论文摘要
推荐系统是解决信息过载的有效途径。传统的推荐系统难以从海量数据中推选出符合用户个性化偏好的项目,推荐质量不高。为此,通过优化传统的协同过滤推荐算法,针对数据稀疏性等问题,提出协同回归模型的矩阵分解算法(CLMF)。通过机器学习算法发掘内容信息的深层次特征,提升了原始数据的信息量;并构建辅助特征矩阵,通过融合特征矩阵,CLMF最大化了特征标签的作用,并结合数据标签,语义信息和评分矩阵得到推荐算法框架。在真实数据集上实验结果显示,新型推荐算法可有效解决特征值缺失问题,改善了数据稀疏性,提升了算法扩展性,并显著增强覆盖性。
论文目录
文章来源
类型: 期刊论文
作者: 李振波,杨晋琪,岳峻
关键词: 推荐系统,协同过滤,机器学习,矩阵分解,稀疏性,覆盖性
来源: 图学学报 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 计算机软件及计算机应用,自动化技术
单位: 中国农业大学信息与电气工程学院,北京市农业物联网工程技术研究中心,农业农村部农业信息获取技术重点实验室,鲁东大学信息与电气工程学院
基金: 国家自然科学基金项目(61472172)
分类号: TP391.3;TP181
页码: 983-990
总页数: 8
文件大小: 1076K
下载量: 103