基于自适应提升的概率矩阵分解算法

• 作者: 张桂刚 彭行雄 肖如良
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 推荐系统 概率矩阵分解 自适应提升 模型融合 评分预测
• 年，卷（期）: 2015,（12）
• 所属期刊栏目: 人工智能
• 页码范围: 3497-3501
• 页数: 5页
• 分类号: TP181|TP393
• 字数: 5692字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2015.12.3497

摘要

针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐桂能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoostPMF).该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差.从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向.相比传统的PMF算法,AdaBoostPMF算法能够将预测精度平均提高约2.5％.实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张桂刚	中国科学院自动化研究所	9	26	3.0	4.0
2	肖如良	福建师范大学软件学院	29	154	7.0	11.0
6	彭行雄	福建师范大学软件学院	3	5	2.0	2.0