协同过滤系统的矩阵稀疏性问题的研究

计算机应用 ›› 2010, Vol. 30 ›› Issue (4): 1079-1082.

协同过滤系统的矩阵稀疏性问题的研究

曾小波¹,魏祖宽¹,金在弘²

1. 成都电子科技大学
2. 韩国永同大学校

收稿日期:2009-08-26 修回日期:2009-10-09 发布日期:2010-04-15 出版日期:2010-04-01
通讯作者: 曾小波

Research of matrix sparsity for collaborative filtering

Received:2009-08-26 Revised:2009-10-09 Online:2010-04-15 Published:2010-04-01

摘要/Abstract

摘要： 应用奇异值算法得到一个无缺失的矩阵，引进了一种增强的、基于参数的Pearson相关系统算法来提高相关性算法的准确性。提出一个基于奇异值分解和增强Pearson系数的“HybridSVD”算法，用MovieLens数据集来评价该算法，并和其他经典的传统算法做了比较。实验结果证明，“HybridSVD”算法比其他传统算法能更好地处理协同过滤中的稀疏性问题。

关键词: 协同过滤, 矩阵稀疏性, 奇异值分解, 增强的Pearson相关系数

Abstract: This paper applied singular value decomposition to predict the missing data. An enhanced Pearson correlation coefficient algorithm based on parameter was introduced to increase the accuracy when computing the similarity of user and items. Finally, a new algorithm called "HybridSVD" was explored, which was based on singular value decomposition and our novel similarity model. In the experiment section, the authors evaluated this new algorithm using the dataset MoiveLens and the results suggest that the new algorithm can better handle this matrix sparsity problem.

Key words: collaboration filtering, matrix sparesity, ingular Value Decomposition (SVD), Enhanced Pearson Correlation Coefficient (EPCC)

曾小波魏祖宽金在弘. 协同过滤系统的矩阵稀疏性问题的研究[J]. 计算机应用, 2010, 30(4): 1079-1082.

[1]	包玄, 陈红梅, 肖清. 融入时间的兴趣点协同推荐算法[J]. 计算机应用, 2021, 41(8): 2406-2411.
[2]	李翔锟, 贾彩燕. 融合重叠社区正则化及隐式反馈的协同过滤方法[J]. 计算机应用, 2021, 41(1): 53-59.
[3]	田保军, 刘爽, 房建东. 融合主题信息和卷积神经网络的混合推荐算法[J]. 计算机应用, 2020, 40(7): 1901-1907.
[4]	陈曦, 梅广, 张金金, 许维胜. 融合知识图谱和协同过滤的学生成绩预测方法[J]. 计算机应用, 2020, 40(2): 595-601.
[5]	张文龙, 钱付兰, 陈洁, 赵姝, 张燕平. 基于双重最相关注意力网络的协同过滤推荐算法[J]. 计算机应用, 2020, 40(12): 3445-3450.
[6]	樊玮, 谢聪, 肖春景, 曹淑燕. 基于组合类别空间的随机游走推荐算法[J]. 计算机应用, 2019, 39(4): 984-988.
[7]	吴婕, 吕永乐. 基于多项式系数自回归模型的雷达性能参数最优组合预测[J]. 计算机应用, 2019, 39(4): 1117-1121.
[8]	雷曼, 龚琴, 王纪超, 王保群. 基于标签权重的协同过滤推荐算法[J]. 计算机应用, 2019, 39(3): 634-638.
[9]	邱宁佳, 丛琳, 周思丞, 王鹏, 李岩芳. 结合改进主动学习的SVD-CNN弹幕文本分类算法[J]. 计算机应用, 2019, 39(3): 644-650.
[10]	杜凯敏, 康宝生. 基于图像块分类的图像超分辨率重建[J]. 计算机应用, 2019, 39(2): 577-581.
[11]	刘彤, 曾诚, 何鹏. 基于用户网络嵌入的民宿房源推荐方法[J]. 计算机应用, 2019, 39(11): 3398-3402.
[12]	汤慧, 周明全, 耿国华. 基于区域分割的低覆盖点云配准算法[J]. 计算机应用, 2019, 39(11): 3355-3360.
[13]	许朝, 孟凡荣, 袁冠, 李月娥, 刘肖. 融合地点影响力的兴趣点推荐算法[J]. 计算机应用, 2019, 39(11): 3178-3183.
[14]	徐玲玲, 曲志坚, 徐红博, 曹小威, 刘晓红. 融合信任信息的欧氏嵌入推荐算法[J]. 计算机应用, 2019, 39(10): 2829-2833.
[15]	杨帅, 王鹃. 基于堆栈降噪自编码器改进的混合推荐算法[J]. 计算机应用, 2018, 38(7): 1866-1871.