一种对数据集稀疏度不敏感的协同推荐新方法
在推荐系统领域中,针对数据集稀疏性问题的研究大都建立在静态数据集的基础上,而实际工业应用中的数据集则往往是动态的并且具有以下两个明显的特征:1)User-Item矩阵维度逐渐增大;2)稀疏程度不断增加.因此,传统的依赖固定稀疏程度数据集的推荐算法的准确率则会随着数据集稀疏度的增加而下降.基于以上考虑,针对稀疏度动态变化的工业数据集的特征,提出一种准确率高而且对数据集稀疏程度敏感性较低的方法。该方法结合了少量的标签信息并利用了因子分析的方法,通过建立一种特殊的因子模型从而为用户构建一个新的User-Factor向量(用户一因子向量),并基于新的User-Factor向量为目标用户进行”邻居发现”和评分预测.最后,通过大量对比实验证明了本文中的方法在处理工业应用中的数据集时算法总是能够保持较高且稳定的准确率。
计算机网络 推荐系统 数据集 稀疏程度 敏感性
蔡国永 吕瑞
桂林电子科技大学广西可信软件重点实验室 桂林541004
国内会议
北京
中文
1-8
2014-12-01（万方平台首次上网日期，不代表论文的发表时间）