融合隐性特征的群体推荐方法研究

作为目前最成功的主流推荐方法,奇异值分解算法(SVD)将已知的海量数据建模并通过矩阵分解降维处理来得到有效信息;非负矩阵分解(NMF)则通过分解出非负矩阵元素来解释特征意义。这两种较为成功的方法均通过对显性反馈信息进行基于矩阵分解的处理得到用户的喜好信息来进行群体推荐。然而,仅凭用户的显性反馈信息有时无法准确反映用户的真实喜好。为解决上述问题,提出了一种针对这两种模型的改进方法,将隐性特征和基于隐性特征的群体权重计算方法融合进经典的矩阵分解算法,其中隐性特征可以完善用户的喜好信息,基于隐性特征的群体权重计算方法则根据群体的特点给予用户相应的权重,使得推荐的准确率得到提升。对该方法在KDD Cup 2012Track1中的腾讯微博数据集上进行测试,实验结果表明在该数据集上融合方法的平均绝对偏差(MAE)和准确率要优于SVD算法与NMF算法,推荐的性能有较明显的提升。