基于矩阵分解的协同过滤算法

被引：188

作者：

李改 ^{[1
,2
,3
]}

李磊 ^{[2
,3
]}

机构：

[1] 顺德职业技术学院

[2] 中山大学信息科学与技术学院

[3] 中山大学软件研究所

来源：

计算机工程与应用 | 2011年 / 47卷 / 30期

关键词：

推荐系统; 协同过滤; 矩阵分解; 迭代最小二乘法(ALS); 矩阵奇异值分解(SVD);

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

协同过滤推荐算法是电子商务推荐系统中运用最成功的一种推荐技术。针对目前大多数协同过滤算法普遍存在的可扩展性和抗稀疏性问题,在传统的矩阵分解模型(SVD)的基础上提出了一种带正则化的基于迭代最小二乘法的协同过滤算法。通过对传统的矩阵分解模型进行正则化约束来防止模型过度拟合训练数据,并通过迭代最小二乘法来训练分解模型。在真实的实验数据集上实验验证,该算法无论是在可扩展性,还是在抗稀疏性方面均优于几个经典的协同过滤推荐算法。

引用

页码：4 / 7

页数：4