、矩阵分解、隐式狄利克雷分布、KL散度、主题模型

所属期刊栏目：36

分类号：TP301.6(计算技术、计算机技术)

在线出版日期：2019-08-13（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：1638-1642