缺失数据建模的改进型ALS在线推荐算法
来源：计算机工程杂志2018年第8期北京时间：
作者：邢玉莹,夏鸿斌,王涵
单位：江南大学 数字媒体学院,江苏 无锡 214122
摘要：在隐式反馈中存在数据噪声并缺乏负反馈,使用矩阵分解方法训练推荐模型时特征提取不明确且推荐结果有偏斜。为此,提出一种缺失数据建模的改进型交替最小二乘(ALS)矩阵分解在线推荐算法。使用近邻信息为用户选择正样本,同时根据物品流行度对缺失数据中的负样 本进行建模,并将基于元素的改进型ALS算法与在线学习相结合。在MovieLens数据集上的实验结果表明,相对eALS、Rcd算法,该算法能够有效减小数据噪声和矩阵稀疏对矩阵分解推荐算法的影响,从而提高推荐的准确性和效率。
关键词：推荐系统,隐式反馈,缺失数据建模,交替最小二乘,在线学习
基金资助：国家科技支撑计划课题“影视制作云服务系统技术集成及应用示范”(2015BAH54F01)。
