基于用户特征迁移的协同过滤推荐.pdf

《基于用户特征迁移的协同过滤推荐.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第41卷第1期计算机工程2015年1月VO1．41No．1ComputerEngineeringJanuary2015·先进计算与数据处理·文章编号：1000-3428(2015)01-0037·07文献标识码：A中图分类号：TP311基于用户特征迁移的协同过滤推荐柯良文，王靖(华侨大学计算机科学与技术学院，福建厦f1361021)摘要：为提高推荐系统在数据稀疏情况下的推荐质量，提1ti一种基于用户特征迁移的协同过滤推荐模型。利用矩阵分解技术提取辅助领域的用户特征，通过建立正则项约束的矩阵分解模型，将辅助领域的用户特征迁移到目

2、标领域中，协助目标领域用户特征的学习，最终生成目标领域的用户推荐。设计快速收敛的Wiberg算法得到模型的最优解，并对实际应用中的可行性进行分析。通过对2个公开数据集的实验结果表明，该模型能够实现辅助领域用户特征的迁移，有效提高目标领域的推荐质量。关键词：数据稀疏；用户特征迁移；协同过滤；矩阵分解；Wiberg算法中文引用格式：柯良文，王靖．基于用户特征迁移的协同过滤推荐[J]．计算机工程，2015，41(1)：37—43．英文引用格式：KeLiangwen，WangJing．CollaborativeFilteringRec

3、ommendationBasedonUserFeatureTransfer[J]ComputerEngineering，2015，41(1)：37—43．CollaborativeFilteringRecommendationBasedonUserFeatureTransferKELiangwen，WANGJing(SchoolofComputerScienceandTechnology，HuaqiaoUniversity，Xiamen361021，China)【Abstract1Inordertoimprovethereco

4、mmendationqualityofrecommendersystemwithdatasparsitv．thispaperproposesausercollaborativefilteringrecommendationmodelbasedonfeaturetransfer．Firstly．matrixfactorizationtechnologyisappliedtocollecttheuserfeaturefromtheauxiliarydomain．Secondly．itconstructsamatrixfactori

5、zatiOnmodelwiththeconstraintofregularizationterm，whichisusedtotransfertheuserfeaturelearnedfomtheauxiliarvdomaintothetargetdomain，soastohelpthelearningofuserfeatureinthetargetdomain．Finally．userrecommendationismadeforthetargetdomain．AfastconvergenceWibergalgorithmis

6、alsodesignedforthemodeltogettheoptima1solution，whosefeasibilityisalsodiscussedforpracticalapplication．Throughtheexperimentontworealworlddatasets．themodelcaneffectivelytransfertheuserfeatureofsourcedomain，andimprovethequalityofrecommendersvstemfortargetdomain．【Keywor

7、ds】datasparsity；userfeaturetransfer；collaborativefiltering；matrixfactorization；WibergaIgorithmD0I：10．3969／j．issn．1000—3428．2015．01．007电子商务网站的Amazon，eBay等，电影网站的1概述MovieLens，Ree1．tom等，新闻网站的GroupLens等。随着互联网的不断普及和应用，网络上的信息量协同过滤是推荐系统应用最为成功的技术之正呈指数式的增长。用户～方面可以方便获取到丰一，其基本假

8、设是：如果用户x和用户y对于n个项富信息，另一方面则要面临过量信息伴随着的信息过目有相似的评分或购买行为，那么他们对其他项目载问题：无法从海量的信息中获取到对自己有用的也会有类似的评价。根据这一假设，协同过滤技术部分。个性化推荐系统根据用户的喜爱和偏好，从海首先要度量目标用户