科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】为缓解历史数据稀疏以及类别偏好与项目时效因素对推荐算法性能的影响，提高推荐精度。【方法】采用哈夫曼编码融合类别偏好和项目时效因素的评分数据；求解用户、项目评分相似矩阵，并由DeepWalk模型挖掘其潜在特征向量；融合用户、项目特征向量，并由极限学习机预测项目评分。【结果】在MovieLens和Yahoo!R3数据集上，随着训练集比例的增加，预测精度最高分别达95.52%和98.01%，运行时间仅分别为19.93 s和22.21 s，较性能次优的XGB-CF算法的预测精度分别提高0.84和2.10个百分点，运行时间分别缩短7.92 s和9.79 s。【局限】算法未考虑用户评论的文本信息及多元化的项目类别。【结论】所提算法较对比算法具有更高的预测精度，可用于个性化推荐。
- 单位
