基于评分相似性的群稀疏矩阵分解推荐算法

如何提高系统的推荐精度,是当前推荐系统面临的重要问题。对矩阵分解模型进行了研究,针对评分数据的群结构性问题,提出了一种基于评分相似性的群稀疏矩阵分解模型(SSMF-GS)。首先,根据用户的评分行为对评分数据矩阵进行分群,获得相似用户群评分矩阵;然后,通过SSMF-GS算法对相似用户群评分矩阵进行群稀疏矩阵分解;最后,采用交替优化算法对模型进行求解。所提模型可以筛选出不同用户群的偏好潜在项目特征,提升了潜在特征的可解释性。在Group Lens网站上提供的Movie Lens数据集上进行仿真实验,实验结果表明,所提算法可以显著提高预测精度,平均绝对误差(MAE)及均方根误差(RMSE)指标均表现出良好的性能。

结构性稀疏阵列多信道联合估计

多信道估计时,如果利用信道的稀疏性和多信道的相关性,可以提高信道估计性能。本文利用阵列信道的结构性稀疏特性,提出了一种多路分组稀疏LMS算法(Group Sparse LMS,GS-LMS)。该算法将多路信道作为一个整体同时进行自适应信道估计,通过引入l2,1范数,将结构性稀疏先验引入到稀疏LMS算法的代价函数中,导出新的滤波器权系数更新公式。仿真结果表明了在不同信道条件下,本文算法的稳态误差性能明显优于若干现有的稀疏LMS算法。