软件学报
軟件學報
연건학보
JOURNAL OF SOFTWARE
2010年
5期
1042-1054
,共13页
吴湖%王永吉%王哲%王秀利%杜栓柱
吳湖%王永吉%王哲%王秀利%杜栓柱
오호%왕영길%왕철%왕수리%두전주
协同过滤%推荐系统%联合聚类%非负矩阵分解
協同過濾%推薦繫統%聯閤聚類%非負矩陣分解
협동과려%추천계통%연합취류%비부구진분해
提出一种两阶段评分预测方法.该方法基于一种新的联合聚类算法(BlockClust)和加权非负矩阵分解算法.首先对原始矩阵中的评分模式进行用户和物品两个维度的联合聚类,然后在这些类别的内部通过加权非负矩阵分解方法进行未知评分预测.这种方法的优势在于,首阶段聚类后的矩阵规模远远小于原始评分矩阵,并且同一类别内部的评分具有相似的模式,这样,在大幅度降低预测阶段计算量的同时又提高了非负矩阵分解算法在面对稀疏矩阵预测上的准确度.进一步给出了推荐系统的3种更新模式下如何高效更新预测模型的增量学习方法.在MovieLens数据集上比较了新算法及其他7种相关方法的性能,从而验证了该方法的有效性及其在大型实时推荐系统中的应用价值.
提齣一種兩階段評分預測方法.該方法基于一種新的聯閤聚類算法(BlockClust)和加權非負矩陣分解算法.首先對原始矩陣中的評分模式進行用戶和物品兩箇維度的聯閤聚類,然後在這些類彆的內部通過加權非負矩陣分解方法進行未知評分預測.這種方法的優勢在于,首階段聚類後的矩陣規模遠遠小于原始評分矩陣,併且同一類彆內部的評分具有相似的模式,這樣,在大幅度降低預測階段計算量的同時又提高瞭非負矩陣分解算法在麵對稀疏矩陣預測上的準確度.進一步給齣瞭推薦繫統的3種更新模式下如何高效更新預測模型的增量學習方法.在MovieLens數據集上比較瞭新算法及其他7種相關方法的性能,從而驗證瞭該方法的有效性及其在大型實時推薦繫統中的應用價值.
제출일충량계단평분예측방법.해방법기우일충신적연합취류산법(BlockClust)화가권비부구진분해산법.수선대원시구진중적평분모식진행용호화물품량개유도적연합취류,연후재저사유별적내부통과가권비부구진분해방법진행미지평분예측.저충방법적우세재우,수계단취류후적구진규모원원소우원시평분구진,병차동일유별내부적평분구유상사적모식,저양,재대폭도강저예측계단계산량적동시우제고료비부구진분해산법재면대희소구진예측상적준학도.진일보급출료추천계통적3충경신모식하여하고효경신예측모형적증량학습방법.재MovieLens수거집상비교료신산법급기타7충상관방법적성능,종이험증료해방법적유효성급기재대형실시추천계통중적응용개치.
