Q-learning算法优化的SVDPP推荐算法

• 作者: 周运腾 张雪英 李凤莲 刘书昌 焦江丽 田豆
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 协同过滤 奇异值分解 强化学习 马尔科夫决策过程 Q-learning算法
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 46-51
• 页数: 6页
• 分类号: TP18
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0056332

摘要

为进一步改善个性化推荐系统的推荐效果,通过使用强化学习方法对SVDPP算法进行优化,提出一种新的协同过滤推荐算法.考虑用户评分的时间效应,将推荐问题转化为马尔科夫决策过程.在此基础上,利用Q-learning算法构建融合时间戳信息的用户评分优化模型,同时通过预测评分取整填充和优化边界补全方法预测缺失值,以解决数据稀疏性问题.实验结果显示,该算法的均方根误差较SVDPP算法降低了0.0056,表明融合时间戳并采用强化学习方法进行推荐性能优化是可行的.