基于相似性随时间衰减的矩阵分解算法
近年来时间信息越来越多的被应用到推荐系统中,但是大部分研究很少把相似性随时间的衰减融入到矩阵分解当中.用户近期的行为相比用户很久之前的行为,更能体现用户现在的兴趣.因此提出一种融合相似性衰减的矩阵分解算法,本算法把时间信息融入到相似性的计算当中,通过基于时间的协同过滤算法计算用户-用户相似性和物品-物品的相似性,并把此相似性的值作为误差函数的初始值.然后利用矩阵分解的方法计算出用户-用户,物品-物品之间的相似性,并把此相似性的值作为预测值.最后,我们利用初始值和预测值的差来构建误差函数.为了最小化误差函数,我们利用随机梯度下降法,进行迭代训练模型.在MovieLens上的实验结果表明,提出的推荐算法在一定程度上提高了推荐结果的准确性.
矩阵分解、推荐系统、时间信息、相似性衰减
37
TP18(自动化基础理论)
国家自然科学基金项目61272438,61472253;上海市科委项目14511107702;高等学校博士学科点专项科研博导基金项目20113120110008;上海重点科技攻关项目14511107902;上海市工程中心建设项目GCZX14014;上海市一流学科建设项目XTKX2012;沪江基金研究基地专项C14001
2016-10-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
1474-1478