基于阶段时序效应的奇异值分解推荐模型

• 作者: 张曦煌 黄凯
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 推荐系统 时序效应 奇异值分解 项目流行度 协同过滤
• 年，卷（期）: 2017,（5）
• 所属期刊栏目: 人工智能
• 页码范围: 1392-1396,1412
• 页数: 6页
• 分类号: TP311.13
• 字数: 7334字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.05.1392

摘要

针对传统基于时序效应的奇异值分解(SVD)推荐模型在对用户预测评分建模过程中只考虑评分矩阵,采用复杂的时间函数拟合项目的生命周期、用户偏好的时序变化过程,造成模型难于解释、用户偏好捕获不准、评分预测精度不够高等问题,提出了一种改进的综合考虑评分矩阵、项目属性、用户评论标签和时序效应的推荐模型.首先,通过将时间轴划分时间段,利用sigmoid函数将项目的阶段流行度变换为[0,1]区间上的影响力来改进项目偏置;其次,利用非线性函数将用户偏置的时序变化转变为阶段评分均值与总体均值偏差的时序变化来改进用户偏置;最后,通过捕获用户对项目的阶段兴趣度,结合其相似用户在此时间段对该项目的好评率,生成用户项目交互作用影响因子,实现用户项目交互作用的改进.在Movielence 10M和20M电影评分数据集上的测试表明,改进模型能更好地捕获用户偏好的时序变化过程,提高评分预测准确性,均方根误差平均提高了2.5％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张曦煌	江南大学物联网工程学院	134	1137	14.0	27.0
2	黄凯	江南大学物联网工程学院	5	25	3.0	5.0