基于用户行为序列的概率矩阵分解推荐算法

摘要：

传统的概率矩阵分解在推荐算法中取得了一定的效果,但是仍然面临数据稀疏性问题,并且对数据的利用效率不高,不能根据已有数据准确计算用户(物品)之间的关系,评分预测准确性仍然有待提高.本文利用用户对物品的评分序列信息充分挖掘用户(物品)之间的相似度关系,提出了基于用户行为序列的概率矩阵分解推荐算法UBS-PMF(Probability Matrix Fac-torization Recommendation Algorithm Based on User Behavior Sequence).首先根据用户对物品的评分序列和物品标签信息计算用户对标签的评分序列,即为用户的偏好转移序列,根据该序列可以计算出用户之间的相似度矩阵,同时,用户对物品的评分序列也隐藏着物品之间的关系,利用多个用户对物品的评分序列可以得到物品相似度矩阵,将所得用户(物品)相似度矩阵融入概率矩阵分解模型中进行评分预测,Movielens数据集中的实验表明该算法具有显著的效果,在评分预测准确性方面优于传统的推荐算法.

关键词：数据稀疏、评分序列、相似度矩阵、概率矩阵分解、评分预测

所属期刊栏目：41

分类号：TP301(计算技术、计算机技术)

资助基金：教育部人文社会科学基金项目19YJAZH064

在线出版日期：2020-07-17（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：1357-1362