基于用户特征迁移的协同过滤推荐

为提高推荐系统在数据稀疏情况下的推荐质量,提出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。

基于用户相似度迁移的协同过滤推荐算法

数据稀疏性问题是传统的协同过滤算法主要的瓶颈之一。迁移学习利用辅助领域的用户评分信息,有效地缓解了目标领域的稀疏性问题。现有的迁移学习推荐算法中,普遍存在领域间的用户需要一致、模型平衡参数较多等限制。针对这些局限性,提出了一种用户相似度迁移的模型,利用辅助领域的用户相似度帮助目标领域用户相似度的学习。此外,通过一种用户特征子空间的距离来度量模型的平衡参数,使模型更加具有智能性。实验结果表明,该模型与其他协同过滤算法相比较能够更有效地缓解数据稀疏性问题。