科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的概率矩阵分解算法虽然较好的解决了推荐系统中的用户数据稀疏性问题,但是没有同时考虑到用户之间的关系及物品之间的关系,导致用户物品评分预测准确性仍然不高.本文利用用户物品评分数据及物品信息提出了融合用户偏好和物品相似度的概率矩阵分解推荐算法UPIS-PMF(Probability Matrix Factorization Recommendation Algorithm Combining User Preferences and Item Similarity).首先根据用户评分数据计算用户之间的偏好相似度,得到用户相似度矩阵,再利用物品标签关联度数据和物品流行度数据计算物品相似度,得到物品相似度矩阵,最后将用户相似度矩阵,物品相似度矩阵及用户物品评分矩阵融入概率矩阵分解模型中进行评分预测,Movielens数据集中的实验表明该算法在评分预测准确性方面优于传统的推荐算法,同时也说明了在概率矩阵分解模型中融合用户信息或者物品信息均可以提高评分预测的准确性.
- 单位
