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]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[2]	周北京, 王海荣, 王怡梦, 张丽丝, 马赫. 图谱嵌入传播的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3252-3259.
[3]	潘润超, 虞启山, 熊泓霏, 刘智慧. 基于深度图神经网络的协同推荐算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2741-2746.
[4]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 张建朋, 郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1511-1517.
[5]	李振亮, 李波. 基于矩阵分解的卷积神经网络改进方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 685-691.
[6]	杨晓菡, 郝国生, 张谢华, 杨子豪. 基于协同训练与Boosting的协同过滤算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3136-3141.
[7]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[8]	顾军华, 王锐, 李宁宁, 张素琪. 融合协同过滤信息的知识图注意力网络[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1087-1092.
[9]	陈广福, 王海波, 连雁平. 基于高阶自包含协同过滤的有向网络链路预测[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3060-3068.
[10]	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.
[11]	陈宪聪, 潘微科, 明仲. 面向异构单类协同过滤的阶段式变分自编码器[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3499-3507.
[12]	李改, 李磊, 张佳强. 融合显/隐式反馈的社会化协同排序推荐算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3515-3520.
[13]	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.
[14]	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.
[15]	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》唯一官方网站, 2020, 40(2): 595-601.