一種新的自適應提升的概率矩陣分解算法
大?。?/span>0.74 MB 人氣： 2017-12-27 需要積分：1
標簽：矩陣分解(3658)
針對推薦系統(tǒng)中概率矩陣分解模型（PMF）泛化能力（對新用戶和物品的推薦性能）較差、預測準確性不高的問題，提出一種新的基于自適應提升的概率矩陣分解算法（ AdaBoostPMF）。該算法首先為每個樣本分配樣本權重；然后根據(jù)PMF中的每一輪隨機梯度下降法學習用戶和物品特征向量，并計算總體預測誤差均值和標準差。從全局的角度利用AdaBoost思想自適應調(diào)整樣本權重，使算法更注重學習預測誤差較大的樣本；最后對預測誤差分配樣本權重，讓用戶和物品特征向量找到更合適的優(yōu)化方向。相比傳統(tǒng)的PMF算法，AdaBoostPMF算法能夠將預測精度平均提高約2. 5%。實驗結果表明，該算法通過加權預測誤差較大的樣本，能夠較好地擬合用戶特征向量和物品特征向量，提高預測精度，可以有效地應用于研究個性化推薦。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%