基于集成学习的个性化推荐算法

• 作者: 傅彦 周俊临 方育柯
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 个性化推荐 集成学习 弱学习器 协同过滤
• 年，卷（期）: 2011,（10）
• 所属期刊栏目: 博士论坛
• 页码范围: 1-4
• 分类号: TP181
• 字数: 4063字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2011.10.001

摘要

在2009年结束的Netflix推荐大赛中,由于顶级参赛小组均使用集成学习算法,使得基于Bagging和Stacking的Ensemble方法得到了广泛的关注,而基于Boosting的集成学习方法相对来说却无人问津.首先分析了基于Boosting的集成学习算法在分类问题中的优势,以及在推荐问题上的缺陷.通过对用户评分矩阵的简化和分解,将问题转换为简单的分类问题,使得Boosting的集成学习算法能够应用到推荐问题中,提出了基于KNN的集成学习推荐算法,通过集成多个不同的相似度计算方法来提高最终的推荐准确率.在大规模真实数据集上的实验说明,基于Boosting的学习框架可以较大提升单个推荐算法的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	傅彦	电子科技大学计算机科学与工程学院	66	695	14.0	22.0
2	周俊临	电子科技大学计算机科学与工程学院	14	73	5.0	7.0
3	方育柯	电子科技大学计算机科学与工程学院	6	28	3.0	5.0