基于动态加权Bagging矩阵分解的推荐系统模型

• 作者: 于化龙 何轶凡 邹海涛
• 来源期刊: 南京大学学报（自然科学版）
• 学科: 工学
• 关键词: 推荐系统 矩阵分解 Bagging 动态加权
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 基于粒计算的数据表示与分析研究
• 页码范围: 644-650
• 页数: 7页
• 分类号: TP391.3
• 字数: 4770字
• 语种: 中文
• DOI: 10.13232/j.cnki.jnju.2019.04.014

摘要

为了提升推荐模型的预测精度,传统方法通常是利用更多的附加信息参与模型的构建. 然而,此类方法在提高算法精度的同时也大大增加了算法的时间开销,同时对数据集也存在一定的要求. 为了解决上述问题,提出一种基于Bagging集成的矩阵分解模型. 该模型根据用户、产品评分数为基学习器动态分配权重,并通过加权求和得到预测评分. 在三个不同规模的真实数据集上的实验结果显示:该动态加权Bagging矩阵分解模型拥有与传统矩阵分解模型一样的时间消耗,并且在各个衡量指标上都优于传统的矩阵分解模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	于化龙	江苏科技大学计算机学院	44	135	8.0	10.0
2	邹海涛	江苏科技大学计算机学院	5	0	0.0	0.0
3	何轶凡	江苏科技大学计算机学院	1	0	0.0	0.0