拟合矩阵与两阶融合迭代加速推荐算法

• 作者: 孙福振 张进 方春 王帅 王绍卿
• 来源期刊: 计算机应用研究
• 关键词: 拟合矩阵 矩阵分解 拟牛顿法 梯度下降 融合
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 370-374
• 页数: 5页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.07.0533

摘要

传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系,提出拟合矩阵模型,通过构建用户与物品矩阵分别代表用户与物品特性来提高预测性能.矩阵分解模型在推荐系统领域有精度优势,但求解模型参数最常用的梯度下降法收敛速度缓慢,因此考虑与拟牛顿法融合,加快收敛速度.提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法(fitting matrix and two orders fusion iterative,FAST),实验表明,FAST算法比传统的非负矩阵分解(NMF)、奇异值矩阵分解(SVD)、正则化奇异值矩阵分解(RSVD)在平均绝对误差(MAE)与均方根误差(RMSE)上有下降,在迭代效率上有显著提高,缓解了精度与迭代效率难以平衡的问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙福振	山东理工大学计算机科学与技术学院	36	108	4.0	9.0
2	王帅	山东理工大学计算机科学与技术学院	8	18	2.0	4.0
3	王绍卿	山东理工大学计算机科学与技术学院	9	32	4.0	5.0
4	张进	山东理工大学计算机科学与技术学院	4	2	1.0	1.0
5	方春	山东理工大学计算机科学与技术学院	13	14	2.0	3.0