科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的推荐算法受限于单领域中用户和项目的稀疏关系,也存在用户冷启动等问题.跨领域推荐能够通过学习辅助领域的知识去丰富目标领域的稀疏数据以提高推荐准确率.本文提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF.与已有算法不同,在对共性知识和个性知识的表示学习中,ATCF均充分融合了辅助域和目标域的知识,通过基于矩阵分解的两级矩阵拼接和两次矩阵填充,得到在群集矩阵及评分矩阵上的共性知识表示;通过知识迁移,构建了重叠用户和非重叠用户的个性知识表示,有效避免了负迁移.在两个跨领域数据集上开展的实验表明,ATCF算法与已有单领域和跨领域推荐算法相比RMSE降低了3%～7%,准确率召回率增加了8%～15%.
- 单位
