基于广义高斯分布的贝叶斯概率矩阵分解方法

来源：计算机研究与发展杂志2016年第12期北京时间：

作者：燕彩蓉,张青龙,赵雪,黄永锋,

摘要：贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性，常用于个性化推荐系统，但其推荐精度会受初始评分矩阵稀疏特性的影响.提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF(generalizedGaussiandistributionBayesianPMF)，采用广义高斯分布作为先验分布，通过机器学习自动选择最优的模型参数，并基于Gibbs采样进行高效训练，从而有效缓解矩阵的稀疏性，减小预测误差.同时考虑到评分时差因素对预测过程的影响，在采样算法中添加时间因子，进一步对方法进行优化，提高预测精度.实验结果表明：GBPMF方法及其优化方法GBPMF-T对非稀疏矩阵和稀疏矩阵均具有较高的精度，后者精度更高.当矩阵非常稀疏时，传统贝叶斯概率矩阵分解方法的精度急剧降低，而该方法则具有较好的稳定性.

关键词：个性化推荐系统, 贝叶斯概率矩阵分解, 机器学习, 广义高斯分布, 稀疏矩阵,