10.3969/j.issn.2095-2163.2023.05.009
基于隐式数据的改进LFM-SGD协同过滤推荐算法
采用传统协同过滤推荐算法对目标用户进行个性推荐时,由于用户评价数据和物品属性等显性数据稀疏,导致推荐物品的准确率和质量相对较差.本文基于隐语义模型(LFM),结合随机梯度下降算法(SGD),对协同过滤推荐算法做出改进.首先,在用户对物品行为的隐式数据中,采用LFM算法结合矩阵分解的思想,对数据进行处理;其次,利用SGD算法迭代求解损失函数的最小值.根据预测的评分矩阵,对目标用户推荐其感兴趣且未接触过的物品.实验结果表明,改进的LFM-SGD算法指标覆盖率、召回率、准确率分别比UserCF提高了0.761％、1.131％和3.175％,比ItemCF提高了0.154％、1.388％、3.898％.改进算法在缓解数据稀疏性、提高推荐精度方面取得了一定的成效.
协同过滤、隐式数据、LFM、SGD
13
TP391(计算技术、计算机技术)
贵州大学省级本科教学内容;课程体系改革项目
2023-05-25（万方平台首次上网日期，不代表论文的发表时间）
共6页
52-57
