基于自适应提升的概率矩阵分解算法

作     者：彭行雄 肖如良 张桂刚 PENG Xingxiong;XIAO Ruliang;ZHANG Guigang

作者机构：福建师范大学软件学院福州350117 大数据分析与应用福建省高校工程研究中心福州350117 中国科学院自动化研究所北京100190 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2015年第35卷第12期

页      面：3497-3501页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 081201[工学-计算机系统结构] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：教育部规划基金项目(11YJA860028) 福建省科技计划重大项目(2011H6006) 

主　　题：推荐系统 概率矩阵分解 自适应提升 模型融合 评分预测 

摘      要：针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoost PMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoost PMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。