基于PCA降维的协同过滤推荐算法

• 作者: 曹菡 李远博
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 主成分分析 降维 协同过滤 推荐算法
• 年，卷（期）: 2016,（2）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 26-30
• 页数: 5页
• 分类号: TP301.6
• 字数: 5276字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2016.02.006

摘要

在信息过载的时代，推荐系统通过分析用户的历史行为，为用户兴趣建模，主动给用户推荐能够满足他们兴趣和需求的信息，已经被广泛应用于电子商务等多个领域。但是在推荐系统中，用户评分数据极端稀疏，矩阵的稀疏性导致推荐算法在相似性计算时存在较大误差，进而导致最近邻居选择的不准确，从而影响推荐质量。针对上面存在的问题，文中通过对评分矩阵采用PCA降维的方法，降低了评分矩阵的稀疏性，保留了最能代表用户兴趣的维数，使得相似性计算更加准确，保证了最近邻居选择的准确性，从而提高了推荐质量。实验结果表明，在公开数据集上与传统的协同过滤推荐算法相比较，文中提出的算法具有较高的准确度和覆盖度。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曹菡	陕西师范大学计算机科学学院	52	517	12.0	21.0
2	李远博	陕西师范大学计算机科学学院	1	40	1.0	1.0