引入时间效应的SVD++线性回归推荐算法
来源：计算机工程杂志2020年第2期北京时间：
作者：苏庆, 章静芳, 李小妹
单位：广东工业大学 计算机学院, 广州 510006
摘要：针对传统协同过滤算法中的数据稀疏问题，在SVD++算法和线性回归模型的基础上引入时间效应属性，提出一种推荐算法timeSVD++LR。采用SVD++算法将用户和项目信息与隐式反馈信息相融合映射到隐语义空间，将用户和项目之间的交互作用建模为该空间中的内积。通过描述用户和物品在各因子上的特征来解释评分值，在此基础上对时间效应建模，进一步提高预测结果的准确度。根据预测评分矩阵构造特征向量，将原始训练数据作为线性回归模型的输入，采用梯度下降算法优化最终代价函数，生成使得代价函数值最小的参数向量，同时将特征向量和参数向量代入预测模型求解预测评分。在MovieLens数据集上的实验结果表明，与RSVD、SVD++和timeSVD++算法相比，该算法的平均绝对误差和均方根误差均较低，其推荐准确性较高。
关键词：SVD++模型,时间效应,特征向量,线性回归,推荐算法
基金资助：广东省自然科学基金（2018A030313389）；广州市科技计划项目（201604016041）。
