为了解决传统协同过滤推荐算法的可扩展性差和数据稀疏性的问题,提出了一种基于随机梯度下降的概率矩阵分解推荐算法。该算法是生成两个服从高斯分布的随机数矩阵,不断训练和更新使得这两个矩阵的内积趋近于用户评分矩阵,为了避免模型过度拟合训练数据,在此基础上加入正则项进行约束,并通过批处理的随机梯度下降法来优化模型。在MovieLens提供的数据集上进行实验验证,与传统的协同过滤算法相比较,该算法不仅缓解了可扩展性问题和稀疏性问题,而且推荐的准确度也得以提升。
科研之友
微信
新浪微博
Facebook
分享链接
